Posts for: #Tech

一台常开的台式 / 常驻机负责跑重活，一台笔记本带在身边随写随记。两台机器共用一个 GBrain，写在哪台都能在另一台搜到。

下面是我把这套装起来的实际过程，包括踩到的坑。环境是两台 Mac：M2（常开）和 M4（日常，有开有关），GitHub 账号 wulujia，笔记放 Dropbox。

架构

三层，分工明确。

Brain 仓库 = markdown 文件，源头。放 ~/Dropbox/brain/，Dropbox 负责实时同步文件，GitHub private repo 负责版本备份。

gbrain 工具 = 读 markdown、灌进索引的 CLI。每台机器独立从 GitHub clone 到非 Dropbox 路径，各自 bun link。不要让 Dropbox 同步工具源码，node_modules 跨机会掐架。

索引 = PGLite（嵌入式 Postgres），默认引擎，放 ~/.gbrain/。每台机器一份独立本地索引。markdown 是真相，索引坏了重建。

M4（日常机）从零装起

1. 装 gbrain 工具

git clone https://github.com/garrytan/gbrain.git
cd gbrain && bun install && bun link

2. OPENAI_API_KEY

到 platform.openai.com 建个 project key，丢 zshrc：

echo 'export OPENAI_API_KEY="sk-proj-..."' >> ~/.zshrc
source ~/.zshrc

注意变量名全大写 OPENAI_API_KEY。一个字母错了 OpenAI SDK 读不到，跑出来一堆 401。

跟 AI 聊天有个长期的问题。每次新对话它都从零开始。聊过的想法、见过的人、读过的文章，下次对话完全空白。

GBrain 解决的就是这件事。

它是什么

AI agent 是大脑，GBrain 是它的记忆。

更准确一点：GBrain 是一堆 markdown 文件加一个搜索引擎。跟 AI 聊天时，它自己决定把什么存进去、什么取出来。存的是文本文件，可以打开看、改、备份。

这一点很重要。市面上很多 AI 记忆功能是黑盒，坏了查不出原因，也导不出来。GBrain 的记忆就是你自己的文件，放在 Git 仓库里，agent 关掉记忆也还在。

它怎么工作

三个核心动作

捕获。你跟 agent 说"今天跟老王聊了一下 SaaS 定价"，一个叫 signal-detector 的技能在后台自动抽取：“老王"是人，“SaaS 定价"是话题。后台并行跑，对话照常进行。

回答前查大脑。下次问"老王最近在想什么”，agent 先搜 GBrain，翻出上次的记录，带着上下文回答。跳过这一步的 agent 等于失忆。

睡觉时整理。装上 autopilot，凌晨 agent 自动扫白天所有对话，给新出现的人建档、补社交资料、修引用。早上起来大脑比昨晚厚。

页面长什么样

每个人、每件事在 GBrain 里就是一个 markdown 文件。结构很简单：上半部写当前结论，下半部写时间线。

比如"老王"这一页。

上半：老王是某某公司 CEO，擅长 SaaS 定价，2026 年 3 月开始考虑出海日本。

下半：

• 2025-01-10 邮件里第一次提到
• 2025-08-22 聊过定价策略
• 2026-03-05 说要出海日本

上半随时重写。下半只加不删，是证据链。好处是：问一个问题，agent 直接读上半部就知道答案，不用每次把所有历史再推理一遍。

怎么装

前提是装了 bun。然后两行：

git clone https://github.com/garrytan/gbrain.git && cd gbrain && bun install && bun link
gbrain init

默认用嵌入式 Postgres，零配置。接到 Claude Desktop 或 Claude Code 之后，正常聊天它就正常往里存。Gemini CLI、Codex 也能接，都走 MCP 协议。

最近打听小龙虾的朋友有点多，所以我干脆写篇短文，把文科背景朋友们最经常问的问题，做个粗浅的回答。

第一步：我需要什么？

找一台独立的旧电脑。

建议用一台不用的旧电脑专门跑它。原因有两个：

一是稳定。你大概率会希望这个助理 24 小时在线——半夜收到重要邮件能帮你处理，每天早上自动发一份新闻摘要，你不在的时候也能替你盯着事情。用日常办公的电脑跑，合上盖子就断了。

