文章

为什么要写这篇 前些天教同事自己搭 AI 员工，我才发现一件事，很多基础的操作，对他人来说可能每一步都是坎。终端是什么？怎么开机？复制粘贴按哪几个键？命令从哪复制？ 所以我决定写一篇从零开始的教程，细到开机、移动鼠标、按键盘都会写进去。如果你身边有人想搭一个自己的 AI 员工但不知道从哪开始，把这篇发给他就行。 买一台 MacMini，开机 MacMini 是苹果出的小盒子电脑，最便宜的那款三千多块钱。没有屏幕，没有键盘，没有鼠标，你得自己配。键盘鼠标随便买，能用就行。其他系统（Windows、Linux）的电脑也行，但苹果电脑安装智能体对于新手更简单一些。 收到货之后，做这几件事： 把电源线插到 Mac Mini 背面的圆孔里，另一头插墙上插座 把显示器的线插到 Mac Mini 背面那个宽宽的接口上（HDMI 口，长得像个梯形） 把键盘和鼠标插上（无线的就装电池、打开开关，有线的直接插 USB 口） 按一下 Mac Mini 背面的电源按钮，按一下就松手，不用一直按着 等一两分钟，屏幕上会出现苹果的标志，然后进入桌面。桌面就是开机之后你看到的那个画面，上面有几个图标。 打开"终端" 终端是一个黑色的窗口，你可以在里面打字跟电脑说话。后面所有操作都在这个窗口里完成。 怎么打开它： 同时按键盘上的"空格键"和键盘左下角的"Command"键（上面画着一个 ⌘ 符号） 这两个键要同时按住不松手，屏幕上会弹出一个搜索框 在搜索框里打"终端"（或者terminal）两个字 下面会出现一个叫"终端"的图标，按一下回车键（键盘右边那个写着 Enter 或 Return 的大键） 选底座 市面上有两个主流的 AI agent（智能体） 框架，名字分别叫 OpenClaw（龙虾） 和 Hermes（爱马仕）。 OpenClaw 偏极客路线，高度可定制，适合喜欢自己动手调教每一层的人。自由度高，但门槛也高，你得知道自己在干什么。 Hermes 自带一大堆通用技能，装好就能用，对普通人友好得多。而且它有记忆功能，能跨对话记住你是谁、你的偏好。还有多平台支持，同一套东西能接到微信、QQ、飞书等多个地方。你不用从零开始配置，开箱就有一个像样的 AI 员工。 这篇教程用的是 Hermes。如果你是普通用户，跟着这篇走就行。 安装 AI 员工的"操作系统" 现在我们要在这个终端黑窗口里打一行字，让电脑自动把 AI 员工装好。 ...

离职前最值得做的一件事，可能不是写交接文档，而是训练一个能干活的自己。没有夸大其词，是真的能干活的那种数字员工。 交接一直是个头疼事儿，文档能写，但文档是死的。你写的SOP，接任者大概率无法全盘复刻。你积累的做事方法论、踩过的坑、形成的判断力，这些东西也写不进交接文档里。 然后我就在想，既然这些东西都在我脑子里，能不能把"我"留下来？ 不是留个文档，是留一个能干活的东西。 于是，我把自己做成了AI员工接入飞书。肉身离职，数字分身留下。某种程度上，也算赛博"永生"了。 搭建过程 搭建很简单，用Hermes agent作为数字员工的基座。Hermes是一个开源的AI Agent框架，可以接入各种大模型、工具和知识库，我选了DeepSeek-V4-Pro作为它的脑子。 但光有脑子不够。一个AI要是没有我的知识库，它就只是个通用聊天机器人，跟ChatGPT没区别。 关键在于怎么把"我的东西"喂给它，最后我用 NotebookLM当大脑。 我把所有工作资料，产品文档、行业研究、过往的周报和述职、写过的方案等等，全部导入了Google NotebookLM。 NotebookLM是Google做的一个产品，你往里面扔资料，它会自动整理成一个可检索的知识库。然后你可以基于这个知识库去提问、生成摘要、做PPT、生成音频播客。 问题是NotebookLM只有网页版，很多功能藏在它的API后面，网页上根本没暴露。我用了一个开源项目notebooklm-py，它把NotebookLM的底层API全部封装好了。通过这个库，AI员工可以直接程序化地调用NotebookLM的所有能力，不只是问答，还包括生成PPT、做信息图、出研究报告、批量下载这些。 接入方式很简单，告诉hermes帮你安装开源项目notebooklm-py，配置好Google账号的cookie，Hermes就能把NotebookLM当作一个工具来用。整个过程大概半小时。 技能训练 另外我还把自己的所有技能、办公风格一条条教给了它。新同事不需要翻文档、不需要咨询我，直接指挥这个数字化的"我"干活就行。 