@witcheer 的 AI Agent 全栈实战：一台 Mac Mini、$21/月、18 个 Cron 任务

> 来源: x.com/witcheer/status/2037528582298194123

> 作者: @witcheer（DeFi 从业者）

> 发布时间: 2026-03-27

> 互动: 744 赞 / 2328 书签 / 409K 浏览

> 研究时间: 2026-03-28

🎯 一句话版本

一个 DeFi 从业者在 Mac Mini 上跑 Hermes Agent（Nous Research 出品，OpenClaw 的"兄弟"框架），每月只花 $21，配了 18 个自动化研究任务 + 35 个脚本 + 6 个 Skill，实现了"睡一觉醒来 Telegram 里有完整晨报"的效果。最有价值的不是框架本身，而是他踩的坑和搭建的"上下文复利"系统。

📊 Setup 一览

🧠 三模型分工——最聪明的设计

不用一个模型干所有事，而是按场景拆分：

为什么要分？ Z.AI coding plan 有速率限制：600 prompts / 5 小时。如果 cron 也用 GLM-5，会吃光交互配额。GLM-4.7 够用且不竞争。

压缩为什么要本地？ 这是他踩过最大的坑：

cron 跑 → 产生消息 → 上下文膨胀 → 触发压缩
→ 压缩调云 API → 消耗配额 → 速率限制
→ 压缩静默失败 → 上下文无限增长
→ Agent 响应从秒级变成 10+ 分钟

他好几天没发现，以为是网络延迟。解法：本地 Ollama 跑 Qwen3.5:4b（3.4GB），零成本零限制。

⏰ 18 个 Cron 任务：自动化研究管线

这是全文最核心的部分——如何让 AI 在你睡觉时工作：

每日任务

Nightly Builder 是最疯的那个——Agent 自己发现"缺个脚本"，然后自己写。

每小时

9am-8pm 每小时跑一次突发新闻监控（RSS + TVL 变化 + 稳定币锚定异常 + 病毒推文检测）。

🔬 研究 Cron 的 13 步流程

以 research-ai 任务为例（prompt ~3000 字）：

1. 来源验证规则 — "没亲自访问过的 URL 不许放进报告"

2. 上下文加载 — 读 7 个文件（记忆/日志/优先级/voice 指南/修正记录/研究归档/项目上下文）

3. 邮箱检查 — 用 Himalaya CLI 查通知邮件

4. arXiv 扫描 — 自定义 Python 脚本查最新论文

5. Nightly Builder 检查 — 昨晚自主构建了什么新工具？

6. Web 搜索 — 强制来源多样性："先 Techmeme，再 HN，再 Reddit，最后 web search 补充"

7. 深度阅读 — 对 2-3 篇最有趣的文章做全文抓取

8. 写入发现 — "没有写入的 session 是失败的 session"

9. 草稿 — 如果值得发帖，按 voice 规则起草

10. 质量检查 — 跑 check_draft.sh，必须 ≥70/100

11. 操作日志 — 记录本次运行

12. 上下文更新 — 更新项目文件

13. 自检 — "我写入了新内容吗？如果没有，回去做第 8 步"

第 6 步的教训：如果不强制来源多样性，GLM-4.7 只会用 Reddit（因为搜索排名高）。他好几天的晨报全是 Reddit 内容才发现。

🌰 ALIVE 上下文系统："上下文复利"

这是作者认为最有价值的部分——由 @stackwalnuts 创建的结构化上下文系统。

结构

~/world/
  .alive/               # 配置
  02_Life/witcheer/     # 个人品牌
  04_Ventures/yari-finance/  # CDP 协议（他的主业）
  04_Ventures/arcana/
  05_Experiments/oz-agent/   # Agent 本身

每个"walnut"（项目容器）有 5 个核心文件：

三层集成形成复利

Layer 1: Cron WRITE → 研究结果自动写入对应 walnut
Layer 2: Cron READ  → 研究前读取 walnut 优先级（研究和项目对齐）
Layer 3: 交互 READ  → Telegram 输入"walnuts"→ 10 秒跨项目总览

        ┌──→ 更新 tasks ──→ cron 读取新优先级
        │                          │
        │                    研究更聚焦 ←─┘
        │                          │
        └──── 我根据发现调整 ←──── 发现更相关
                    ↑
              每天都在变好

这就是"上下文复利"——今天的研究基于昨天的发现，明天的研究基于今天的积累。

✍️ 写作风格反馈循环

39,000 字符的写作指南 → AI 仍然产出 slop。

解法不是"写更多规则"，而是记录具体修改：

prompt 说: "用第一人称写"
correction 说: "你写了'并非说这是 UST 2.0'——我删了，因为提前 hedge 会削弱专业感。别再这样做。"

151 条这样的具体记录 > 39,000 字符的抽象指南。具体胜过抽象。

💡 与我们的关联——这就是我们的"兄弟"

1. Hermes Agent ≈ OpenClaw 的亲兄弟

Hermes Agent 有 hermes claw migrate 命令——官方支持从 OpenClaw 迁移。架构几乎一样：多渠道网关 + cron + skills + memory + MCP。我们的 OpenClaw 就是这套东西。

2. 我们的 setup 对比

他的关键优势：极致省钱（$21 全包），ALIVE 上下文系统的结构化程度比我们高。

我们的优势：模型质量（Claude Opus vs GLM-5，差距巨大），GPU 服务器可跑大模型。

3. 值得借鉴的

• ALIVE 系统：每个项目一个 walnut，5 个标准化文件。比我们松散的 MEMORY.md 更结构化，值得学习
• 三模型分工：我们也可以 cron 任务用 Sonnet 省钱，交互用 Opus
• Voice 反馈循环：具体修改记录 > 抽象写作指南
• 来源多样性强制：在 prompt 里写死搜索顺序
• Session idle timeout = 60 分钟：防止上下文膨胀
• "没有写入的 session 是失败的"：强制 cron 写入发现

4. 他的 alpha-scanner skill 用了 Polymarket

他的 alpha-scanner 结合 Polymarket 赔率 + 稳定币流 + RWA 动量 + 社交信号做跨源信号检测——和 Jay 的 Polymarket 交易系统思路一致。

📊 评分

报告由深度研究助手自动生成 | 2026-03-28

来源: x.com/witcheer / Hermes Agent