Clawdbot 不仅仅是一个 AI 聊天机器人，它是一个本地运行的智能代理网关。与其将 AI 限制在对话框中，Clawdbot 旨在打通模型与物理设备的 “ 最后一公里 “，将 LLM 的推理能力转化为系统级的执行力。

它通过标准化的协议连接消息渠道（Telegram/Slack）、本地工具（CLI/Browser）和上下文记忆，构建了一个完全私有化、可扩展的 AI 操作系统。

1. 核心架构：从对话到执行

传统的 AI 交互往往止步于文本输出，而 Clawdbot 建立了一套完整的 “ 感知 - 决策 - 执行 “ 闭环：

• 全渠道接入：统一管理 Telegram, WhatsApp, Discord, Slack, iMessage 等即时通讯工具。
• 系统级控制：直接调用 shell 命令、执行脚本、操作浏览器。
• 持久化记忆：基于本地文件系统的上下文管理（AGENTS.md, SOUL.md）。

下面是 Clawdbot 的系统交互逻辑：

%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#4F46E5', 'primaryTextColor': '#fff', 'primaryBorderColor': '#3730A3', 'lineColor': '#6366F1'}}}%%
flowchart LR
    User(["用户 (User)"])

    subgraph Channels ["消息接入层"]
        TG["Telegram"]
        Discord["Discord"]
        Slack["Slack"]
    end

    subgraph Core ["Clawdbot 核心引擎"]
        Gateway["网关服务"]
        Planner["任务规划"]
        Memory[("本地记忆库")]
    end

    subgraph Actions ["执行层"]
        Shell["系统命令"]
        Browser["浏览器自动化"]
        Cron["定时任务"]
    end

    User --> Channels
    Channels --> Gateway
    Gateway <--> Memory
    Gateway --> Planner
    Planner --> Actions

    classDef primary fill:#4F46E5,stroke:#3730A3,color:#fff
    classDef success fill:#10B981,stroke:#059669,color:#fff
    classDef channel fill:#06B6D4,stroke:#0891B2,color:#fff

    class Core primary
    class Actions success
    class Channels channel

1. Agent 与 Subagent 核心概念

1.1 概念对比

Claude Agent Skills 将 Claude 从纯对话模型升级为可调用外部工具的智能代理。通过预定义的工具描述，Claude 根据任务需求自主决定何时查询天气、操作电脑、检索数据库或执行其他具体操作。

%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#4F46E5', 'primaryTextColor': '#000', 'primaryBorderColor': '#3730A3', 'lineColor': '#6366F1', 'secondaryColor': '#10B981', 'tertiaryColor': '#F59E0B'}}}%%
flowchart TD
    A(["用户请求"]) --> B["Claude 核心决策层"]

    subgraph "Claude 决策闭环"
        B --> C{"需要工具?"}
        C -->|"是"| D["选择技能/构造参数"]
        C -->|"否"| E["直接回答"]
    end

    subgraph "执行与反馈层"
        D --> F["工具箱"]
        F --> G["API 调用"]
        F --> H["Computer Use"]
        F --> I["代码解释器"]

        G --> J["执行结果"]
        H --> J
        I --> J
    end

    J --> B
    E --> K(["最终输出"])

    classDef primary fill:#4F46E5,stroke:#3730A3,color:#fff
    classDef success fill:#10B981,stroke:#059669,color:#fff
    classDef decision fill:#F59E0B,stroke:#D97706,color:#000
    classDef info fill:#06B6D4,stroke:#0891B2,color:#fff

    class A,K primary
    class B,D info
    class C decision
    class E,G,H,I,J success

1. Context7：文档 RAG 引擎

Context7 是基于 MCP 的开发者文档检索引擎，解决 LLM 的 知识截断 问题。

sequenceDiagram
    participant User
    participant IDE as Cursor
    participant C7 as Context7
    participant Docs as 官方文档

