<div id="readability-page-1">AI 時代每天都有新體驗，在這樣一個技術爆發的年代，每天都面臨顛覆與重構。 最近 clawdbot 在硅谷刷屏，甚至成為把 Mac mini 都賣脱銷的現象開源 AI 代理。 他又有什麼不一樣？ <h2>1. clawdbot 到底是什麼？</h2> 一句話：Clawdbot = “自己託管的 Claude 助理 + 本地自動化操作系統”，不是一個網站，而是你自己機器上跑的 AI 代理框架。 官方和社區的幾種典型描述： “一個你在自己設備上運行的個人 AI 助理”，通過 WhatsApp、Telegram、Slack、Discord、Signal、iMessage、Teams、WebChat 等各種 IM 跟你對話。 核心思想是：Gateway 只是控制平面，真正的產品是那個 “會真的幹活的助手” 本身——能清 inbox、發郵件、管日曆、查航班並幫你值機。 很多文章直接叫它 “Claude with hands”（有手有腳的 Claude）：既能聊天，又能跑腳本、控瀏覽器、動文件系統。 <h2>2. 誰開發的？背景是啥？</h2> 作者：Peter Steinberger（@steipete） 奧地利軟件工程師，之前最有名的身份是 PSPDFKit 創始人——一個面向 iOS/Android/Web 的 PDF SDK，公司後來更名為 Nutrient 並被私募收購，他相當於 “財務自由退役的 dev 創業者”。 Clawdbot 出來之前，他就寫過一篇很火的長文《Claude Code is my computer》，講自己怎麼用 Claude Code 當 “遠程操作系統”，讓模型控制整台 macOS。Clawdbot 其實就是把那套個人實驗，系統化 + 開源化之後的產物。 時間線大致是： <ul> <li> 2025 年末：他先用 Claude 給自己做了一個私人的 “Clawd 助理”，一個太空龍蝦（項目的吉祥物）。 </li> <li> 2026 年 1 月：正式把項目以 Clawdbot 名義開源，上線 GitHub 和 clawd.bot 網站；幾周內 GitHub star 從幾千漲到兩三萬，近期已經突破四萬多星，成為當前增速最快的一批開源項目之一。 </li> </ul> 短時間內吸引了幾十位貢獻者和幾千人的 Discord 社區；不少安全專家、AI 大 V（包括 Karpathy 等）在 X 上討論它。 簡單説：這是一個 “退休的 PDF SDK 大神迴歸搞 AI 代理” 的項目，不是匿名小玩具。 <h2>3. Clawdbot 為什麼突然火？（背後幾個關鍵點）</h2> 運行形態：完全自己託管，本地 first Clawdbot 是 MIT 協議開源，你在自己的設備上跑：Mac、Linux、Windows（含 WSL2）、樹莓派、甚至 VPS。 默認推薦場景： 家裏一台 M 系列 Mac mini（低功耗 24/7 跑代理）； 或雲上 5 美金一月的 VPS（DigitalOcean/Hetzner 一類）。 模型可以接： Anthropic Claude（官方強推 Pro/Max + Opus 4.5）；OpenAI、MiniMax 等；也可以通過 Ollama 等接本地 LLM。 結果：數據和自動化邏輯都 “在你這邊”，不是 SaaS 平台；成本結構變成 “硬件 + API 費用”（Claude / OpenAI），Clawdbot 本身免費；非常符合 “開發者自己握住基礎設施” 和 “隱私控制” 的情緒。 能力邊界：從 “會聊” 到 “會幹活” 對比一下傳統聊天機器人，它多了幾個關鍵點： ①多通道統一入口 同一個助手可以同時掛在 WhatsApp、Telegram、Slack、Discord、Signal、iMessage、Microsoft Teams、Google Chat、WebChat 等；對你來説 “一個人”，對技術上是一個 multi-channel inbox + session 模型。 ②持續記憶 &amp; 主動喚醒 Clawdbot 有長期記憶（Markdown/向量檢索等），不會像 ChatGPT 一關 tab 就失憶；可以定時給你發早間簡報、突發提醒、監控郵件/行情並主動 ping 你。 ③真實 “動手能力” 通過工具 + shell 權限，它能執行系統命令、寫腳本、操作文件、控瀏覽器、幫你登錄網站、發郵件、改 Todo、控制智能家居等；這也是為什麼安全圈那篇文章標題是 “Clawdbot is what happens when AI gets root access”（給 AI root 權限會發生什麼）。 ④多 Agent 編排 支持跑多個專職 agent：coding agent、research agent、生活事務 agent，之間通過路由協作；內部有 multi-agent routing、subagent、tool sandbox 的架構。 <h2>4. 