> 📄 文章摘要
>
>
> 我如何用 ChatGPT、OpenClaw、Obsidian、GitHub、飞书、GLM-5.1 和 Mac mini M4 构建一套个人 AI 基础设施。
> 个人 AI 基础设施不是单一工具，而是长期协同的系统。
我的 Personal AI Stack
很多人在讨论 AI Agent、第二大脑（Second Brain）、个人知识管理（PKM）和数字分身。
但过去一年，我逐渐意识到，我真正构建的并不是某个 AI 助手，而是一套持续运行的个人 AI 基础设施（Personal AI Infrastructure）。
它不是某个产品，也不是某个模型，而是一组长期协同工作的系统。
这套系统每天帮助我思考、研究、写作、开发、管理知识、处理邮件、维护网站，并持续积累长期记忆。
如果用一句话概括：
> ChatGPT 负责思考，OpenClaw 负责执行，Obsidian 负责记忆，GitHub 负责发布。
## 从工具到基础设施
大部分 AI 工作流文章的结构都差不多，先讲模型、插件、编辑器。
但我越来越觉得，工具不是重点。
重点是这些工具如何协同工作。
我的工作横跨：
• AI 基础设施研究
• 开源社区运营
• 技术写作
• Developer Relations
• 产品与生态建设
每天都会产生大量信息：
• ChatGPT 对话
• 技术研究
• GitHub 活动
• 社区讨论
• 邮件订阅
• Hacker News
• Discord
• 微信和飞书消息
问题从来不是缺少信息，而是如何组织信息。
因此我逐渐搭建出了一套围绕自己工作的 Personal AI Stack。
这不是一个单点工具，不是一个模型。它强调的是“思考、记忆、执行、发布”四个层级的持续协同。
## 整体架构
下面这个架构图展示了我的 Personal AI Stack 如何分层协同。
Personal AI Stack 架构层次
不同层级对应的核心组件如下。
| 层 | 组件 |
| — | — |
| Interface Layer | ChatGPT、Telegram、Discord、飞书、微信 |
| Reasoning Layer | ChatGPT、GLM-5.1、Claude Code、Codex |
| Memory Layer | Obsidian、Markdown、iCloud |
| Execution Layer | OpenClaw、Gmail、Calendar、Lark CLI |
| Publishing Layer | GitHub、Hugo、Cloudflare Pages |
## ChatGPT：我的思考系统
虽然很多工作流围绕 Agent 展开，但我使用频率最高的其实是 ChatGPT。
我主要用它：
• Deep Research
• 技术分析
• 架构讨论
• 内容策划
• 写作辅助
• 职业决策
与其说它是助手，不如说它更像：
• Research Partner
• Technical Advisor
• Thinking Companion
过去几年持续积累的大量对话，让它逐渐理解了我的背景、项目和长期目标。
很多文章、演讲和技术判断，实际上都来自这种持续对话。
## OpenClaw：我的执行系统
OpenClaw 是我部署在家里 Mac mini M4 上的 OpenClaw Agent。
平时主要通过 Telegram 与 OpenClaw 交互。
为了避免上下文混杂，我专门使用不同 Telegram 群组管理不同主题：
• HAMi
• AI Handbook
• Personal
• Work
• Research
• Blog
这样天然形成了 Context Isolation。
OpenClaw 负责：
• Gmail 邮件管理
• Apple Calendar 日程管理
• 定时任务
• Obsidian 操作
• GitHub 操作
• 网站维护
• 飞书知识库操作
• 自动化工作流
它更像一个 Chief of Staff，而不是聊天机器人。
OpenClaw 的价值在于把分散的执行入口统一成结构化的工作流，而不是简单的聊天界面。
### OpenClaw 的工作流
OpenClaw 的主要路径是通过 Telegram 入口展开多端执行。
OpenClaw 执行路径
## 飞书：公司工作流入口
我以前几乎没有使用过飞书。
加入现在的公司之后，公司整体提倡使用飞书，日常工作流、知识库、协作沟通都在飞书里进行。
刚开始我只是把它当成一个企业 IM 工具。
但现在看，飞书更像是公司级的工作流入口：
• 群聊
• 文档
• 知识库
• 审批
• 任务
• 自动化
对我来说，真正改变使用体验的是 Lark CLI。
通过 Lark CLI，我可以更方便地管理公司的知识库、文档和一些流程化信息。
这让飞书不只是一个聊天工具，而是可以被 OpenClaw 纳入自动化系统的一部分。
从个人 AI Stack 的角度看，飞书承担的是：
> 工作组织层。
它连接的是公司语境下的信息、知识和任务。
