小狐狸事務所

設定谷歌地圖位置追蹤的方法

2026-10-13T16:46:55.823+08:00

因老同事阿中下周五即將前往岡山與廣島地區展開他首次個人自助旅行, 雖然已幫他規畫好詳細行程, 但仍擔心他會迷路, 今天在我的備用手機 iPhone SE 的 Google 帳戶上建立一個家庭群組, 把阿中拉進來, 然後他將 Google 地圖的位置資訊分享給我, 這樣就能在台灣看到阿中是否照規畫行程在走, 最重要的是, 萬一他迷路了, 我也可以掌握他的確實位置.

1. 建立 Google 家庭群組 :

前往 Google 家庭群組成員網站, 按 "開始" :

# https://myaccount.google.com/family/details?hl=zh_TW

按 "設定家庭群組" 鈕 :

按 "確認" 鈕 :

輸入對方 (此處為阿中) 的 Gmail :

按 "傳送" 鈕 :

請對方 (此處為阿中) 收 Gmail 接受邀請, 對方接受後會我會收到確認信, 確認後即加入群組 :

2. 分享 Google 地圖的手機位置資訊 :

接下來對方要開啟 Google 地圖, 按右上角的頭像, 點選 "分享位置資訊" :

點選要分享的對象 (就是我), 按 "新增分享" :

按 "與 ~ 分享位置資訊" 鈕 :

按 "繼續" :

勾選 "直到你關閉這項設定" 後按 "分享" 即可 :

這樣在我的手機 Google Map 上便會出現阿中的即時位置標示了.

市圖還書 2 本 : 打通靈性覺醒的人體空間通道等

2026-10-13T10:19:54.508+08:00

此書被預約了今天須還 :

我對松果體的秘密感到非常好奇就借了這本書, 但還沒看完就被預約了, 殘念.

2026 京都奈良賞楓之旅行程規畫 v1

2026-10-12T14:20:24.572+08:00

去年九月中旬與水某前往關西地區旅行, 住在東福寺附近的民宿, 發現那裡整片山都是楓葉林, 但那時初秋的東福寺還看不到楓紅. 年底打算帶爸去京都賞楓, 此行除了菁菁與水某外, 二哥說那時論文口考已完成也可以去. 為此我叫 Gemini 列出關西地區的賞楓勝地, 提示詞參考 :

日本關西地區的賞楓季節為何時? 請推薦最值得去的賞楓景點.

結果摘要整理如下 :

1. 東福寺 (秋之紅葉之王) :

以通天橋俯瞰洗玉澗溪谷聞名, 這裡種植了約 2000 株三葉楓, 滿開時整片山谷如同一片壯觀的紅色雲海, 視覺震撼度被公認為京都之首.

2. 清水寺 (經典舞台與夜楓) :

清水舞台下方被約 1000 株楓樹環繞, 木造舞台矗立在錦繡楓林中的畫面是關西地標. 秋季的夜間特別拜觀搭配投射夜空的藍色觀音慈悲之光, 也是關西夜楓的代表.

3. 永觀堂 (禪林寺) :

自古便有紅葉的永觀堂之美譽, 寺內種植約 3000 株楓樹, 庭園放生池的倒影與夜間點燈層次極其豐富, 精緻度不輸東福寺.

4. 奈良公園 :

紅葉, 金黃銀杏與散步的鹿群同框, 風格與京都寺院建築的精緻紅葉截然不同, 視野更為開闊.

5. 琉璃光院 (需提前預約) :

位於日本京都府京都市左京區的八瀨地區, 座落在比叡山山腳下與高野川溪谷旁, 屬於日本佛教淨土真宗 (東本願寺系統), 原為是明治時代政治家田中源太郎的私人別墅, 後來售予無量壽山光明寺改建為佛寺, 取名為琉璃光院, 以書院二樓漆黑桌面倒映庭園窗外紅葉的鏡面楓葉聞名.

秋季特別拜觀 (10 月初至 12 月中旬) 分兩階段 :

非最尖峰期 (10 月與 12 月初後) 免預約現場排隊購票即可.
紅葉最盛期 (11 月上旬至 12 月初) 嚴格採預約制, 無預約無法入場.

