1. 项目概述：当AI Agent成为打工人的“赛博搭子”

最近和几个朋友聊天，话题总绕不开“内卷”和“精神内耗”。大家普遍的感觉是，工作像一场永无止境的消耗战，白天被KPI和会议填满，晚上又被焦虑和失眠困扰，形成了一个“情绪差 -> 效率低 -> 加班 -> 睡眠更差”的恶性循环。我们需要的不是另一个督促我们“更努力”的工具，而是一个能理解我们状态、提供实际支持的“伙伴”。这正是我尝试用QClaw搭建一个专属“情绪-生存-睡眠”Agent的初衷。

简单来说，这个项目就是利用QClaw这个新兴的AI Agent开发框架，创建一个专为打工人设计的智能体。它不再是一个冷冰冰的任务执行器，而是一个具备“感知-分析-行动”闭环的数字化助手。它的核心目标非常明确：对抗无效内卷带来的身心损耗。通过主动监测你的情绪波动（比如从聊天记录或日记中分析出“今天很烦躁”）、管理你的生存底线（定时提醒喝水、吃饭、起来活动），并最终服务于高质量的睡眠（生成助眠白噪音、提供睡前放松指导），这个Agent试图在系统的层面，为打工人的身心健康筑起一道防线。

你会发现，市面上大多数效率工具都在教你如何“做得更多”，而这个Agent的哲学是教你如何“损耗更少”。它关注的是输入（你的精力、情绪）而非仅仅是输出（完成了多少任务）。QClaw框架的选择也很有意思，它不像一些重型框架那样复杂，又比简单的脚本强大，正好适合我们这种想要快速实现一个有用、有趣的个人化智能体的场景。接下来，我就把自己从零开始构建这个“赛博搭子”的全过程、踩过的坑以及一些意想不到的收获，详细拆解给你看。

2. 核心设计思路：为什么是“情绪-生存-睡眠”三角？

在动手写代码之前，我花了很长时间思考这个Agent的定位。为什么是这三个维度？它们之间有什么内在逻辑？直接做一个提醒喝水的App或者一个情绪日记本不更简单吗？这里面的设计思路，恰恰是让Agent从“玩具”变成“工具”的关键。

2.1 需求三角模型：从消耗到修复的闭环

打工人的精力管理，本质上是一个能量流动系统。无效内卷之所以可怕，是因为它制造了一种“高投入、低回报”且持续消耗心力的状态。要打破它，不能只在一个点上用力，必须建立一个系统性的支持体系。我将其抽象为一个“需求三角模型”：

1. 情绪层（上层建筑）：这是最直接的心理感受层，包括压力、焦虑、兴奋、沮丧等。情绪状态直接影响工作专注度和创造力。但情绪是结果，而非原因。单纯记录情绪价值有限，Agent需要能分析情绪背后的潜在诱因（如连续工作时间过长、社交互动匮乏）。
2. 生存层（基础设施）：这是最物理、最基础的层面，包括 hydration（水分）、nutrition（营养）、movement（活动）。这些是维持生理机能的基础，但在高压工作中最容易被忽视。身体的不适（如脱水、饥饿、久坐酸痛）会显著加剧负面情绪。
3. 睡眠层（修复核心）：睡眠是身体和大脑进行修复、整合记忆、清除代谢废物的黄金时间。睡眠质量直接决定第二天的情绪基线和认知资源。糟糕的睡眠会让情绪管理和自律变得极其困难。

这三者形成一个闭环：糟糕的情绪和高压工作会侵占生存活动（忘记喝水吃饭）和睡眠时间；而生存需求的忽视和睡眠的不足，又会进一步恶化情绪，降低工作效率，导致更严重的内卷。因此，这个Agent的设计核心，就是同时在这三个层面进行轻量级、自动化的干预，打破恶性循环，形成一个“感知-提醒-辅助-改善”的正向增强回路。

2.2 技术选型：为什么是QClaw？

确定了做什么，接下来就是用什么做。AI Agent框架很多，从学术研究型的AutoGPT、BabyAGI，到更产品化的LangChain、LlamaIndex，还有近期热门的CrewAI、Hermes等。我最终选择QClaw，是基于以下几个非常实际的考量：