二是安全。这个助理会接触你的邮件、日历、文件，给它一台独立的机器，跟你的工作环境隔开，万一配置出了问题，也不影响你日常用的东西。

五六年前的笔记本就够，Mac、Windows、Linux 都行。

没有旧电脑怎么办？

• 树莓派，几百块钱，功耗极低，放在角落里一直跑

• 云服务器（VPS），每月几十到一百多块，不用管硬件

• Mac mini，如果你本来就想买一台——这是极其豪华的配置

在中国能用吗？OpenClaw 本身没有限制。但它需要调用 AI 服务（比如 Claude、GPT），如果网络访问不了这些服务，需要想办法解决，或者选用国内能访问的 AI 模型。

注意，这里强烈建议：用独立设备，跟你的工作电脑分开。

───

第二步：要花钱吗？

OpenClaw 开源，费用来自 AI 模型——就像请了一个助理，AI 模型是助理的大脑。

我最直接的建议：用你能用得起的最贵、最好、最聪明的模型。

模型笨，相当于助理笨，你要个笨助理干嘛？以及，笨助理更容易被网页里藏的恶意指令操控，如果被骗了，一次损失，估计就够付这辈子的模型账单了。

AI 模型的能力差距非常大。便宜的模型能聊天，但理解力、判断力、可靠性都差不少。你既然花时间把助理搭起来了，别在最关键的大脑上省钱。一个聪明的助理能帮你省的时间，远超模型费用。

轻度使用（每天聊几轮，偶尔帮忙查东西），一个月大概几美元到十几美元。重度使用会更多。

如果你有一些 AI 的订阅，可以请懂技术的朋友看看，说不定无需额外付费就能使用。

第三步：装上它

安装过程需要有人帮你在电脑的终端里输入几条命令。不复杂，但如果你从来没用过终端，建议找个懂技术的朋友帮忙，十分钟就能搞定。

装好之后，OpenClaw 会自带一个网页聊天界面，打开浏览器就能跟它说话。

但更多人是想在手机上随时跟它聊，可以把它连到一个聊天工具。海外用户推荐 Telegram（配置最简单）或 WhatsApp。

中国用户怎么办？Telegram 和 WhatsApp 在国内不能直接用。几个替代方案：

• 飞书（Lark）——OpenClaw 支持飞书机器人，国内直接可用，适合个人和团队

• 网页界面——装好就自带，不依赖任何第三方聊天工具，打开浏览器就能用

第四步：搞清楚它能帮你做什么？

从聊天开始。

刚装好的时候，先就当它是一个聊天对象。问它问题，让它帮你查资料、翻译、写邮件草稿、整理想法。用几天，找找感觉。

然后逐步给它更多权限。

当你觉得它靠谱了，可以开始授权更多能力——读你的邮件、管你的日历、帮你搜索网页、定时执行任务。

具体怎么授权？直接问它就行。跟它说"我想让你能帮我读邮件"或者"我想让你每天早上给我发一份新闻"，它会告诉你需要做什么配置。这些配置通常就是几步操作，它会一步步带你完成。

它有记忆。你告诉它的事情，它会记住。下次你再跟它聊，不用从头说起。

每个能力都可以单独开关。一个一个加，逐步建立信任。

下一步：给家人也配一个

不需要再买电脑。同一台机器上可以跑好几个独立的 AI 助理，每个人一个。

每个人的助理完全独立：

你有没有遇到过这种情况：好不容易找到一本 PDF 电子书，打开发现没有书签目录。几百页的书，想跳到某一章只能一页一页翻，或者疯狂按 Ctrl+F。

我一个同事就被这个问题折磨够了。

从自己的痒点开始

他喜欢用 PDF 看技术书。网上找的、淘宝买的扫描版，很多都没有完整的书签目录。市面上能加书签的工具不是没有——福昕阅读器可以，WPS 也行。但体验都一样：一条一条手动添加，点击、输入标题、设置页码、设置层级，循环往复。一本 300 页的书，光加书签就要半小时以上。