## Obsidian：工作记忆（Working Memory）
Obsidian 是我最常用的知识工具。
但我并不把它视为最终知识库。
对于我来说：
Obsidian = 工作记忆
这里存放：
• Daily Notes
• Weekly Reports
• Research Notes
• Inbox
• Drafts
• 临时想法
三年前开始，我养成了持续写周报的习惯。
这些周报记录了：
• 工作进展
• 学习内容
• 社区活动
• 项目演进
• 个人思考
从某种意义上说，周报构成了我的日常记忆。
而 Obsidian 则是这些记忆的载体。
## GitHub 与 jimmysong.io：长期记忆（Long-term Memory）
很多人会把博客理解为内容发布平台。
但对于我来说，jimmysong.io 更接近于我的长期记忆系统。
这个网站已经持续维护接近十年。
这里记录的不只是技术文章，更重要的是：
• 我的观点
• 我的判断
• 我的经验
• 我的成长轨迹
与 Obsidian 不同，能够进入网站的内容，通常都经过：
研究 ↓ 思考 ↓ 验证 ↓ 写作 ↓ 修改 ↓ 发布
因此：
Obsidian = 工作记忆 jimmysong.io = 长期记忆
下面这个流程展示了从 Obsidian 到网站发布的基本路径。
长期记忆发布流程
## 信息流
内容的来源、整理方式和输出渠道之间有清晰的边界，这张图揭示了我的信息流逻辑。
Personal AI Stack 信息流
## GitHub：执行与发布层
GitHub 对我来说已经不仅仅是代码仓库。
它同时承担：
• 博客内容
• 网站源码
• 文档系统
• AI Handbook
• AI Native Landscape
所有内容最终都会进入 GitHub。
GitHub Actions 自动完成：
• 构建
• 测试
• 发布
最后通过 Cloudflare Pages 提供服务。
下面这张图展示了从 Markdown 到静态站的发布路径。
GitHub 发布管道
## 我的开发工具链
目前主要使用三套 AI 开发工具。
### Claude Code
我的日常开发主力。
虽然名字叫 Claude Code，但目前主要使用智谱 GLM-5.1。
负责：
• 编码
• 重构
• 调试
• 文档维护
### Codex
主要用于：
• 初始化项目
• 大规模代码生成
• 自动执行复杂任务
### OpenClaw
负责开发之外的自动化工作。
三者形成明确分工。
下面这张图展示了我的工具链协作方式。
开发工具链协作
## 为什么不用 Claude？
这是我被问得最多的问题之一。
客观来说，Claude 在代码生成和代码理解方面确实非常强。
我也认真考虑过使用 Claude 作为主力模型。
但最终没有采用。
原因并不是模型能力，而是整体投入产出比。
首先是账号问题。
过去我多次注册 Claude 账号，都遇到过限制和封禁问题。
其次是成本问题。
因为我的所有 AI 工具都是自己付费。
所以我更关注：
> 能力 / 成本
而不是：
> 绝对能力
对于企业用户来说，Claude Max 可能是非常合理的选择。
但对于个人付费用户而言，结论可能不同。
这篇文章讨论的，是完全由我个人支付的 Personal AI Stack。
如果公司报销，或者拥有企业预算，那么很多选择都会发生变化。
## 为什么不自己部署大模型？
这是另一个高频问题。
很多人认为：
> 买一张显卡 + 开源模型 = 免费 AI
实际上往往并不是这样。
如果只是为了获得一个稳定、强大的 AI 助手，我更倾向：
> 订阅 > 自建
原因包括：
### 时间成本
维护模型本身就是工作。
包括：
• CUDA
• 驱动
• 推理框架
• 模型升级
• 网络问题
这些都需要时间。
而我希望把时间花在：
• 写作
• 社区
• 产品
• 技术研究
### 成本问题
目前：
• ChatGPT Plus
• GLM Coding Plan Max
每月总成本不到 600 元。
而一张高端 GPU：
• RTX 5090D
• RTX PRO
• 企业 GPU
通常需要数万元。
再加上：
• 电费
• 折旧
• 维护
对于我的场景来说并不划算。
### 模型升级速度
云端模型每个月都在升级。
而本地模型需要自己跟进。
对于知识工作者来说：
> 使用最新模型比拥有模型更重要。
对于个人使用者，订阅服务通常在时间成本、升级速度和稳定性上更具优势。它让你把精力集中在结果，而不是基础设施维护。
## 日常工具
除了前面介绍的核心系统之外，我还依赖一些日常工具来完善整个工作流。
• Atlas Browser：目前的主力浏览器，用于网页阅读、研究和信息收集，优秀内容会通过 Obsidian Clipper 保存到知识库。
• Warp：我最常使用的终端工具，现代化的交互体验和 AI 能力让命令行工作更加高效。
• Typora：长期使用的 Markdown 编辑器，适合沉浸式写作和长文编辑，很多博客和文档都在这里完成。
