1. 项目缘起当AI助手开始“管”我最近我身边用QClaw的朋友越来越多了。这玩意儿本质上是个AI智能体平台你可以通过自然语言给它下指令让它帮你处理各种事情比如查资料、写邮件、管理日程。但用久了我总觉得缺了点什么——它太“工具化”了。每次互动都像在完成一个任务输入指令得到结果然后结束。它不会在我熬夜时提醒我该睡了不会在我连续工作几小时后建议我起来活动一下更不会在我情绪低落时发来一句简单的问候。它高效、精准但也冰冷、被动。这让我想起了我妈。虽然有时候会觉得她唠叨但那些“吃饭了吗”、“早点睡”、“别老盯着电脑”的叮嘱背后是实实在在的关心。于是一个念头冒了出来能不能给QClaw注入一点这种“人情味”让它从一个纯粹的执行工具变成一个能主动关心我、提醒我的“赛博搭子”说干就干我花了三天时间基于QClaw的Skill开发框架捣鼓出了一个名为「赛博搭子」的自定义技能。现在它已经成了我数字生活里一个特别的存在在某些方面甚至比我妈还“细心”和“持久”。这个Skill的核心目标很简单让AI学会主动关心人。它不是被动响应我的命令而是基于我的行为数据、时间、甚至简单的情绪信号主动发起有意义的互动。这背后涉及到的远不止是写几行调用API的代码更多的是对“关心”这个行为的逻辑拆解、数据维度的设计以及如何在“贴心”和“烦人”之间找到那个微妙的平衡点。2. 核心设计拆解“关心”背后的逻辑链要给机器赋予“关心”的能力首先得把“关心”这个抽象概念拆解成一系列可观测、可判断、可执行的具体逻辑。这不能靠臆想得从真实的人际关怀中提取模式。2.1 从“我妈式关心”到“数据驱动关怀”我仔细回忆并记录了我妈以及身边真正关心你的人的关怀行为模式大致可以归纳为以下几个维度健康作息监管这是最经典的。核心判断依据是时间和设备使用状态。比如晚上11点后如果检测到我的电脑或手机仍处于活跃状态就会触发“熬夜提醒”。工作强度预警长时间连续工作是对精力和健康的透支。这里需要引入活动区间的概念。例如如果系统检测到我连续坐在电脑前超过2小时没有任何“离开”事件如锁屏、系统休眠就会建议我休息。周期性习惯养成关心也体现在帮助建立好习惯上。比如每天提醒喝水、每周提醒运动。这需要定时任务和完成度记录。情绪状态感知初级这是比较难的一环。纯文本分析情绪对于个人Skill来说太重且涉及隐私。我采用了一种取巧的方式关键词触发。例如我在和QClaw的其他对话中如果出现了“累了”、“烦”、“压力大”等负面词汇或者在日程安排中频繁出现“加班”、“紧急”等高压词汇Skill会记录一个“压力值”并在合适的时机比如任务间隙推送一些舒缓的音乐链接或简单的鼓励话语。信息同步与提醒基于我日历中的日程在事件发生前进行智能提醒。这不仅仅是简单的时间前置而是结合事件类型如会议、健身、约会给出不同的提示语。基于以上维度我设计了「赛博搭子」Skill的核心逻辑架构一个基于事件监听的主动关怀引擎。它不再是被动等待指令而是持续监听几个关键的数据源时间、简单的用户活动推断、对话文本中的关键词、日历并根据一套规则引擎决定在何时、以何种方式、发出何种关怀。2.2 技术选型与方案取舍QClaw提供了灵活的Skill开发框架支持Python和JavaScript。我选择了Python主要因为其生态中有丰富的库可以方便地处理时间、规则匹配以及后续可能用到的简单数据分析。核心方案取舍点活动监测如何实现方案A侵入式/高精度开发一个常驻后台的客户端程序实时监控系统进程、键盘鼠标活动。精度最高但涉及复杂的跨平台开发、权限申请且用户隐私顾虑大。方案B非侵入式/推断式利用QClaw平台可能提供的“用户在线状态”或“最后活动时间”API结合日历日程进行推断。例如如果用户在日历中标记了一个2小时的“深度工作”时段且期间没有其他聊天记录就可以推断他可能处于连续工作状态。我的选择鉴于Skill的轻量化初衷和隐私考虑我选择了方案B的变体。我主要依赖时间和用户与QClaw的交互事件作为主要输入。连续工作预警通过“若在计划的工作时段内超过N分钟无新的对话或指令输入则可能处于专注状态”来推断。虽然存在误判比如我在用电脑看书但为了不过度打扰这个精度是可以接受的。关怀触发如何做到“不烦人”核心矛盾主动关怀的初衷是好的但频繁或不合时宜的提醒会变成骚扰。这里引入了“勿扰模式”和“关怀冷却期”的概念。勿扰模式用户在日历中标记的“会议中”、“睡眠”等时段Skill自动静默。关怀冷却期同类型关怀如“休息提醒”触发后无论条件是否再次满足在接下来的几个小时内不再重复触发防止刷屏。优先级队列不同类型的关怀有不同优先级。例如“健康预警”如检测到疑似彻夜未眠优先级高于“习惯养成提醒”如喝水。注意所有设计都遵循一个原则——推断而非监控建议而非命令。Skill的所有判断都基于用户主动提供或平台公开可用的信息绝不窃取隐私。所有提醒都以“建议”、“温馨提示”的口吻发出并附带一个快捷指令让用户可以选择“忽略此类提醒1天”。