• 轻量与高效：QClaw的宣传点之一是“轻量级高性能”。对于个人项目而言，我不需要企业级的功能全家桶。QClaw的代码结构看起来更清晰，依赖较少，部署和调试的心理负担小。我不想把大部分时间花在配置复杂环境上。
• 强调“技能”（Skill）与“工具”（Tool）：QClaw的架构将Agent的能力明确划分为Skills（技能，如“分析情绪”、“生成建议”）和Tools（工具，如“读取文件”、“发送通知”）。这种设计非常符合我对这个项目的模块化构想。情绪监测、生存提醒、睡眠辅助正好可以做成三个独立的Skill，然后由一个主Agent协调调度。
• 对中文和本地化场景的友好性：虽然很多框架都支持中文，但QClaw的文档和社区讨论中，中文用例出现的频率较高，这通常意味着在处理中文语义、时区、本地服务集成（如微信、钉钉）时可能遇到的坑会更少，或者有更现成的解决方案可以参考。
• 易于与本地模型集成：我的一个硬性要求是，涉及个人情绪和日记等隐私数据，绝不能无条件上传到云端大模型。我需要Agent能方便地调用本地部署的LLM（大语言模型），例如通过Ollama运行的模型。QClaw在这方面提供了相对简洁的配置方式。

注意：框架选择没有绝对的对错。LangChain生态强大但学习曲线陡峭；CrewAI擅长多Agent协作但可能杀鸡用牛刀。对于这个聚焦于单一用户、任务明确的项目，QClaw在灵活性和易用性上取得了不错的平衡。

3. 系统架构与核心模块拆解

有了思路和工具，就可以开始搭积木了。整个系统的架构我画了一个简单的示意图（在脑中），核心是一个主调度Agent，它连接着三个功能模块（Skill）和两个支撑系统。

[用户输入/系统触发] | v [主调度Agent (QClaw Core)] | |----------------|-------------------| v v v [情绪感知Skill] [生存监控Skill] [睡眠辅助Skill] | | | [本地LLM (Ollama)] | [音频生成库] | | | [隐私数据源] [系统定时器 & API] [媒体播放器] (日记/聊天记录) (日历/健康App) (音箱/耳机)

3.1 模块一：情绪感知Skill——做你的“数字镜子”

这个模块的目标是非侵入性地感知用户的情绪状态。我坚决反对让用户每天手动填写情绪表格，那本身就是一种负担。我的设计思路是被动分析加主动询问。

1. 数据源接入：

• 日记文件：我使用Day One这类日记App，并配置其将每日日记以纯文本形式导出到指定文件夹。Agent的Tool会定时（如每晚10点）扫描这个文件夹，读取新内容。
• 即时通讯摘要：通过一些可编程的自动化工具（如iOS的快捷指令或Mac的Automator），将一天中在特定工作群（非私密群）的聊天记录，在征得自己同意且确保隐私的前提下，生成一个“今日沟通摘要.txt”文件。同样提供给Agent读取。
• 手动快速记录：提供一个极简的入口，比如向一个特定的Telegram Bot或微信服务号发送“今天好累”，Agent会将其作为一条情绪记录。

2. 核心分析与提示工程：数据有了，如何分析？这里就是本地LLM（我选用的是qwen2.5:7b，体积和效果比较均衡）发挥价值的地方。我设计了一套提示词（Prompt），让模型不是做简单的情感分类（积极/消极），而是进行更细致的分析：

# 这是一个简化的Prompt示例 emotion_analysis_prompt = """ 你是一个细心且富有同理心的生活助理。请分析以下用户在过去一段时间内的文字记录，并从以下几个方面给出洞察： 1. **情绪基调**：用几个关键词描述整体情绪（如：平和、焦虑、兴奋、疲惫、烦躁）。 2. **压力源识别**：尝试从文字中识别可能造成压力的因素（如：项目截止日、人际沟通、不确定性）。 3. **能量水平评估**：根据文字中表现出的活力和专注度描述，评估其能量等级（高/中/低）。 4. **一句关怀建议**：基于以上分析，给出一句简短、温暖、非说教的关怀或提醒。 用户记录： {user_text} 请以JSON格式回复，包含以下键：`mood_tone`, `stressors`, `energy_level`, `care_suggestion`。 """