• CodexBar：用于监控 ChatGPT、Codex、Claude Code 等工具的使用情况。对于重度 AI 用户来说，Token 消耗已经成为一种需要关注的资源指标。
• 搜狗输入法：我目前主要使用的语音输入工具。相比键盘输入，语音更符合我的思考习惯，尤其是在远程办公、写作和与 AI 交流时效率更高。
这些工具本身并不是系统的核心，但它们构成了整个 Personal AI Stack 的基础体验层，让信息获取、内容创作和日常开发更加顺畅。
## 我的 AI 使用规模
目前大致消耗：
### GLM-5.1
每周：
• 6 亿 Token
每月：
• 24 亿 Token
### Codex
每周：
• 2 亿 Token
每月：
• 8 亿 Token
合计：
> 每月约 32 亿 Token
大概每天消耗 1 亿 Token。通过 ChatGPT Plus 和 GLM Coding Plan 订阅比起直接充值还是很划算的，不然这些 Token 每月至少要花 500 美元。
## 这套系统每个月花多少钱？
下面的表格对比了各项固定月度成本。
| 服务 | 月费用 |
| — | — |
| ChatGPT Plus | $19.99 |
| GLM Coding Plan Max | ¥422.1 |
| iCloud+ | $0.99 |
约：
> ¥573 / 月
OpenClaw 运行在我的 Mac mini M4 上。
硬件包括：
• Mac mini M4
• Samsung 990 Pro 1TB
• HAGIBIS 扩展坞
总投入约：
> ¥4469
按四年折旧：
> 约 100 元 / 月
### 总成本
整个 Personal AI Stack 固定成本约：
> 700 元人民币 / 月
这张成本饼图展示了 Personal AI Stack 的月度支出结构。
Personal AI Stack 月度成本估算
## FAQ
### 这是不是最强配置？
不是。
这不是“最强 AI 工具配置指南”。
这是一个完全自费、面向个人长期使用的 Personal AI Stack。
如果公司报销，或者你有更高预算，可以选择 Claude Max、Cursor、更多 API 服务，甚至本地 GPU 工作站。
但我的目标不是追求绝对最强，而是在个人预算内获得稳定、可持续、可积累的生产力。
### 为什么不全量同步 ChatGPT 对话到 Obsidian？
因为我不想把 Obsidian 变成聊天记录仓库。
我更关心：
> 哪些内容值得长期保存？
手动保存本身就是一次筛选。
这比自动同步全部内容更重要。
### 为什么不用 Notion？
不是因为 Notion 不好。
而是因为我更偏向 Markdown First。
Markdown 的好处是：
• 本地优先
• 可版本管理
• 可迁移
• AI 友好
• 适合长期保存
### 为什么 Telegram 只用来对接 OpenClaw？
因为 Telegram 的 Bot 生态和 API 更适合做 Agent 入口。
而微信、飞书、Discord 对我来说更多是人与人之间的沟通和社区协作工具。
### 为什么强调飞书？
因为加入现在的公司后，我才真正开始使用飞书。
公司整体工作流都围绕飞书展开。
对我来说，飞书不是个人知识库，而是公司知识和协作系统。
通过 Lark CLI，它可以进一步变成 OpenClaw 能够操作的工作流入口。
### 为什么不用本地 AI 工作站？
因为我的主要工作不是训练模型，也不是运营推理服务。
我的主要工作是：
• 思考
• 研究
• 写作
• 开源社区
• 软件开发
订阅模型 + Mac mini 已经足够。
本地 AI 工作站投入大、维护复杂，而且模型升级速度未必跟得上云端服务。
### 为什么不买高端 NVIDIA GPU？
如果主要目的是学习 CUDA、GPU 调度、AI Infra，购买 GPU 有价值。
但如果主要目的是日常生产力，那么高端 GPU 并不一定划算。
对于我来说：
> 订阅模型比拥有 GPU 更重要。
## 工作流比模型更重要
过去一年最大的体会是：
很多人认为 AI 的核心是模型。
但我的体验恰恰相反。
真正影响生产力的往往不是模型排行榜，而是工作流设计。
一个 95 分的模型放在优秀工作流里，通常比一个 100 分的模型放在混乱工作流里更有价值。
从某种意义上说，这和云原生世界的发展过程非常相似。
GPU 很重要，但调度系统同样重要。
模型很重要，但工作流同样重要。
Agent 很重要，但长期记忆和执行系统同样重要。
对于我来说，Personal AI Stack 的最终目标并不是替代人。
而是把思考、记忆和执行连接起来，让更多时间留给真正重要的事情。
## 总结
这篇文章把我的 Personal AI Stack 定义为长期可运行的基础设施，而不是单一工具或单一模型。
核心结论是：在个人付费场景下，稳定的工作流、持续的记忆系统和可执行的自动化，比追求最强模型更能提升生产力。
如果你的目标是长期累计价值，那么把时间放在“协同方式”上，往往比把时间放在“模型排名”上更有回报。
