<div id="readability-page-1">AI 时代每天都有新体验，在这样一个技术爆发的年代，每天都面临颠覆与重构。 最近 clawdbot 在硅谷刷屏，甚至成为把 Mac mini 都卖脱销的现象开源 AI 代理。 他又有什么不一样？ <h2>1. clawdbot 到底是什么？</h2> 一句话：Clawdbot = “自己托管的 Claude 助理 + 本地自动化操作系统”，不是一个网站，而是你自己机器上跑的 AI 代理框架。 官方和社区的几种典型描述： “一个你在自己设备上运行的个人 AI 助理”，通过 WhatsApp、Telegram、Slack、Discord、Signal、iMessage、Teams、WebChat 等各种 IM 跟你对话。 核心思想是：Gateway 只是控制平面，真正的产品是那个 “会真的干活的助手” 本身——能清 inbox、发邮件、管日历、查航班并帮你值机。 很多文章直接叫它 “Claude with hands”（有手有脚的 Claude）：既能聊天，又能跑脚本、控浏览器、动文件系统。 <h2>2. 谁开发的？背景是啥？</h2> 作者：Peter Steinberger（@steipete） 奥地利软件工程师，之前最有名的身份是 PSPDFKit 创始人——一个面向 iOS/Android/Web 的 PDF SDK，公司后来更名为 Nutrient 并被私募收购，他相当于 “财务自由退役的 dev 创业者”。 Clawdbot 出来之前，他就写过一篇很火的长文《Claude Code is my computer》，讲自己怎么用 Claude Code 当 “远程操作系统”，让模型控制整台 macOS。Clawdbot 其实就是把那套个人实验，系统化 + 开源化之后的产物。 时间线大致是： <ul> <li> 2025 年末：他先用 Claude 给自己做了一个私人的 “Clawd 助理”，一个太空龙虾（项目的吉祥物）。 </li> <li> 2026 年 1 月：正式把项目以 Clawdbot 名义开源，上线 GitHub 和 clawd.bot 网站；几周内 GitHub star 从几千涨到两三万，近期已经突破四万多星，成为当前增速最快的一批开源项目之一。 </li> </ul> 短时间内吸引了几十位贡献者和几千人的 Discord 社区；不少安全专家、AI 大 V（包括 Karpathy 等）在 X 上讨论它。 简单说：这是一个 “退休的 PDF SDK 大神回归搞 AI 代理” 的项目，不是匿名小玩具。 <h2>3. Clawdbot 为什么突然火？（背后几个关键点）</h2> 运行形态：完全自己托管，本地 first Clawdbot 是 MIT 协议开源，你在自己的设备上跑：Mac、Linux、Windows（含 WSL2）、树莓派、甚至 VPS。 默认推荐场景： 家里一台 M 系列 Mac mini（低功耗 24/7 跑代理）； 或云上 5 美金一月的 VPS（DigitalOcean/Hetzner 一类）。 模型可以接： Anthropic Claude（官方强推 Pro/Max + Opus 4.5）；OpenAI、MiniMax 等；也可以通过 Ollama 等接本地 LLM。 结果：数据和自动化逻辑都 “在你这边”，不是 SaaS 平台；成本结构变成 “硬件 + API 费用”（Claude / OpenAI），Clawdbot 本身免费；非常符合 “开发者自己握住基础设施” 和 “隐私控制” 的情绪。 能力边界：从 “会聊” 到 “会干活” 对比一下传统聊天机器人，它多了几个关键点： ①多通道统一入口 同一个助手可以同时挂在 WhatsApp、Telegram、Slack、Discord、Signal、iMessage、Microsoft Teams、Google Chat、WebChat 等；对你来说 “一个人”，对技术上是一个 multi-channel inbox + session 模型。 ②持续记忆 &amp; 主动唤醒 Clawdbot 有长期记忆（Markdown/向量检索等），不会像 ChatGPT 一关 tab 就失忆；可以定时给你发早间简报、突发提醒、监控邮件/行情并主动 ping 你。 ③真实 “动手能力” 通过工具 + shell 权限，它能执行系统命令、写脚本、操作文件、控浏览器、帮你登录网站、发邮件、改 Todo、控制智能家居等；这也是为什么安全圈那篇文章标题是 “Clawdbot is what happens when AI gets root access”（给 AI root 权限会发生什么）。 ④多 Agent 编排 支持跑多个专职 agent：coding agent、research agent、生活事务 agent，之间通过路由协作；内部有 multi-agent routing、subagent、tool sandbox 的架构。 <h2>4. 技术栈 &amp; 体系结构</h2> Clawdbot 基本是一个完整 agent runtime 的 case： 底层吃 infra（Mac / VPS），上面挂 LLM providers（Anthropic / OpenAI 等），对外连各种 API / 网站，对内有 memory、skills、hooks。 