3. 输出与行动：分析结果（JSON格式）会被存储起来，并触发两种行动：

• 生成情绪日志：将分析结果追加到一份私密的周度/月度情绪报告中，让我能回顾情绪变化趋势。
• 触发生存层干预：如果识别出“高压力”或“低能量”，主Agent会提高生存监控的提醒优先级，或者在当天晚些时候，让睡眠辅助Skill提供更有针对性的放松方案。

实操心得：一开始我让模型分析得太细，结果响应慢且不稳定。后来发现，对于日常感知，抓住几个关键维度就足够了。另外，一定要让模型以结构化格式（如JSON）输出，这能极大简化后续的数据处理逻辑。提示词里强调“非说教”非常重要，否则AI容易变成烦人的“教导主任”。

3.2 模块二：生存监控Skill——你的“隐形健康管家”

这个模块的目标是确保最基本的生理需求不被工作淹没，实现方式主打“无感”和“及时”。

1. 提醒策略设计：反对每隔一小时就弹窗提醒“该喝水了”的粗暴方式。我设计的策略是基于状态和情境的智能提醒：

• 喝水：结合日历数据。如果检测到接下来有一个长达2小时的会议，则在会议开始前5分钟提醒“记得带水杯进会议室”。如果下午连续工作超过90分钟无系统休息记录（通过电脑活动监测粗略判断），则提醒“起来走动一下，顺便接杯水吧”。
• 饮食：与外卖App或日历集成。在常规午餐时间（如12:00-13:00）如果检测到日历上仍有未完成的密集任务，则提前30分钟发送温和提醒“午餐时间快到了，先暂停一下，给大脑充充电吧”。
• 活动：集成系统API（如macOS的istats或Windows的psutil）粗略统计电脑持续使用时间。每50分钟，若活动量低，则建议进行“5分钟微活动”（如拉伸颈部、远眺）。这个建议会以一条不会打断当前焦点的通知形式出现。

2. 技术实现要点：

• QClaw Tool封装：我将“读取日历”、“检查电脑活跃状态”、“发送系统通知”等功能分别封装成QClaw的Tool。生存监控Skill本质上是一个定时调度器，它根据一套规则（if-else或一个简单的规则引擎）决定在何时调用哪个Tool。
• 避免打扰：所有通知都设置为“低优先级”且可快速关闭。核心原则是：提供信息，而非制造中断。Agent的默认状态应该是“静默观察，必要时轻推一把”。

3.3 模块三：睡眠辅助Skill——打造“入睡仪式感”

这个模块的目标是帮助大脑从工作模式平滑过渡到睡眠模式，改善入睡体验和睡眠质量。

1. 睡前引导流程：在预设的睡眠时间前45分钟，主Agent会启动睡眠辅助Skill，执行一个“数字睡前仪式”：

• 环境检查：通过智能家居API（我用了Home Assistant的本地接口），自动将卧室灯光调至暖黄、低亮度模式。
• 放松内容生成：调用本地LLM，根据当天情绪感知模块的输出，生成一段简短的、个性化的放松引导文本。例如，如果当天压力源是“项目汇报”，引导语可能会是：“现在，慢慢地将注意力从白天的演示文稿上移开，想象那些幻灯片像羽毛一样轻轻飘走...”。
• 白噪音/音乐播放：根据我的偏好（或随机选择），通过脚本控制本地音乐播放器（如mpv或VLC的命令行）播放一段助眠白噪音（雨声、篝火声）或舒缓的纯音乐。音乐列表和音频文件是本地存储的。

2. 核心技术点：

• 文本转语音（TTS）：为了让放松引导更自然，我使用了本地TTS引擎（如pyttsx3或edge-tts的离线模式）将LLM生成的引导文本转换成语音，与白噪音混合播放。这比单纯的文字阅读体验好很多。
• 流程编排：这个Skill很好地体现了QClaw的流程控制能力。它需要按顺序执行多个动作：获取情绪数据 -> 生成文本 -> TTS转换 -> 控制灯光 -> 播放音频。我在QClaw中将这些动作定义为一个Workflow，使得逻辑非常清晰。