由於遊客眾多, 11 月中下旬的熱門時段 (特別是上午 10:00~12:00 的自然光最佳時段) 通常在開放預約的當天甚至數小時內被搶光. 預約時通常每次最多預約 4 人, 最好是在開放首日就先上網登記 (預約時不需付款). 建議於 9 月底~10 月初密切注意瑠璃光院官方網站公佈的該年度秋季特別拜觀預約開放日期與詳細規則, 官方通常於 10 月中下旬在官網開放線上預約系統.

# 瑠璃光院官方網站

# 特別拜觀預約專頁 (秋季開放時會於首頁置頂連結)

進入預約頁面後選擇日期, 時段 (每 15~30 分鐘一梯次) 與人數 (單次上限通常為 4 人), 填寫姓名與 Email 送出即可. 注意, 線上預約僅為保留參觀名額毋須刷卡付款, 參觀當天於門口出示預約確認信 (QR Code 或預約郵件), 於現場付現購票即可入場 (門票 2000 日圓).

總之, 關西賞楓以京都為核心, 而東福寺與清水寺是其中知名度最高, 最具代表性的兩大賞楓景點. 若追求大片紅葉海的視覺衝擊首選是東福寺, 若想看古剎建築與經典夜楓則首推清水寺與永觀堂 (禪林寺).

京都東福寺與清水寺賞楓的黃金區間 (見頃) 是 11 月 22 日至 11 月 28 日, 決定日期後我於 9/17 在虎航官網先購買了小港-關西往返機票 5 張. 在這之前有詢問岳父母是否要去, 岳母原先考慮腰背久站乏力而婉拒, 但中秋節去岳父農舍烤肉時再次勸說就答應了, 所幸虎航機票有買到.

但住宿方面東福寺民宿 Private Villa Tofukuji 太晚訂, 只訂到 11/23~11/25 三天 (兩晚), 11/25~11/28 改住大阪難波的日和旅館 (Hiyori Hotel Osaka Namba Station).

我先叫 Gemini 初步規劃 6 天 5 夜行程, 提示詞如下 :

我打算 11 月 22 日至 11 月 28 日前往日本關西地區賞楓, 景點包含東福寺, 清水寺, 嵐山, 琉璃光院, 禪林寺, 與奈良等地, 請依據下列航班與住宿資訊幫我規畫交通與行程.

航班 (虎航) :

去程 (高雄至大阪) : IT284 (06:55~10:40)

回程 (大阪至高雄) : IT285 (11:30~14:00)

住宿 :

11/23~11/25 : 東福寺民宿 Private Villa Tofukuji (2 泊)

11/25~11/28 : 大阪難波的 Hiyori Hotel Osaka Namba Station 日和飯店 (4 泊)

Day 1：11/23（週一）抵達關西 ➔ 入住東福寺民宿

航班與交通：高雄直飛關西機場，搭乘 JR 特急 Haruka 直達京都車站，轉搭 JR 奈良線（1 站、2 分鐘）抵達東福寺站，步行至民宿辦理入住。
備註：當天為日本三連休最後一天，晚間正好迎來觀光人潮收假返家，傍晚可先在京都車站周邊（Porta 地下街或伊勢丹百貨拉麵小路）用餐、補給日用品，早點休息備戰隔天一早的賞楓行程。

Day 2：11/24（週二）東山經典賞楓：東福寺＋清水寺

上午：步行至東福寺門口等候開門，08:15 抵達門口排隊，08:30 開門直奔「通天橋」俯瞰壯闊的洗玉澗楓紅谷, 順光拍攝全盛紅葉海。隨後參觀本坊庭園的八相之庭（方丈枯山水與棋盤苔蘚）。
中午：在東福寺周邊或往清水寺方向享用午餐。
下午至傍晚：搭乘京阪電車至清水五條站或祇園四條站，漫步松原通、二年坂、三年坂。約 16:30 進入清水寺，一次飽覽白天清水舞台景致、日落晚霞與 17:30 後的秋季夜間特別點燈（藍色慈悲之光）。
晚上：步行至祇園或河原町享用晚餐，搭京阪電車回東福寺民宿休息。