    User->>IDE: "Upstash Redis 怎么用？"
    IDE->>C7: search_docs("Upstash Redis")
    C7->>Docs: 获取最新文档
    Docs-->>C7: 返回 Markdown
    C7-->>IDE: 注入上下文
    IDE-->>User: 生成准确代码

核心特性：

• 实时上下文：摒弃过时的模型权重知识，实时获取官方文档
• 版本锚定：支持指定版本（如 Next.js v14），避免 API 错误
• IDE 集成：自然语言触发（use context7）

MCP 是 Anthropic 推出的开放协议，为 LLM 提供了一套标准化的 “ 感知与行动 “ 接口。其核心价值在于：将 AI 从 “ 对话孤岛 “ 升级为可操作真实世界的智能体。

flowchart LR
    subgraph Host["Host (Cursor/Claude)"]
        LLM[LLM]
        Client[MCP Client]
    end
    subgraph Servers["MCP Servers"]
        S1[GitHub Server]
        S2[Search Server]
        S3[Browser Server]
    end
    LLM <--> Client
    Client <-->|JSON-RPC 2.0| S1
    Client <-->|JSON-RPC 2.0| S2
    Client <-->|JSON-RPC 2.0| S3

深入解析 AI Prompt 的工作原理，阐述提示词工程的核心要素，并在 Fine-tuning 与 Prompting 之间建立清晰的认知边界。

服务端渲染 (SSR) 的本质是将渲染过程从浏览器端前置到服务端。通过在服务器端执行组件逻辑（如 React/Vue）并生成完整的 HTML 字符串，SSR 解决了单页应用 (SPA) 在首屏加载性能与搜索引擎优化 (SEO) 方面的核心痛点。

从工程角度看，SSR 将原本由浏览器 JavaScript 运行时生成的 DOM 结构，转移至 Node.js（或 Go/Rust）层预先构建，浏览器接收到的是包含完整内容与结构的 HTML 文档。

本文详细介绍 Google 账号地区修改方法、Google Play 商店访问、家庭组管理配置、Gemini 学生认证流程以及常见问题的解决方案。

1. 修改地区

1.1 查看当前地区设置

修改地区前，首先确认账号当前关联的地区信息。

• Google 服务条款 - 查看账号关联的地区信息
• Google Play 商店 - 右下角显示当前地区

graph TD
    Root["Ghostty 终端(全景)"] --> Core["核心引擎(性能基石)"]
    Root["Ghostty 终端(全景)"] --> Config["个性化配置(定制)"]
    Root["Ghostty 终端(全景)"] --> UX["交互体验(原生感)"]
    Root["Ghostty 终端(全景)"] --> Ecosystem["生态扩展(高级)"]

    Core --> TechStack["Zig 语言(内存安全且快)"]
    Core --> Rendering["GPU 加速(渲染如丝般顺滑)"]
    Core --> CrossPlatform["跨平台(macOS/Linux)"]

    Config --> FileStructure["纯文本配置(~/.config/ghostty)"]
    Config --> Theming["主题配色(支持无数配色方案)"]
    Config --> Fonts["字体特性(连字/NerdFonts)"]

    UX --> NativeUI["原生 UI(无违和感)"]
    UX --> Keybinding["快捷键系统(完全自定义)"]
    UX --> TabsSplits["标签与分屏(基础窗口管理)"]

    Ecosystem --> Multiplexers["终端复用器协作(Tmux/Zellij)"]
    Ecosystem --> ShellInteg["Shell 集成(Bash/Zsh/Fish)"]
    Ecosystem --> Shaders["着色器特效(复古CRT效果等)"]

Ghostty 是一个基于 Zig 编写的跨平台终端模拟器，使用 GPU 加速提升渲染性能。相比 iTerm2 更轻快，比 Alacritty 功能更丰富，GPU 渲染即使输出大量日志也能保持流畅响应。

1. 使用场景

1.1 Prompt 和 Skills

• https://github.com/unix2dos/ai-prompt
• https://github.com/unix2dos/skills

有了 skills 后，可以维护自己的 skills 库终身使用。