技術棧 &amp; 體系結構</h2> Clawdbot 基本是一個完整 agent runtime 的 case： 底層吃 infra（Mac / VPS），上面掛 LLM providers（Anthropic / OpenAI 等），對外連各種 API / 網站，對內有 memory、skills、hooks。 TechStack 總覽：一張 “結構圖” 先立起來 <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"/> 用熟悉技術堆棧圖的 L0–Lx 分層，抽象成： L0：Compute &amp; Network Mac mini / VPS / 家用服務器 + 公網 / VPN / Tailscale，L0 是一個 “輕 CPU / 高連接數 / I/O 密集” 形態，而不是 GPU node。 L1：OS &amp; Runtime macOS / Linux / WSL2 + Node.js / Bun + systemd / daemon，L1 決定了 可靠性和可恢復性：使用 systemd / launchd / daemon 模式保證 gateway 崩潰後自動重啓；本地文件系統用於持久化 config / memory / logs。 L2：Gateway &amp; Control Plane（Clawdbot 核心） CLI、Gateway 進程、配置系統、隊列、health、logging，Agentic OS 的 Control Plane / Service Mesh，為上層的 agent loop / tools / channels 提供：路由、限流、健康檢查、配置、發現。 L3：Agent Loop &amp; Context 層 Agent 定義 / system prompt / 會話、隊列、multi-agent routing、tool policy，L3 是 “Agent 行為模型層”，已經天然支持多 agent 協作、tool-use、long-running loop，比傳統 “LangChain-style 單輪工具調用” 更接近真實生產工作流。 L4：LLM &amp; Provider 抽象層 Anthropic / OpenAI / Bedrock / OpenRouter / local models (Ollama 等)，含 failover、usage tracking，這一層是 模型路由 / failover / 成本優化 的關鍵：同一個 Agent 可以針對不同任務切不同模型（例如 Claude for reasoning，便宜模型處理大宗任務），甚至跑在 Vercel AI Gateway 等中間層後面。 L5：Tools / Skills / MCP / Browser / Exec 層 HTTP tools、瀏覽器、文件系統、插件、Clawdhub 技能、MCP / external tools，TechStack 模型中，這一層是：Workload-Specific Tools / Skill Fabric”——決定一個 agent 能在多大範圍內 真正 “做事” 而不是隻聊天。 L6：Channels &amp; Surfaces WhatsApp / Telegram / Slack / Discord / Signal / iMessage / WebChat / TUI / Voice，L6 決定了 agent 的 “入口形態”：既可以像傳統 ChatBot 一樣等待用户輸入；也可以利用 channel &amp; hooks 主動發消息（“會先找你説話” 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——決定 agent 是否能從 “一次性工具” 進化為 “長期貼身助手 / 後台進程”。 上面再橫切三條 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）。 從 “技術棧” 到 “agentic 生態位” 的三個關鍵點 從這套棧拆下來，其實可以更精確地説： ①Clawdbot 自身是 “Agent Runtime × Control Plane” 生態位： L2–L4 把 “模型 + tools + channels + memory” 統一在一個 runtime 裏；技術上它可以接任意 LLM provider 和工具，位置類似「本地版 LangGraph × multi-channel gateway × MCP client」。 ②圍繞 Clawdbot / agentic 的 “流量基礎設施” 生態位： LLM 成本網關（Cloudflare AI Gateway、Vercel AI Gateway 等）；API / 網站側的 WAF / Bot Management / AI Security Suite，用來擋這些 agentic 流量和 prompt injection。