Day 3：11/25（週三）嵐山小火車保津峽賞楓 ➔ 移宿大阪難波

08:00 ～ 08:30：東福寺民宿退房，搭 JR 奈良線至京都車站，將大行李寄放在站內大型置物櫃或 Crosta 行李房。
08:30 ～ 09:20：從京都站搭乘 JR 嵯峨野線直奔 JR 馬堀站，出站沿田園小徑步行約 8 分鐘至小火車龜岡站。
09:30 ～ 09:55：搭乘嵯峨野小火車（方案 B：龜岡 ➔ 嵐山），飽覽保津川峽谷彩林，於小火車嵐山站下車。
10:05 ～ 15:30：漫步常寂光寺（賞楓名所） ➔ 竹林小徑 ➔ 野宮神社 ➔ 天龍寺曹源池庭園 ➔ 嵐山大街享用豆腐料理／小吃 ➔ 渡月橋與大堰川畔散步。
16:00 ～ 17:30：從 JR 嵯峨嵐山站搭 JR 返回京都車站取回行李；直接在京都車站搭乘 JR 新快速（約 30 分鐘）抵達大阪站（梅田），轉乘地鐵御堂筋線至難波站。
傍晚至晚上：入住大阪難波站前日和飯店，晚上在難波、道頓堀或黑門市場周邊享用燒肉或拉麵。
預計搭乘日（11/25）前 1 個月的台灣時間 23:00（日本時間 00:00）務必準時上官方網站預約「小火車龜岡 ➔ 小火車嵐山」單程票

Day 4：11/26（週四）~~洛北秘境與極致夜楓：瑠璃光院~~ ＋禪林寺 (永觀堂)

08:30 ～ 10:00：從難波日和飯店出發，搭地鐵御堂筋線（6 分鐘）至淀屋橋站，轉搭京阪電車特急直達京都出町柳站（約 55 分鐘）；同站無縫換乘叡山電鐵至八瀨比叡山口站。
10:00 ～ 12:00：參拜瑠璃光院（預約 10:00～11:00 時段），欣賞二樓黑漆書院木桌映照的琉璃窗景與庭園紅葉，體驗手抄心經。
下午：搭叡山電鐵返回出町柳，轉搭公車前往白川通／哲學之道一帶享用午餐與散步。
15:30 ～ 18:30：造訪紅葉之冠禪林寺 (永觀堂)，漫步放生池、極樂橋，欣賞三千株茂密楓林與夕陽日景，並接著欣賞極為震撼的 3,000 株楓樹層次分明的絕美夜楓點燈。
晚上：搭公車或地鐵至京阪「三條站」或「祇園四條站」，搭京阪電車一路舒適坐回大阪淀屋橋，轉地鐵返回難波日和飯店（可使用房內按摩機舒緩雙腿）。

Day 5：11/27（週五）古都鹿群與深秋金黃：奈良公園＋難波大採購

09:00 ～ 09:45：從飯店步行至近鐵難波站，搭乘近鐵奈良線快速急行（約 36 分鐘，免換車）直達近鐵奈良站。
10:00 ～ 15:30：一身輕裝（無行李負擔）漫步奈良公園餵小鹿，造訪東大寺大佛殿與春日大社，欣賞滿地金黃銀杏與落葉紅楓相伴的秋景；午後漫步至古色古香的「奈良町（Naramachi）」享用日式茶點與巡訪町家。
16:00 ～ 17:00：從近鐵奈良站搭乘快速急行直達返回大阪難波。
晚上：在飯店周邊（Bic Camera 難波店、戎橋筋商店街、心齋橋筋）採買藥妝、電器與伴手禮，返回日和飯店從容打包行李。

Day 6：11/28（週六）從容搭機返台（虎航 IT 285）

07:30 ～ 08:15：退房，推著行李箱步行約 3～5 分鐘抵達南海難波站。
08:30 ～ 09:07：搭乘南海電鐵特急 Rapi:t（車程約 37 分鐘，全車指定席且有大型行李架）直達關西機場第一航廈。
09:15：抵達關西機場，從容辦理虎航 IT 285（11:30 起飛）報到與行李托運手續，出境逛免稅店，搭機平安返回高雄！

由於東福寺民宿少訂了一天, 所以 Day 4 11/26 須從大阪搭車回京都賞楓. 所以訂完機票要盡快敲定要走訪的景點, 才好安排行程與訂房.