淘宝和闲鱼上甚至有专门代做 PDF 书签的服务。按目录页收费，每页 1-2 块钱，一本普通的书大概 10 多块，耗时一个小时左右。头部商家月销几百单。

说明这个需求是真实存在的，而且现有的解决方案都很原始。

先用最笨的方法解决问题

他没有一上来就做 APP。

第一步是写了一个 Python 命令行脚本：照着 PDF 的目录页，在一个 TXT 文件里用缩进表示层级，写好标题和页码，脚本读取后自动写入 PDF。

甚至目录都不用自己敲——去电商网站搜这本书，商品描述里的目录直接复制过来就行，还自带页码。

这个"工程版"工具，让他制作一本书的书签只需要几分钟。他拿这个效率去闲鱼接单，还真卖出了几十块钱。

这个阶段很有意思：用最低成本验证了需求，同时验证了解决方案。

从工具到产品

命令行版本只能自己用，推广不了。于是他启动了创新项目，目标是做一个真正的产品级桌面应用。

核心交互很优雅：窗口左边是 PDF 页面预览，中间是书签文本编辑区，右边是实时生成的书签树预览。像写代码一样写书签——用缩进定义层级，所见即所得。

几个亮点功能：

• 内置 OCR：扫描版 PDF 直接识别目录页文字，省去手动输入

• 智能页码校准：扫描版 PDF 的页码和实际印刷页码经常对不上，用一个简单的 (++5) 语法就能批量修正偏移

• 自动格式化：识别 1.1、1.1.1 这种标准编号，自动生成对应的层级缩进

• 纯本地处理：所有文件都在本地完成，不上传服务器

技术选型值得说说

他没用 Electron（太臃肿），选了 Tauri：Rust 后端 + Web 前端。PDF 渲染和 OCR 都直接调用系统原生 API——macOS 用 Swift 的 PDFKit 和 Vision，Windows 用微软官方的系统 API。Rust 通过 FFI 调用编译好的静态库。

我越来越觉得，找餐厅这件事，大众点评、小红书都帮不了我。

倒不是说它们不好用。信息多，评价全，但问题就出在"太多"上。我打开一家店的页面，几百条评价，有说惊艳的，有说踩雷的，有明显是刷的，有写了一千字但你也不知道这个人平时吃什么水平的。看完一圈，我还是不知道该不该去。

后来想明白了，问题是：我不认识这些人。

我不知道他们的口味，不知道他们的标准，不知道他们说的"好吃"到底是什么意思。一个觉得"好吃到哭"的人，跟我可能完全不在一个频道上。这种评价再多，对我来说就是噪音。

但如果是朋友呢？那完全不一样。

我知道他是什么样的人，知道他吃过什么东西，知道他说"这家不错"意味着什么。他的推荐我是可以直接信的。

这就是我们做 EatVenture 的原因——它不是大众点评，它是朋友点评。

我在 EatVenture 上只关注我认识的、喜欢的、且我认可 Ta 饮食品味的朋友。注意，不是所有朋友。认识归认识，但有些人吃东西的口味跟我差别太大，我会关注 Ta，但不会订阅 Ta 的餐厅列表。我只关注那些我觉得"真的懂吃"的人。

然后我会主动把 EatVenture 发给他们，拜托他们把自己喜欢的餐厅标注上去。

这些人可能是每次出差都能摸到当地最好馆子的同事，可能是在某个城市住了十年把好店全吃遍了的朋友，也可能就是那种朋友圈发什么吃的你都想问一句"这是哪家"的人。

这样一来，下次我去他们去过的城市，打开 EatVenture，沿着他们吃过的路线走一遍就好了。不用做攻略，不用翻评价，不用纠结。因为推荐这些餐厅的人，是我自己选过的。

找餐厅，数量不重要，精准才重要。一百条陌生人的好评，不如一个懂吃的朋友跟你说一句"去这家"。

朋友点评，大于大众点评。

EatVenture 是一个很小众的 App。它不是为所有人做的，就是为你和你信任的那几个朋友做的。但就是这个"小"，让它特别好用。

这个小工具也并不为所有人设计，目前用的是 Google 的 API，大陆餐厅数据很不完整（不推荐使用），反而是香港、新加坡、日本等地方，陆陆续续被朋友“占领”了。

如果你想试试，可以识别这个二维码，至少新加坡、香港的餐厅还挺完整：