TechStack 总览：一张 “结构图” 先立起来 <img src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/ac3c6e58-e019-4942-aff5-8588f3e437d3.png?x-oss-process=image/auto-orient,1/interlace,1/resize,w_1440,h_1440/quality,q_95/format,jpg" width="1000" height="552" original-src="https://imageproxy.pbkrs.com/https://wpimg-wscn.awtmt.com/ac3c6e58-e019-4942-aff5-8588f3e437d3.png"/> 用熟悉技术堆栈图的 L0–Lx 分层，抽象成： L0：Compute &amp; Network Mac mini / VPS / 家用服务器 + 公网 / VPN / Tailscale，L0 是一个 “轻 CPU / 高连接数 / I/O 密集” 形态，而不是 GPU node。 L1：OS &amp; Runtime macOS / Linux / WSL2 + Node.js / Bun + systemd / daemon，L1 决定了 可靠性和可恢复性：使用 systemd / launchd / daemon 模式保证 gateway 崩溃后自动重启；本地文件系统用于持久化 config / memory / logs。 L2：Gateway &amp; Control Plane（Clawdbot 核心） CLI、Gateway 进程、配置系统、队列、health、logging，Agentic OS 的 Control Plane / Service Mesh，为上层的 agent loop / tools / channels 提供：路由、限流、健康检查、配置、发现。 L3：Agent Loop &amp; Context 层 Agent 定义 / system prompt / 会话、队列、multi-agent routing、tool policy，L3 是 “Agent 行为模型层”，已经天然支持多 agent 协作、tool-use、long-running loop，比传统 “LangChain-style 单轮工具调用” 更接近真实生产工作流。 L4：LLM &amp; Provider 抽象层 Anthropic / OpenAI / Bedrock / OpenRouter / local models (Ollama 等)，含 failover、usage tracking，这一层是 模型路由 / failover / 成本优化 的关键：同一个 Agent 可以针对不同任务切不同模型（例如 Claude for reasoning，便宜模型处理大宗任务），甚至跑在 Vercel AI Gateway 等中间层后面。 L5：Tools / Skills / MCP / Browser / Exec 层 HTTP tools、浏览器、文件系统、插件、Clawdhub 技能、MCP / external tools，TechStack 模型中，这一层是：Workload-Specific Tools / Skill Fabric”——决定一个 agent 能在多大范围内 真正 “做事” 而不是只聊天。 L6：Channels &amp; Surfaces WhatsApp / Telegram / Slack / Discord / Signal / iMessage / WebChat / TUI / Voice，L6 决定了 agent 的 “入口形态”：既可以像传统 ChatBot 一样等待用户输入；也可以利用 channel &amp; hooks 主动发消息（“会先找你说话” 的 agent）。 L7：Automation &amp; Hooks &amp; Memory Cron、Webhook、Gmail Pub/Sub、Auth monitoring、Markdown memory、compaction、session pruning，L7 是 Stateful Automation + Memory Fabric——决定 agent 是否能从 “一次性工具” 进化为 “长期贴身助手 / 后台进程”。 上面再横切三条 cross-cutting： Security（sandbox vs elevated、OAuth、API keys、hardening）、 Observability &amp; Ops（doctor、status、logs、health、heartbeat）、 Remote / multi-gateway / discovery（Tailscale、remote gateway、Bonjour）。 从 “技术栈” 到 “agentic 生态位” 的三个关键点 从这套栈拆下来，其实可以更精确地说： ①Clawdbot 自身是 “Agent Runtime × Control Plane” 生态位： L2–L4 把 “模型 + tools + channels + memory” 统一在一个 runtime 里；技术上它可以接任意 LLM provider 和工具，位置类似「本地版 LangGraph × multi-channel gateway × MCP client」。 ②围绕 Clawdbot / agentic 的 “流量基础设施” 生态位： LLM 成本网关（Cloudflare AI Gateway、Vercel AI Gateway 等）；API / 网站侧的 WAF / Bot Management / AI Security Suite，用来挡这些 agentic 流量和 prompt injection。L4 模型层 &amp; L5 tools 层带来的 token / API 暴增，会自然催生： ③安全 &amp; hardening 生态位： 社区已经有安全报告和 Reddit 讨论指出配置不当会直接 dump 出 Anthropic API keys 等敏感信息；这意味着除了 Clawdbot 自己的 security 文档，对企业来说还会有专门的 hardening 工具链、policy engine、Zero Trust for AI 等一整套栈。 映射的投资机会有哪些？ 一、Consumer / Personal：端侧 AI + Agent 宿主机 Rail Clawdbot + Mac mini 证明：高频、私密、个性化的 Agent 工作，可以在端侧（Mac / AI PC / 高端手机）长驻运行。Cloud 训练、全局大模型继续在超大机房；但推理 + 个性化 + 系统级功能，越来越多被丢到端侧 NPU/统一内存上。 (1) 端侧整机 / SoC 控制权玩家 Apple：控制 M/A 系列 SoC + 统一内存 + macOS/iOS + Apple Intelligence，把 “能否用 AI 功能” 直接绑到硬件门槛上 → 换机阀门。 Windows Copilot+ PC 生态：MSFT + Qualcomm/Intel/AMD，“没有 NPU 45+ TOPS 就不是 Copilot+ PC”，标志着 PC 进入 NPU 标配化。 <blockquote> 关键：谁能把 AI 功能做成 “硬件 gating + OS 深度整合”，谁就有更高的 ASP + 更强换机周期控制权。 </blockquote> 通用 Edge AI 硬件 / MCU 供应链 Edge AI 硬件整体：2025–2030 从 ~261 亿美金 → ~589–688 亿，CAGR ≈ 17–18%。IoT MCU 市场 2030 预计 ~73 亿美金，CAGR ~6.3%，驱动之一就是工业/消费 Edge AI。 这里的机会更分散，适合当作 “端侧 AI 硬件 Beta 池” 而不是单点 all-in： 手机/PC SoC（Qualcomm、Apple、Intel/AMD NPU）； 各类 Edge SoC / MCU / ISP（NXP、TI、Ambarella 等）。 二、Cloud / 网络：AI Gateway &amp; 效率层 Rail Agent 世界里，“算力贵 + 调用密” → 必须要有一层 AI Gateway + 边缘推理平台：统一路由、缓存、限流、成本计量；过滤无效/恶意请求；在边缘/PoP 上先做一层判断，再决定要不要打到最贵的大模型。 代表玩家 &amp; 机会 (1) Cloudflare（NET）型：AI 收费站 + 效率层 AI Gateway：收口所有 LLM 调用，做日志、路由、速率限制、缓存、成本模型。 Workers AI / Agents：在 Cloudflare 边缘直接跑推理，按 “neurons” / 请求计费。 <blockquote> Alpha 不是多一块 HBM，而是：在给定 GPU/电力的前提下，用路由/缓存/多模型选择/安全，把单位算力变成更多有效 Agent 工作。 </blockquote> (2) 提供 “AI 观测 &amp;预算控制” 的工具 Datadog LLM Observability + Agent Monitoring： 对每条 agent 链路做 trace：输入/输出/延迟/token/错误/工具调用/推理步骤；帮企业看清 “哪些用云、哪些可下沉到边/端”。 <blockquote> 可以把 NET / DDOG 视为同一条 “效率 + 治理 rail”： 一个站在网络边缘、一个站在 observability / SecOps 中台， 都吃 Agent/LLM 使用量的长周期增量，而不是直接押 GPU 量。 </blockquote> 三、AI 安全 &amp; 身份：Agent Attack Surface Rail AI 代理 =有钥匙、有手脚、有记忆的 “机器身份”； Prompt injection / 数据泄露 / 工具滥用 / session smuggling 变成新攻击面； 企业必须在身份 + Zero Trust + runtime security + AI layer 防护上开新预算池。 2. 代表玩家 &amp; 机会映射 (1) Runtime &amp; LLM/Agent 安全 Palo Alto Networks（PANW）Prisma AIRS：AI 安全平台，明确防护 prompt 注入、数据泄露、恶意代码、模型滥用等。 CrowdStrike（CRWD）Falcon AIDR：AI Detection &amp; Response，专门看 prompt 层 + Agent 使用，提供可见性与自动响应。 (2) 身份 &amp; Zero Trust &amp; 通道控制 CRWD 收购 SGNL，把 “连续身份评估” 扩到机器/AI 身份，是 Agent 时代的必要层； Zscaler / Okta / CyberArk 等：控制 “哪个 Agent / Service 可以访问哪些 API / 数据库 / SaaS”，在多 Agent /多工具拓扑里当 gate。 <blockquote> 投资映射： 把这些厂从传统 “Sec SaaS” 篮子里单独拉出来，视作 “Agent Attack Surface Rail” 的核心： <ul> <li> Directness：谁的产品直接提 “LLM/Agent 安全”； </li> <li> TAM：谁有身份 + 网络 + runtime 的完整一条链。 </li> </ul> </blockquote> 四、数据 &amp; Agent OS：Data Brain + Agent 平台 Rail Agent 要真正 “懂业务”，离不开干净、集中、治理完好的数据； 更往前一步：数据平台要自己变成 Agent 编排平台，否则只是给别人供血。 2. 代表玩家 &amp; 机会 Snowflake（SNOW）逻辑 Data Cloud = 企业数据大脑； Cortex AI Functions + Cortex Agents + Snowflake Intelligence = 内嵌 Agent 框架； 与 Anthropic 2 亿美元多年的 “Agentic AI” 合作，强调高监管行业（金融/医疗）在 “数据 +Agent OS” 上用 SNOW 做内核。 <blockquote> 投资视角： <ul> <li> SNOW 不只是 “数仓”，而是在抢 “企业 Agent OS” 栈位， </li> <li> Directness very high：完整 Agent Framework + Data 一体； </li> <li> TAM = 原数仓/分析 + AI/Agent 平台。 </li> </ul> </blockquote> 同类型还会出现其他选手（Databricks、部分云原生数据平台），但 SNOW 目前在 “Agent + 企业数据一体化故事” 上讲得最激进。 五、工业：AI 边缘控制器 / 工业 Agent Rail 工业控制（PLC/ DCS）：对实时性/确定性/可靠性/合规要求极高； AI 模型要参与控制闭环，只能贴着现场跑：边缘控制器； 云负责：训练、跨厂分析、数字孪生、统一管理； 边缘控制器负责：质检、预测维护、过程优化、异常检测等的在线推理 + 实时闭环。 2. 西门子 / ROK 等的关键动作 (1) Siemens Industrial Edge + AI Inference Server：Edge app 形态部署模型推理，和 PLC/vPLC 紧耦合。S7-1500V 虚拟 PLC：控制逻辑本身可以以 vPLC 形式跑在 Edge 环境里，实现 PLC + Edge 服务器 + 网关 三合一。 (2) Rockwell（ROK） Embedded Edge Compute Module：插在 Allen-Bradley 控制平台里，提供本地边缘算力和网关能力。与 NVIDIA：Nemotron Nano SLM → FactoryTalk Design Studio / Copilot，在工业 Edge 跑小语言模型，帮工程/运维修复和设计。 工业 rail 投资映射： <ul> <li> Directness：控制 + Edge 平台 + 工业 AI 一体的厂（Siemens / ROK / Schneider / ABB…）； </li> <li> TAM：从 “只卖 PLC” 升级到 “卖 AI-ready Edge 控制器 + Edge 平台 License + 云服务”，单设备生命周期价值显著抬升； </li> <li> 这条 rail 的增长，会把一部分 AI 推理从云迁到厂内，但同时拉高云侧对训练、数字孪生、跨厂优化的需求。 </li> </ul> Clawdbot + Mac mini 提前让大家看清：边缘个人算力可以承接大量高频、隐私、个性化的 Agent 工作负载，这会把 “AI 时代的 CapEx” 部分从数据中心搬到终端和边缘。 但从量级和工作负载类型看，它短中期更多改变的是 CapEx 的结构（更多效率层和端侧 SoC 投资），而不是让 hyperscaler 的总体 CapEx 曲线掉头向下。 真正的系统性风险，只会出现在一个极端世界：小模型 + 本地 NPU 足以覆盖绝大多数任务，监管和成本又强迫所有行业走 local-first，而云厂没能及时转型成模型授权和边缘编排平台。目前的现实路径更像是「云–边–端协同 → AI 总 CapEx 高位运行」，而不是「端侧吃掉云」。 风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。 </div>

Clawdbot 是一款开源 AI 代理，允许用户在本地运行个人 AI 助手，支持多种即时通讯工具。它的开发者是奥地利软件工程师 Peter Steinberger，曾创立 PSPDFKit。Clawdbot 结合了 Claude 的聊天能力与自动化操作，能够处理邮件、日历等任务，成为用户的智能助手。

Clawdbot + Mac mini：当 AI 助手跑在本地