4. 基于QClaw的具体实现步骤

理论说再多，不如一行代码。下面我以最核心的“情绪感知Skill”为例，展示如何在QClaw中具体实现。

4.1 环境准备与QClaw初始化

首先，确保你的Python环境（建议3.9+），然后安装QClaw。根据其官方文档，通常很简单：

pip install qclaw

接下来，初始化一个QClaw项目，并创建主Agent和Skill的骨架。QClaw的目录结构比较直观：

my_wellbeing_agent/ ├── config.yaml # 配置文件，存放API密钥、模型路径等 ├── main_agent.py # 主调度Agent入口 ├── skills/ # 技能目录 │ ├── __init__.py │ ├── emotion_skill.py │ ├── survival_skill.py │ └── sleep_skill.py ├── tools/ # 工具目录 │ ├── __init__.py │ ├── file_reader.py │ ├── ollama_client.py │ └── notifier.py └── data/ # 数据存储目录 └── emotion_logs.json

在config.yaml中，配置关键参数，尤其是本地Ollama模型的地址：

# config.yaml ollama: base_url: "http://localhost:11434" # Ollama默认地址 model: "qwen2.5:7b" # 使用的模型名称 paths: diary_folder: "/path/to/your/diary/exports" chat_summary_file: "/path/to/daily_summary.txt" schedule: emotion_check: "22:00" # 每晚10点分析情绪 hydration_reminder_interval: 120 # 喝水提醒间隔（分钟，仅在活跃时段）

4.2 构建工具（Tools）

工具是Agent的手和脚。我们先实现一个读取文件和调用Ollama的工具。

# tools/file_reader.py import os from typing import Optional from qclaw.tools import BaseTool class FileReaderTool(BaseTool): """读取指定路径文本文件的工具""" name = "file_reader" description = "读取指定路径下的文本文件内容" def __init__(self, config): super().__init__(config) def run(self, file_path: str) -> Optional[str]: """执行读取操作""" if not os.path.exists(file_path): return f"错误：文件不存在 - {file_path}" try: with open(file_path, 'r', encoding='utf-8') as f: content = f.read() return content except Exception as e: return f"读取文件时出错：{e}" # tools/ollama_client.py import requests import json from qclaw.tools import BaseTool class OllamaClientTool(BaseTool): """与本地Ollama服务交互的工具""" name = "ollama_client" description = "调用本地Ollama大语言模型进行对话或分析" def __init__(self, config): super().__init__(config) self.base_url = config['ollama']['base_url'] self.model = config['ollama']['model'] def run(self, prompt: str, system_prompt: str = None) -> str: """发送提示词到Ollama并返回回复""" payload = { "model": self.model, "prompt": prompt, "stream": False, "system": system_prompt, "options": {"temperature": 0.7} # 适当温度，保持一定创造性 } try: response = requests.post(f"{self.base_url}/api/generate", json=payload, timeout=60) response.raise_for_status() result = response.json() return result.get('response', '').strip() except requests.exceptions.RequestException as e: return f"调用Ollama API失败：{e}"

