从账户安全到 30 分钟生产 Web 服务搭建：AWS 核心服务的实操路径与高频踩坑速查。

我们给一个跑在 AWS ECS Fargate 上的 Go 服务做了一套日志搜索方案。链路很短：CloudWatch Logs → Firehose → S3 → EC2 → EBS → ripgrep。日志最终落到一台小 EC2 的本地磁盘上，开发者 SSH 进去用 rg 直接全文搜索。

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。

1. 防止系统休眠

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：

1.1 系统设置

「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。

1.2 Amphetamine（推荐）

Amphetamine 是一款 App Store 免费工具，提供更灵活的控制：

1. 关闭「显示器关闭允许系统睡眠」选项
2. 开启「无限期会话」
3. 最好开一个触发器：接通电源后，永远不休眠

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。

1. Armbian 简介

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：

• TF 卡启动：系统在 TF 卡上，不能拔出
• eMMC 启动：系统在内置 eMMC，TF 卡可拔出（插 TF 优先从 TF 启动）

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

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。