3. 实操构建三步打造你的“赛博搭子”下面我将以QClaw的Python Skill开发环境为例拆解构建「赛博搭子」的核心步骤。即使你不是开发者了解这个过程也能帮你更好地理解AI智能体如何“思考”。3.1 第一步搭建Skill骨架与事件监听器首先需要在QClaw开发者平台创建一个新的Skill项目。核心文件是一个skill.py其中定义了Skill的元数据名称、描述、版本和入口函数。# skill.py - 骨架 import asyncio from datetime import datetime, timedelta from typing import Optional from qclaw_sdk import Skill, Context, Event skill Skill(namecyber_buddy, version1.0.0, description你的赛博朋友主动关心你的健康与状态。) # 定义一个全局状态存储用于记录上次触发时间等实际生产环境应用数据库 user_state {} skill.on_event(user_message) # 监听用户发送消息事件 async def on_user_message(event: Event, ctx: Context): 监听用户消息提取关键词并更新状态 user_id event.user_id message event.text.lower() # 更新用户最后活动时间 user_state.setdefault(user_id, {})[last_active] datetime.now() # 简单关键词匹配更新情绪压力标记 stress_keywords [累死了, 好烦, 压力大, 不想干了, 加班] if any(keyword in message for keyword in stress_keywords): user_state[user_id][stress_flag] True user_state[user_id][stress_time] datetime.now() # 可以记录但不立即触发等待定时检查任务处理 skill.on_event(schedule) # 监听定时任务事件QClaw会定期触发 async def scheduled_check(event: Event, ctx: Context): 核心定时检查函数每分钟运行一次判断是否需要触发关怀 now datetime.now() # 这里需要获取当前用户列表简化起见假设处理一个用户 user_id default_user state user_state.get(user_id, {}) # 调用各个关怀判断函数 await check_late_night(now, user_id, state, ctx) await check_long_work(now, user_id, state, ctx) await check_daily_habit(now, user_id, state, ctx) # ... 其他检查关键点解析skill.on_event是QClaw提供的装饰器用于声明函数响应何种平台事件。user_message和schedule是两个最关键的事件。scheduled_check是这个Skill的“心脏”它像一个永不停歇的守护进程周期性地检查所有关怀条件。user_state字典用于在内存中临时存储用户状态。注意这只是原型正式使用需要持久化存储如SQLite或云数据库来保存用户偏好和触发历史。3.2 第二步实现核心关怀判断逻辑接下来我们实现scheduled_check中调用的几个具体判断函数。以“熬夜提醒”和“久坐提醒”为例。async def check_late_night(now: datetime, user_id: str, state: dict, ctx: Context): 熬夜检查晚上11点后如果用户最近有活动则提醒 if 23 now.hour or now.hour 6: # 晚11点到早6点视为深夜 last_active state.get(last_active) # 如果用户最近15分钟内有活动且今天未发送过熬夜提醒 if last_active and (now - last_active) timedelta(minutes15): last_remind state.get(last_late_night_remind) if not last_remind or last_remind.date() now.date(): # 触发提醒 await ctx.send_message( user_iduser_id, text 夜深了还在忙吗你的赛博搭子提醒你身体是革命的本钱早点休息吧如果需要我可以帮你设定一个明天的闹钟。 ) # 更新状态避免重复提醒 user_state[user_id][last_late_night_remind] now async def check_long_work(now: datetime, user_id: str, state: dict, ctx: Context): 长时间工作检查推断用户持续工作超过2小时则提醒休息 # 假设我们从日历或状态中获取了一个“工作开始时间” work_start state.get(work_start_time) if not work_start: # 如果没有记录且用户当前处于活跃状态则可能开始工作了 if state.get(last_active) and (now - state[last_active]) timedelta(minutes5): user_state[user_id][work_start_time] now return # 计算持续工作时长 work_duration now - work_start if work_duration timedelta(hours2): last_break_remind state.get(last_break_remind) # 冷却期检查距离上次提醒超过1小时 if not last_break_remind or (now - last_break_remind) timedelta(hours1): await ctx.send_message( user_iduser_id, text 你已经专注工作超过2小时了站起来走走喝杯水看看远处让大脑放松一下再继续效率会更高哦~ ) user_state[user_id][last_break_remind] now # 重置工作开始时间或者标记为“已提醒” user_state[user_id][work_start_time] None逻辑精讲check_late_night的逻辑是“在深夜时段发现用户活跃则进行单日单次的提醒”。这里用了last_late_night_remind并对比日期确保一天只唠叨一次。check_long_work的逻辑更复杂一些。它需要推断一个“工作开始”的时刻。这里用“最近5分钟有活动”作为工作开始的粗略信号。然后计时超过阈值则触发提醒并设置1小时的冷却期(last_break_remind)防止用户刚休息完坐下又被提醒。ctx.send_message是向用户发送消息的API。消息文案非常关键要友好、轻松、带点幽默感避免生硬的机器口吻。3.3 第三步集成外部数据与个性化设置一个基础的关心引擎已经能跑了但要让它更“懂你”还需要接入外部数据和提供自定义选项。日历集成通过QClaw的API或连接主流日历服务如Google Calendar, Outlook读取用户的日程安排。用于勿扰模式自动识别“会议中”、“休假”等事件期间暂停所有提醒。用于智能提醒在会议开始前10分钟不仅提醒时间还可以根据会议标题如“项目复盘”附上一句“记得带好会议资料和乐观的心情哦~”。用于习惯养成在日历中创建“健身”、“阅读”等重复性事件Skill在事件开始前进行鼓励性提醒。用户配置面板在QClaw的Skill设置里提供一个简单的配置界面通常通过一个Web页面实现。开关控制允许用户独立开启/关闭“熬夜提醒”、“久坐提醒”、“喝水提醒”等功能。个性化参数让用户自定义提醒阈值。比如“连续工作多少分钟提醒我”默认120可调为90或150“深夜提醒从几点开始”默认23点。关怀语料库甚至可以允许用户自定义提醒文案或者从几个预设的“唠叨风格”如“老妈式”、“朋友式”、“冷酷教练式”中选择。简单学习与适应在状态存储中记录用户对提醒的反馈。例如每次提醒消息后可以附带“ 知道了”和“ 太吵了”的快速反馈按钮。如果用户多次点击“太吵了”来回应某类提醒系统可以自动延长该类提醒的冷却期或者降低其优先级。# 伪代码处理用户反馈 skill.on_event(quick_reply_feedback) # 假设有点击按钮的事件 async def handle_feedback(event: Event, ctx: Context): feedback event.feedback_type # positive or negative reminder_type event.reminder_type # late_night, break... if feedback negative: # 增加该用户对此类提醒的“厌烦度” user_state[user_id].setdefault(annoyance_level, {})[reminder_type] \ user_state[user_id].get(annoyance_level, {}).get(reminder_type, 0) 1 # 如果厌烦度超过阈值自动关闭该提醒一天 if user_state[user_id][annoyance_level][reminder_type] 3: await ctx.send_message(user_id, f“好的{reminder_type}提醒我会暂时安静一天。”) # 设置一个24小时的禁用过期时间 set_reminder_pause(reminder_type, hours24)4. 