4.3 实现情绪感知技能（Skill）

Skill是Agent的核心能力单元。它使用Tools来完成特定任务。

# skills/emotion_skill.py import json import schedule import time from datetime import datetime from qclaw.skills import BaseSkill from tools.file_reader import FileReaderTool from tools.ollama_client import OllamaClientTool class EmotionPerceptionSkill(BaseSkill): """情绪感知技能""" name = "emotion_perception" description = "通过分析日记和聊天记录，感知用户情绪状态" def __init__(self, config, tools): super().__init__(config, tools) self.file_reader = tools['file_reader'] self.ollama = tools['ollama_client'] self.diary_path = config['paths']['diary_folder'] self.summary_path = config['paths']['chat_summary_file'] self.log_file = "data/emotion_logs.json" def analyze_emotion(self, text: str) -> dict: """核心情绪分析函数""" analysis_prompt = f""" ... (此处填入前面设计好的详细Prompt) ... 用户记录： {text} """ response = self.ollama.run(analysis_prompt) # 尝试解析JSON响应 try: # 有时模型回复会包含一些额外说明，尝试提取JSON部分 start_idx = response.find('{') end_idx = response.rfind('}') + 1 if start_idx != -1 and end_idx != 0: json_str = response[start_idx:end_idx] result = json.loads(json_str) else: # 如果找不到完整JSON，返回原始响应 result = {"raw_response": response} except json.JSONDecodeError as e: result = {"error": f"JSON解析失败: {e}", "raw_response": response} return result def daily_check(self): """每日定时执行的情绪检查任务""" print(f"[{datetime.now()}] 开始执行每日情绪检查...") all_text = "" # 1. 读取日记 # 假设日记文件以日期命名，如 diary_20231027.txt today = datetime.now().strftime("%Y%m%d") diary_file = f"{self.diary_path}/diary_{today}.txt" diary_content = self.file_reader.run(diary_file) if diary_content and not diary_content.startswith("错误"): all_text += f"【今日日记】\n{diary_content}\n\n" # 2. 读取聊天摘要 summary_content = self.file_reader.run(self.summary_path) if summary_content and not summary_content.startswith("错误"): all_text += f"【今日沟通摘要】\n{summary_content}\n" if not all_text: print("今日无新内容可分析。") return # 3. 调用模型分析 print("正在调用模型分析情绪...") analysis_result = self.analyze_emotion(all_text) print(f"分析结果：{analysis_result}") # 4. 保存结果 log_entry = { "date": today, "analysis": analysis_result, "timestamp": datetime.now().isoformat() } self._save_to_log(log_entry) # 5. 根据结果，可能触发其他Skill的干预 # 例如，如果能量等级为“低”，可以触发生存监控的加强提醒 if isinstance(analysis_result, dict) and analysis_result.get('energy_level') == '低': # 这里可以发布一个内部事件，主Agent或其他Skill监听并处理 print("检测到低能量状态，已标记。") # self.emit_event("low_energy_detected", {"time": datetime.now()}) def _save_to_log(self, entry: dict): """将分析结果保存到JSON日志文件""" try: with open(self.log_file, 'r+', encoding='utf-8') as f: try: data = json.load(f) except json.JSONDecodeError: data = [] data.append(entry) f.seek(0) json.dump(data, f, ensure_ascii=False, indent=2) except FileNotFoundError: with open(self.log_file, 'w', encoding='utf-8') as f: json.dump([entry], f, ensure_ascii=False, indent=2) def setup_schedule(self): """设置定时任务""" # 使用schedule库设置每晚10点执行 schedule.every().day.at(self.config['schedule']['emotion_check']).do(self.daily_check) print(f"情绪感知技能已安排，每日 {self.config['schedule']['emotion_check']} 执行。") def run(self): """Skill的主运行循环（供主进程调用）""" self.setup_schedule() while True: schedule.run_pending() time.sleep(60) # 每分钟检查一次任务

4.4 组装主Agent并运行

主Agent负责初始化所有组件，并管理它们之间的协作。

# main_agent.py import yaml import threading from qclaw.agent import Agent from skills.emotion_skill import EmotionPerceptionSkill from skills.survival_skill import SurvivalMonitorSkill from skills.sleep_skill import SleepAidSkill from tools.file_reader import FileReaderTool from tools.ollama_client import OllamaClientTool from tools.notifier import SystemNotifierTool # 假设还有一个通知工具 def load_config(): with open('config.yaml', 'r', encoding='utf-8') as f: return yaml.safe_load(f) def main(): config = load_config() # 1. 初始化工具 tools = { 'file_reader': FileReaderTool(config), 'ollama_client': OllamaClientTool(config), 'notifier': SystemNotifierTool(config), } # 2. 初始化技能 emotion_skill = EmotionPerceptionSkill(config, tools) survival_skill = SurvivalMonitorSkill(config, tools) # 需自行实现 sleep_skill = SleepAidSkill(config, tools) # 需自行实现 # 3. 创建主Agent，并注册技能 my_agent = Agent(name="WellbeingGuardian", config=config) my_agent.register_skill(emotion_skill) my_agent.register_skill(survival_skill) my_skill.register_skill(sleep_skill) print("打工人身心健康守护Agent启动成功！") print("正在运行情绪感知、生存监控、睡眠辅助模块...") # 4. 在每个独立的线程中运行各个技能的循环（简化示例） # 实际中，QClaw可能有更好的并发管理方式 emotion_thread = threading.Thread(target=emotion_skill.run, daemon=True) survival_thread = threading.Thread(target=survival_skill.run, daemon=True) emotion_thread.start() survival_thread.start() # 主线程可以处理其他事件或保持运行 try: while True: time.sleep(1) except KeyboardInterrupt: print("\n正在关闭Agent...") if __name__ == "__main__": main()