例如做PPT，告诉它主题和大致框架，它会从我的知识库里找到相关材料，自动组装成演示文稿。不是那种丑到没法看的模板填充，是真的能拿去汇报的水平。 做图，生成公司内部统一风格的图片，省去了画图的时间。 对接产品知识，所有产品文档、FAQ、技术细节都在知识库里。不管是写方案还是回答同事的问题，它都能直接引用原始资料。 写周报， 我把每周的工作记录喂给它之后，它能按我习惯的风格和结构输出周报。不用每次从零开始写。 述职报告， 同理。过往的述职模板、业绩数据、项目复盘都在知识库里，它能直接调用。 文献查找和下载，这个是刚需。以前每次写方案都要花大量时间找文献，现在跟AI员工说一声，它自己去检索、下载、整理。 客户调研，从不同的搜索引擎，社交平台，等公开资料中对客户进行背景调查和收集相关联系方式，甚至写邮箱给客户。 等等还有很多，部分技能不太方便透露。 通用技能包 我还给AI员工装了一套通用的办公技能包SenseNova-Skills，增强常见办公场景的能力。比如深度研究，给它一个课题，它会自动拆解维度、搜集证据、生成完整的研究报告。还有数据分析，Excel扔进去，它自己清洗、筛选、出图表。信息图也是，几十种布局和风格自动搭配。 而且AI员工有长期记忆，用得越多，它越懂你的风格和偏好。不像每次开新对话都要重新交代背景。 总结 我把自己做成AI员工，听起来像是科幻片的桥段。但实际操作下来，技术门槛没想象中那么高。Hermes加NotebookLM加一个靠谱的大模型，核心就这三样。 难的不是技术，是你得花时间把自己的知识整理出来喂给它，耐心把自己会的技能教给它。这个过程本身也是一次对自己的梳理，你到底会什么，哪些是可复制的，哪些只是你以为自己会的。

你用 ChatGPT 或 DeepSeek 的时候，有没有觉得有时候它回答特别好，有时候又胡说八道？ 我一开始以为是模型的问题，后来发现不是。同一个模型，不同人用出来效果天差地别。差别在用法。 过去三年，跟 AI 打交道的方式变了三次。我把自己踩过的坑和摸索出来的经验整理了一下，不用懂技术，看完你也能成为AI engineer。 第一层：怎么问（提示词工程） 你打开 ChatGPT，输入「帮我写一封请假邮件」，这句话就叫 prompt（提示词）。你怎么写，直接决定 AI 给你的东西好不好用。 我自己试过最直观的对比： 问法 A：「帮我写个文案」 结果是一段放到哪都能用的废话，改都不想改。 问法 B：「帮我写一条朋友圈文案，推广一家开在大学城附近的奶茶店，目标客户是大学生，语气轻松活泼，不超过 50 字」 结果能直接发。 同一个模型，同一件事。区别就是你有没有告诉它关键信息，这也是前几年很火的新兴职业prompt engineer（提示词工程师）干的活。 几个最基础的prompt技巧： 说清楚你是谁。「我是一个小餐馆老板」和「我是一个 500 强市场总监」，AI 给的建议完全不同。它不知道你的处境，你不说，它就按最通用的情况猜。 说清楚要什么格式。「用表格列出」「分三点回答」「写成邮件格式」。别让它猜你要长文还是列表。 给例子。你喜欢哪种风格，直接贴一段给它看，比你用 200 字描述「要有温度感但不要太煽情」管用得多。 限定范围。「用小学生能听懂的话解释」「不要超过 200 字」。AI 默认会给你一个万金油式的回答，你不限制它就糊弄你。 进阶 prompt 技巧 掌握了基础之后，这几个进阶prompt技巧能让回答质量再上一个台阶。 1、给 AI 一个具体角色。 不是说「你是客服」就完了，角色越具体 AI 越聚焦。 比如你让它审商业计划书：“你是一个做了 20 年风投的合伙人，投消费赛道，风格直接毒舌，不讲客套话。请从投资人视角审视这份商业计划书，列出你最怀疑的 3 个点。"。 加了角色之后，AI 不再给你那种「看起来都对但什么都没说」的回答。它会真的去挑毛病，因为它代入了一个有立场的人。你给它物理学家的身份，它就用物理学思维分析。你给它 10 年经验的大厂程序员，它就不会在后端问题上跑偏。 2、让 AI 一步步想。 这招叫 Chain-of-Thought（思维链），说白了就是在提示词里加一句「请一步步分析」或者「先列出推理过程，再给结论」。 为什么管用？因为 AI 喜欢偷懒，不思考直接生成答案。你让它把思考过程写出来，准确率会明显提升，尤其是数学、逻辑、需要多步推理的问题。我自己的习惯是，但凡涉及计算或者因果推理，一定加一句 think step by step。 ...