避坑指南与效果调优开发过程并非一帆风顺我踩了几个坑也总结出一些让“赛博搭子”更受欢迎的调优心得。4.1 常见问题与排查实录问题1提醒“乱弹”干扰正常工作。现象明明在认真写代码突然弹出“休息一下”的提醒深夜查资料被误判为熬夜。根因活动推断逻辑太粗糙。仅凭“无对话”就判断为“持续工作”或仅凭“深夜有活动”就判断为“熬夜”。解决方案引入工作状态标记让用户能手动或通过指令如“/开始工作”、“/进入勿扰”告诉Skill当前状态。细化时间判断熬夜提醒增加“持续活跃时长”判断比如深夜持续活跃超过30分钟才提醒避免临时查个资料就被打扰。利用日历数据如果日历中显示当前时段是“创作时间”或“学习时间”则适度延长久坐提醒的阈值。问题2提醒过于机械缺乏“人情味”。现象每次提醒文案都一样用户很快会感到麻木甚至厌烦。根因消息模板单一。解决方案建立语料库为每类提醒准备5-10条不同的文案随机轮换。文案风格可以多样比如有时搞笑有时温暖有时简洁。结合上下文如果之前用户说过“今天项目上线”那么休息提醒可以变成“项目上线辛苦了更要注意劳逸结合起来活动5分钟吧”加入微小变化在提醒喝水时偶尔可以换成“你的植物需要水你也需要哦~”或者“根据我的计算你现在脱水风险上升了1%”问题3用户数据如何存储隐私边界在哪现象Skill需要记录用户的上次活动时间、偏好等这些数据放哪里根因原型中使用内存字典重启即丢失且不安全。解决方案使用轻量数据库对于个人使用的SkillSQLite是绝佳选择。将user_state持久化到本地数据库文件中。明确数据范围只存储必要的、非敏感的状态数据如最后提醒时间、用户开关偏好。绝不存储聊天记录原文、位置信息等。提供数据清除指令实现一个/clear_my_data指令让用户可以一键删除Skill存储的所有个人数据建立信任。4.2 让“关心”更精准的进阶技巧“黄金时间”提醒研究发现习惯养成的提醒在行为发生前的“关键时刻”最有效。例如提醒喝水的最佳时间不是固定每小时而是在你刚结束一个会议、刚完成一项任务后从日历或活动推断。这需要更精细的事件关联分析。正反馈循环当用户遵循了提醒例如在提醒休息后确实有了一段非活跃期Skill可以发送一个积极的反馈“行动力满分休息后效率更高了吧” 这种正向强化能鼓励用户保持良好习惯。适度的“不完美”偶尔比如1%的概率让Skill“卖个萌”或“犯个小错”。例如在提醒休息时说“检测到你可能需要休息……当然也可能是我传感器坏了你说了算” 这种设计能降低机器的冰冷感让互动更生动。与其他Skill联动这才是QClaw生态的魅力。你的「赛博搭子」可以在提醒你休息时调用“音乐推荐”Skill送你一首轻音乐。在深夜提醒你睡觉时调用“智能家居”Skill如果已连接帮你把灯光调暗。在你表现出压力时调用“笑话大全”Skill讲个段子。5. 效果评估与未来遐想经过一周的试运行和调优我的“赛博搭子”已经稳定工作。它不会在我开会时打扰我但会在我沉迷编码时准时“敲打”它记得我昨天睡得很晚今天就会更早地提醒我注意安排它甚至在我某天多次提到“头疼”后默默在傍晚推送了一条“今天用眼过度了吧试试远眺绿色植物”。它比我妈强在哪在于它的不知疲倦、数据驱动和绝对服从。它不会因为我不听劝而生气只会默默地调整策略比如延长提醒间隔。它基于客观的时间和数据行动避免了人情中的主观误判。当然它永远无法替代真实人际关系中的情感温度但它可以成为一个有益的补充一个数字世界里的善意“背景音”。这个项目的意义不在于技术有多复杂而在于它代表了一种思路的转变AI智能体不应该只是等待命令的仆从而可以成为主动观察、理解并善意干预的伙伴。通过拆解“关心”这个行为并用有限的、合规的数据和技术去模拟它我们就在冰冷的数字逻辑中注入了一点点温暖的、属于人的色彩。未来这个“搭子”还可以更聪明。结合可穿戴设备的健康数据在用户授权下它的关心可以更精准通过更自然的对话理解它可以成为你情绪的树洞。但无论如何进化其核心原则不变尊重用户保持透明永远做一个可选择、可配置的“辅助者”而非“控制者”。如果你也在用QClaw不妨试着动手打造一个属于你自己的“赛博搭子”。从最简单的定时问候开始慢慢添加功能。你会发现让AI学会“关心”不仅是编程更是一次对如何与人、与科技更好相处的思考。