运行这个主程序，你的专属Agent就开始在后台默默工作了。它会定时分析你的日记，提醒你喝水活动，并在睡前为你营造放松的氛围。

5. 部署、调优与避坑指南

把代码跑起来只是第一步，让这个Agent真正“好用”且“耐用”，还需要解决部署和日常使用中的一系列问题。

5.1 部署方案选择

• 本地常驻（推荐给极客）：在一台始终开机的电脑（比如家里的NAS、旧笔记本或树莓派）上运行。这是隐私性最好的方案。你需要解决的是如何让程序在后台稳定运行，以及如何从公司网络访问家里的服务（如果需要远程触发）。可以使用systemd（Linux）或LaunchAgents（macOS）创建服务，或者用screen/tmux会话保持运行。
• 云服务器（推荐给希望随时访问的用户）：购买一台最基础的云服务器（如腾讯云/阿里云的轻量应用服务器）。将代码部署上去，并通过反向代理（如Nginx）暴露安全的API接口。这样你可以在任何地方通过手机App或浏览器触发Agent功能。务必注意服务器安全设置和API鉴权，防止隐私数据泄露。
• 容器化部署（便于迁移）：使用Docker将整个Agent及其依赖打包。这能完美解决环境一致性问题。你可以在本地或云服务器上通过docker-compose up -d一键启动。Dockerfile需要包含Python环境、项目代码以及任何系统依赖（如音频播放库）。

5.2 性能与稳定性调优

1. 模型响应慢：本地7B模型在CPU上推理可能较慢（一次分析需要10-30秒）。可以考虑：

   • 使用量化模型：Ollama提供了很多-q4_0、-q8_0等量化版本的模型，体积更小，速度更快，精度损失在可接受范围内。
   • 升级硬件：如果有条件，给服务器加一块消费级显卡（如RTX 4060），使用GPU推理速度会有质的飞跃。
   • 异步处理：将耗时的LLM调用改为异步非阻塞模式，避免阻塞主线程和其他技能的运行。QClaw可能支持异步Tool，需要查阅其文档。

2. 误报与打扰：Agent的提醒变得烦人是失败的开端。

   • 设置“勿扰时段”：在代码中集成系统勿扰模式检测，或者在特定时间段（如深度工作时段）自动降低提醒频率。
   • 增加反馈机制：每次提醒后，可以有一个简单的反馈按钮（比如在通知里快速回复“知道了”或“别再提醒这个”），让Agent学习你的偏好。
   • 引入衰减算法：对于同类型提醒，如果用户多次忽略，则当天不再重复提醒。

3. 数据隐私与安全：这是生命线。

   • 所有数据本地存储：日记、分析日志、配置文件全部放在本地加密磁盘或你信任的私有云。
   • 慎用第三方API：如果集成智能家居，尽量使用本地局域网协议（如Home Assistant的本地API），避免数据经过厂商服务器。
   • 配置文件分离：将敏感信息（如路径、IP地址）放在config.yaml中，并将该文件加入.gitignore，防止误提交到公开仓库。

5.3 常见问题与排查（Q&A）

Q1: 运行主程序时报错，提示找不到qclaw模块或某些依赖。A1:确保你是在安装了所有依赖的虚拟环境中运行。使用pip install -r requirements.txt（如果你创建了该文件）或手动检查安装qclaw、schedule、requests、pyyaml等包。对于音频播放，可能还需要pygame或pydub。