年初折腾openclaw的时候，我试过给小龙虾接入手机号，让它注册属于自己的社交媒体账号。 当时openclaw给我推荐了Twilio这个号码平台，它也创建了一个叫twillio的skill成功实现了接收短信，可惜大部分社交媒体平台不支持虚拟号注册，最后不了了之，不过折腾的过程还是值得分享下。 Twilio本质上是个按量付费的"号码批发商"。不用买实体卡，注册账号就能在线选号、月租、接打电话发短信。 其中最便宜的美国、英国、加拿大号码月租 $1.15，法国葡萄牙希腊 $1/月。注册就送 $15 试用金，月租保号可以用一年。 接入 AI Agent 时隔三四个月，现在有了很多成熟的twilio skill，比如OpenClaw 社区的 agentic-calling skill，装上后把你的 Twilio SID、Token、号码配进去，Agent（openclaw/hermes） 就能自主打电话、接电话、发短信。 打电话走的 TTS（文字转语音） 语音合成，支持多种语言和声线，还能接 ElevenLabs（AI语音平台） 克隆你自己的声音。接电话靠 webhook， 有人打进来，Agent 自动应答、录音、转文字，你收到一份完整的通话摘要。短信同理，发收都能自动化。 携号转网 更骚的操作是 Twilio 的号码支持携号转网（port out）。你可以先筛选心仪的号码花 $1 租下来，然后邮件联系twilio官方获取转网的PIN码，将号码走流程转到虚拟号运营商（Google Voice零月租）或实体号运营商（Tello、Ultra Mobile 和Helium Mobile 等），零到几美元一个月起就能长期持有，还自带通话套餐。不满意的直接释放，等于零成本选号。 顺便提一嘴，转网后的号码也会随运营商的性质保持虚拟号或转成实体号。我的业务需求是要特定区号（例如纽约区号212）的实体号，所以搞了个符合要求的转网到1psim，号码也成了实体号。其实目前Tello更香，但风控严格，我之前被封过一个，号码也没了。 应用场景 我目前能想到的应用场景，做跨境业务的，租不同国家的号码挂在不同语言官网页面上，小龙虾 7×24 接客户电话，录音转文字丢进 CRM。比雇真人外语客服便宜很多。 收验证码注册海外APP，$1/月自己搞定，不用买第三方接码平台的垃圾共享号码，私密性高得多，前提是APP要支持虚拟号注册。 反正能用到号码的场景都可以脑洞大开尝试下，花一杯咖啡钱得到一个全球可用的手机号，让 AI 替你接打电话，这件事本身就挺有意思的。

去年十月到今年三月，每个周末基本都在写代码。这是我的第一个手搓 agent 项目——Basjoo，搞了六个月，终于开源了。 先说为什么做这个。 我相信不少做外贸独立站的朋友，都遇到过这几个挺头疼的问题。比如做机械配件的老板，网站每天能收到不少询盘，很多是西班牙语、法语、阿拉伯语的。他的销售团队只会中文和英文，只能回一句 “We speak English only”，客户就不回消息了。 或者做服装出口的，美国客户下午三点发过来消息问报价，也就是北京时间凌晨三点。销售第二天早上看到消息回复，客户已经找别家下单了。 再就是人工成本。请一个三班倒的在线客服，一年至少十几万，小公司扛不住。 我就想，能不能自己搞一套 AI 客服，部署在自己服务器上，24 小时自动接待，小语种也能应付，还能引导客户留联系方式。 于是就开始写了。 怎么用 部署到自己的 Linux 服务器上，往网站里加一段代码，右下角就弹出客服对话框。访客进来咨询，AI 先回答问题。遇到处理不了的，引导客户留邮箱。销售打开后台就能看到所有对话记录和待跟进的线索。 客户不需要下载任何东西，也不用跳到第三方平台，对话框跟你网站的其他部分融在一起。 安装 Linux 服务器上一行命令，环境配好，项目跑起来。