MacBook 作为本地开发服务器或家庭服务器时，需要解决两个核心问题：防止系统休眠和远程访问。
MacBook 默认在空闲时进入睡眠状态，这会中断服务运行。以下是两种解决方案：
「系统设置 → 电池 → 选项」：开启当显示器关闭时，防止 Mac 自动进入睡眠。
Amphetamine 是一款 App Store 免费工具，提供更灵活的控制：
Claude Agent SDK 是 Claude Code 的可编程库，支持 Python 和 TypeScript。本文演示 query() 和 ClaudeSDKClient 两种使用方式。
Armbian 不是独立的 Linux 发行版，而是基于 Debian/Ubuntu 构建的镜像框架，为 ARM 开发板提供优化的内核和设备树支持。
为什么不直接刷 Ubuntu？RK3566 等 ARM 盒子没有 PC 的标准启动方式（UEFI/ACPI），启动依赖 U-Boot + 设备树/驱动。通用 Ubuntu Server ARM64 镜像缺乏底层适配，直接写盘大概率无法启动或缺少网卡/USB 驱动。
Armbian 提供 Ubuntu flavor（Noble/Jammy 等），用户态是 Ubuntu apt 生态，底层由 Armbian 负责适配。若目标是稳定运行 Docker，推荐 Debian 12。
启动方式对比：
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。
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：
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 channelContext7 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：
Next.js v14），避免 API 错误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。
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。