L4 模型層 &amp; L5 tools 層帶來的 token / API 暴增，會自然催生： ③安全 &amp; hardening 生態位： 社區已經有安全報告和 Reddit 討論指出配置不當會直接 dump 出 Anthropic API keys 等敏感信息；這意味着除了 Clawdbot 自己的 security 文檔，對企業來説還會有專門的 hardening 工具鏈、policy engine、Zero Trust for AI 等一整套棧。 映射的投資機會有哪些？ 一、Consumer / Personal：端側 AI + Agent 宿主機 Rail Clawdbot + Mac mini 證明：高頻、私密、個性化的 Agent 工作，可以在端側（Mac / AI PC / 高端手機）長駐運行。Cloud 訓練、全局大模型繼續在超大機房；但推理 + 個性化 + 系統級功能，越來越多被丟到端側 NPU/統一內存上。 (1) 端側整機 / SoC 控制權玩家 Apple：控制 M/A 系列 SoC + 統一內存 + macOS/iOS + Apple Intelligence，把 “能否用 AI 功能” 直接綁到硬件門檻上 → 換機閥門。 Windows Copilot+ PC 生態：MSFT + Qualcomm/Intel/AMD，“沒有 NPU 45+ TOPS 就不是 Copilot+ PC”，標誌着 PC 進入 NPU 標配化。 <blockquote> 關鍵：誰能把 AI 功能做成 “硬件 gating + OS 深度整合”，誰就有更高的 ASP + 更強換機週期控制權。 </blockquote> 通用 Edge AI 硬件 / MCU 供應鏈 Edge AI 硬件整體：2025–2030 從 ~261 億美金 → ~589–688 億，CAGR ≈ 17–18%。IoT MCU 市場 2030 預計 ~73 億美金，CAGR ~6.3%，驅動之一就是工業/消費 Edge AI。 這裏的機會更分散，適合當作 “端側 AI 硬件 Beta 池” 而不是單點 all-in： 手機/PC SoC（Qualcomm、Apple、Intel/AMD NPU）； 各類 Edge SoC / MCU / ISP（NXP、TI、Ambarella 等）。 二、Cloud / 網絡：AI Gateway &amp; 效率層 Rail Agent 世界裏，“算力貴 + 調用密” → 必須要有一層 AI Gateway + 邊緣推理平台：統一路由、緩存、限流、成本計量；過濾無效/惡意請求；在邊緣/PoP 上先做一層判斷，再決定要不要打到最貴的大模型。 代表玩家 &amp; 機會 (1) Cloudflare（NET）型：AI 收費站 + 效率層 AI Gateway：收口所有 LLM 調用，做日誌、路由、速率限制、緩存、成本模型。 Workers AI / Agents：在 Cloudflare 邊緣直接跑推理，按 “neurons” / 請求計費。 <blockquote> Alpha 不是多一塊 HBM，而是：在給定 GPU/電力的前提下，用路由/緩存/多模型選擇/安全，把單位算力變成更多有效 Agent 工作。 </blockquote> (2) 提供 “AI 觀測 &amp;預算控制” 的工具 Datadog LLM Observability + Agent Monitoring： 對每條 agent 鏈路做 trace：輸入/輸出/延遲/token/錯誤/工具調用/推理步驟；幫企業看清 “哪些用雲、哪些可下沉到邊/端”。 <blockquote> 可以把 NET / DDOG 視為同一條 “效率 + 治理 rail”： 一個站在網絡邊緣、一個站在 observability / SecOps 中台， 都吃 Agent/LLM 使用量的長週期增量，而不是直接押 GPU 量。 </blockquote> 三、AI 安全 &amp; 身份：Agent Attack Surface Rail AI 代理 =有鑰匙、有手腳、有記憶的 “機器身份”； Prompt injection / 數據泄露 / 工具濫用 / session smuggling 變成新攻擊面； 企業必須在身份 + Zero Trust + runtime security + AI layer 防護上開新預算池。 2. 代表玩家 &amp; 機會映射 (1) Runtime &amp; LLM/Agent 安全 Palo Alto Networks（PANW）Prisma AIRS：AI 安全平台，明確防護 prompt 注入、數據泄露、惡意代碼、模型濫用等。 CrowdStrike（CRWD）Falcon AIDR：AI Detection &amp; Response，專門看 prompt 層 + Agent 使用，提供可見性與自動響應。 (2) 身份 &amp; Zero Trust &amp; 通道控制 CRWD 收購 SGNL，把 “連續身份評估” 擴到機器/AI 身份，是 Agent 時代的必要層； Zscaler / Okta / CyberArk 等：控制 “哪個 Agent / Service 可以訪問哪些 API / 數據庫 / SaaS”，在多 Agent /多工具拓撲裏當 gate。 <blockquote> 投資映射： 把這些廠從傳統 “Sec SaaS” 籃子裏單獨拉出來，視作 “Agent Attack Surface Rail” 的核心： <ul> <li> Directness：誰的產品直接提 “LLM/Agent 安全”； </li> <li> TAM：誰有身份 + 網絡 + runtime 的完整一條鏈。 </li> </ul> </blockquote> 四、數據 &amp; Agent OS：Data Brain + Agent 平台 Rail Agent 要真正 “懂業務”，離不開乾淨、集中、治理完好的數據； 更往前一步：數據平台要自己變成 Agent 編排平台，否則只是給別人供血。 2. 代表玩家 &amp; 機會 Snowflake（SNOW）邏輯 Data Cloud = 企業數據大腦； Cortex AI Functions + Cortex Agents + Snowflake Intelligence = 內嵌 Agent 框架； 與 Anthropic 2 億美元多年的 “Agentic AI” 合作，強調高監管行業（金融/醫療）在 “數據 +Agent OS” 上用 SNOW 做內核。 <blockquote> 投資視角： <ul> <li> SNOW 不只是 “數倉”，而是在搶 “企業 Agent OS” 棧位， </li> <li> Directness very high：完整 Agent Framework + Data 一體； </li> <li> TAM = 原數倉/分析 + AI/Agent 平台。 </li> </ul> </blockquote> 同類型還會出現其他選手（Databricks、部分雲原生數據平台），但 SNOW 目前在 “Agent + 企業數據一體化故事” 上講得最激進。 五、工業：AI 邊緣控制器 / 工業 Agent Rail 工業控制（PLC/ DCS）：對實時性/確定性/可靠性/合規要求極高； AI 模型要參與控制閉環，只能貼着現場跑：邊緣控制器； 雲負責：訓練、跨廠分析、數字孿生、統一管理； 邊緣控制器負責：質檢、預測維護、過程優化、異常檢測等的在線推理 + 實時閉環。 2. 西門子 / ROK 等的關鍵動作 (1) Siemens Industrial Edge + AI Inference Server：Edge app 形態部署模型推理，和 PLC/vPLC 緊耦合。S7-1500V 虛擬 PLC：控制邏輯本身可以以 vPLC 形式跑在 Edge 環境裏，實現 PLC + Edge 服務器 + 網關 三合一。 (2) Rockwell（ROK） Embedded Edge Compute Module：插在 Allen-Bradley 控制平台裏，提供本地邊緣算力和網關能力。與 NVIDIA：Nemotron Nano SLM → FactoryTalk Design Studio / Copilot，在工業 Edge 跑小語言模型，幫工程/運維修復和設計。 工業 rail 投資映射： <ul> <li> Directness：控制 + Edge 平台 + 工業 AI 一體的廠（Siemens / ROK / Schneider / ABB…）； </li> <li> TAM：從 “只賣 PLC” 升級到 “賣 AI-ready Edge 控制器 + Edge 平台 License + 雲服務”，單設備生命週期價值顯著抬升； </li> <li> 這條 rail 的增長，會把一部分 AI 推理從雲遷到廠內，但同時拉高雲側對訓練、數字孿生、跨廠優化的需求。 </li> </ul> Clawdbot + Mac mini 提前讓大家看清：邊緣個人算力可以承接大量高頻、隱私、個性化的 Agent 工作負載，這會把 “AI 時代的 CapEx” 部分從數據中心搬到終端和邊緣。 但從量級和工作負載類型看，它短中期更多改變的是 CapEx 的結構（更多效率層和端側 SoC 投資），而不是讓 hyperscaler 的總體 CapEx 曲線掉頭向下。 真正的系統性風險，只會出現在一個極端世界：小模型 + 本地 NPU 足以覆蓋絕大多數任務，監管和成本又強迫所有行業走 local-first，而云廠沒能及時轉型成模型授權和邊緣編排平台。目前的現實路徑更像是「雲–邊–端協同 → AI 總 CapEx 高位運行」，而不是「端側吃掉雲」。 風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用户特殊的投資目標、財務狀況或需要。用户應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。 </div>

Clawdbot 是一款開源 AI 代理，允許用户在本地運行個人 AI 助手，支持多種即時通訊工具。它的開發者是奧地利軟件工程師 Peter Steinberger，曾創立 PSPDFKit。Clawdbot 結合了 Claude 的聊天能力與自動化操作，能夠處理郵件、日曆等任務，成為用户的智能助手。

Clawdbot + Mac mini：當 AI 助手跑在本地