Q2: Ollama服务连接失败，提示“Connection refused”。A2:首先确保Ollama服务已经启动。在终端运行ollama serve并保持前台运行，或者将其配置为系统服务。检查config.yaml中的base_url是否正确（默认是http://localhost:11434）。如果是远程服务器，需要确认Ollama服务监听地址（OLLAMA_HOST环境变量）和防火墙设置。

Q3: 情绪分析的结果总是很奇怪，或者不是JSON格式。A3:这是提示词工程问题。首先，在Ollama的WebUI或命令行里单独测试你的Prompt，看模型返回是否稳定。其次，在Prompt中强烈要求模型以JSON格式输出，并给出明确的键名。可以增加类似“你必须且只能输出一个合法的JSON对象，不要有任何其他解释文字”的指令。最后，在代码中做好异常处理，对非JSON响应进行降级处理（如记录原始文本）。

Q4: 定时任务不执行，或者执行了一次就停了。A4:schedule库需要在循环中不断调用run_pending()。确保你的Skill的run()方法里有一个while True循环，并且没有因为异常而退出。检查日志是否有错误信息。对于更复杂的定时需求，可以考虑使用APScheduler等更强大的库。

Q5: 如何让Agent在开机时自动启动？A5:

• Linux (systemd): 创建一个my-agent.service文件放在/etc/systemd/system/，配置ExecStart为你的Python命令路径。
• macOS (LaunchDaemon): 创建一个.plist文件放在~/Library/LaunchAgents/，使用launchctl load加载。
• Windows (任务计划程序): 创建一个基本任务，触发器设为“计算机启动时”，操作为启动你的Python脚本。

6. 效果评估与未来迭代方向

这个项目我从构思到实现第一个可用的版本，断断续续花了两周左右的业余时间。现在它已经在我的一台旧Mac Mini上稳定运行了一个多月。说几点最真实的感受：

效果评估：

• 情绪感知：准确率大概在70%左右。它能比较可靠地识别出“疲惫”和“兴奋”，但对于更复杂的情绪（比如“焦虑中带着期待”）识别有限。最大的价值不在于分析的绝对准确，而在于它提供了一个定期回顾的契机。每周看看情绪日志，能发现自己压力大的规律（比如每周三下午），从而主动调整。
• 生存监控：这是最立竿见影的功能。被提醒后去接水、站起来伸个懒腰，生理上的即时舒适感很强。它确实减少了我因为专注而导致的“废寝忘食”的次数。
• 睡眠辅助：睡前45分钟自动调暗灯光、播放混合了引导语的白噪音，这个“数字仪式”非常有效。它像一个开关，帮助大脑建立“听到这个声音就该放松了”的条件反射，入睡时间感觉有所缩短。

它没有解决的：

• 它无法替代真正的社交、运动和专业的心理疏导。它只是一个辅助工具。
• 初期会有“新鲜感效应”，觉得好玩，后来可能会忽略它的提醒。需要自己保持一定的参与度。

未来迭代想法：

1. 多模态输入：接入摄像头（非连续录制，仅定时抓拍）分析工作时的表情和姿态，更客观地评估疲劳度。
2. 个性化学习：让Agent学习我对不同提醒的反馈（忽略、执行、推迟），动态调整提醒策略和语气，变得更“贴心”。
3. 与专业工具集成：将分析结果导出到Notion或Obsidian，形成更完善的生活管理看板。
4. 开发简易前端：做一个简单的Web仪表盘，可视化展示情绪趋势、喝水统计等，体验会更完整。

回过头看，用QClaw构建这样一个Agent的过程，本身就像一次对自身工作生活状态的深度审视。技术在这里不是制造焦虑的帮凶，而是帮助我们建立更健康数字习惯的盟友。这个项目的代码可能不会多么优雅高效，但它切实地在我对抗“无效内卷”的战斗中，提供了一个小小的、自动化的喘息空间。如果你也感到被工作节奏裹挟，不妨试试亲手打造一个这样的“赛博搭子”，这个过程本身，或许就是一种最好的治愈。