打开服务器 IP，进管理后台注册管理员账号，就能用了。不需要懂 Python，不需要配数据库，不需要折腾 Docker。 后台能做什么 Agent 配置 — 选模型、调参数、设人设。做 B2B 工业品的可以调得专业严谨，做快销品的可以调得轻松一点。后台有个 Playground，直接测试 AI 回复，调到你满意。 知识库 — 把官网链接丢进去，自动爬取网页内容，提取产品知识。也可以上传产品手册、PDF、FAQ。它定时更新索引，确保回答用的是最新信息。知识库内容越多，AI 回答越准。 Q&A 管理 — 有些问题你想确保每次回答都一样准确，可以手动建问答对，也能批量导入。Q&A 的优先级最高，AI 优先从这里面找答案。 会话监控 — 实时看到谁在聊天、聊了什么、有没有留联系方式。AI 处理不了的问题，你可以一键接管自己回复。所有聊天记录都有留档。 Widget 外观 — 聊天框的颜色、位置、默认语言、是否自动弹出，后台改完前台立刻生效，不用动代码。 为什么不用现成的服务 市面上有类似的一些产品，我也用过。后来决定自己做，有几个原因： 数据在别人服务器上。客户的询盘记录、聊天内容、联系方式都存在服务商那儿，不太踏实。 按坐席收费。SaaS 客服按客服坐席数收费，人多了成本就上去。Basjoo 部署完只要服务器费用，同时接待一百个访客也不额外花钱。 小语种支持不稳定。很多 SaaS 客服的 AI 回复偏英文，其他语言回答质量不太靠谱。Basjoo 用的模型支持多语言，自动识别访客语言回复。 技术栈 后端 FastAPI，前端 Next.js，对话用 Qdrant 做向量检索。Docker Compose 部署。技术选型的原则就是够用就行。 ...

年前 OpenClaw 火的时候我就入坑了，前前后后用了三个月。搭 Telegram bot，跑各种自动化，确实好玩。但最近试了 Hermes Agent，用了几天就把主力切过去了。 OpenClaw 像是个毛坯房的地基。墙砌好了，水电通了，能住。但要住得舒服，得自己铺地板、装锁、配家具。每次系统升级，还得小心翼翼别把刚接好的管子砸了。 Hermes 则是精装房。开箱即用，地板灯光家电全有，物业还自带个会自己修东西的管家。 这不算捧一踩一，主要是定位不同。深度用了几天，整理几个 Hermes 真正有而 OpenClaw 原生没有的东西。 一、长任务不"失联" 我迁移的最直接原因就是稳定性。 OpenClaw 跑长流程的时候，我经常得去问它：“还活着吗？” “卡住了？” “怎么不动了？"。它就像个干活还行但总得盯着的实习生。 Hermes 稳很多。工具链调用和长任务基本不用管，跑完直接出结果。除了重启 Gateway 会断一下，平时基本不丢状态。 对这种要 7x24 在线的 agent，“稳"比什么花里胡哨的功能都管用。 二、记忆系统：记事本 vs. 数据库 OpenClaw 的记忆系统其实不差。它会自动往 MEMORY.md 里追加内容，社区还有 QMD 这样的插件可以实现混合搜索。 但问题是，OpenClaw 的记忆本质上是一个不断增长的 Markdown 文件。时间一长，几千行的内容每次都要塞进 prompt，烧 token 不说，信息之间还容易互相干扰。 Hermes 的记忆分三层： 核心记忆： MEMORY.md 有严格字数限制，逼着 agent 只记最精华的事实，满了自动合并，不会无限膨胀。 FTS5 搜索： 所有对话存在 SQLite 数据库里，带全文索引。你问"上次 Docker 网络怎么配的？"，它能精准定位到那天的对话，总结出命令，过滤掉废话。 外部插件： 内置了 8 个记忆后端（Honcho、Mem0 等），跟核心记忆并行运行，互不冲突。 OpenClaw 像个记事本，越往后越难翻。Hermes 是"精华速查 + 全文检索”，越用越准。 ...