這趟旅行因為都在京都與奈良, 所以不需要買 JR 關西週遊券 (買了反而虧錢), 只要用 ICOCA 刷卡坐地鐵與火車即可. 需要預定的是 Day 1 從關西機場前往京都的 Haruka (關空特急) 火車票, 可以上 Klook 單買 HARUKA 單程特惠票 (關西機場 ➔ 京都), 票價約 2,200~2,400 日圓 (合台幣 450~500 元), 包含指定席 (劃位座位).

Day 6 回程前往關西機場的南海電鐵特急 Rapi:t 可以在難波南海站 2F/2F 櫃台購買, 但因當天為周六, 且賞楓季早上旅客人潮較多, 現場售票窗口可能大排長龍, 可在 Klook 預先購買單程票, 或在出發前於南海電鐵官網線上購買電子票, 憑手機 QR Code 即可搭乘. 另外也可搭南海電鐵空港急行 (Airport Express) 列車前往機場, 此為不需劃位的普通車, 直接刷一般 IC 卡即可搭乘, 車程約 44 分鐘 (僅比 Rapi:t 慢約 7~8 分鐘), 班次非常密集 (每 15 分鐘一班).

2026-10-13 補充 :

我今天將琉璃光院的拜觀規則上傳 m365 翻譯才知道今年須在 8/20 前以明信片報名參加抽籤, 但我是 9 月初才開始規畫賞楓行程, 顯然上面規畫 11/26 的琉璃光院賞楓得取消了. 此文件內容摘要如下 :

瑠璃光院 2026 年秋季特別參拜期間為 11/13～12/6，採「往返明信片抽籤預約制」，每張明信片限申請 1 個日期、最多 4 人，申請截止日為 2026/8/20（以郵戳為憑）。中籤結果預計 9 月下旬通知，入場時須攜帶回函及身分證件核驗。參拜日期、時段及人數不得變更，未攜帶證件者不得入場。10/1～11/12 及 12/7～12/13 則開放一般參拜，無須預約。

替代方案是洛東真如堂 ➔ 南禪寺 ➔ 永觀堂, 叫 Gemini 重新規畫 11/26 行程如下 :

Day 4：11/26（週四）洛東紅葉名所一日遊（真如堂 ➔ 南禪寺 ➔ 永觀堂日景與夜楓）

08:30 ～ 09:50 從大阪出發前往京都
從大阪難波日和飯店出發，步行至地鐵難波站搭乘御堂筋線（約 6 分鐘）抵達「淀屋橋站」。於淀屋橋轉乘京阪電車（特急）直達京都「三條站」（約 50 分鐘）。走出三條站地面公車站牌，搭乘市巴士 5 號或 203 號（約 15 分鐘）於「真如堂前」（或「錦林車庫前」）下車，沿坡道步行約 6～8 分鐘抵達。
10:00 ～ 11:40 第一站：真正極樂寺（真如堂）
真如堂是洛東極具歷史底蘊的古剎，境內種植大量楓樹與銀杏，此時正值紅葉深紅與金黃銀杏交織的高峰期。朱紅的三重塔掩映在層層楓林與銀杏雨中，是京都最具代表性的秋景構圖。
11:50 ～ 13:10 午餐時光：白川通／哲學之道周邊
從真如堂往東南方向步行，沿途經過白川通或哲學之道南端。周邊有多家日式定食、京烏龍麵及特色和風茶寮（如おめん烏龍麵、日の出うどん等），在此悠閒用餐、稍作休息。
13:20 ～ 15:30 第二站：南禪寺（天下龍門＋水路閣＋天壽庵）
沿著鹿谷通往南漫步約 10～15 分鐘即可抵達臨濟宗大本山南禅寺，境內古木參天，氣勢宏偉。可登上巨大木造的天下龍門遠眺京都市景與滿山紅葉秋色，熱門攝影焦點的水路閣紅磚拱橋，與寺旁以枯山水與池泉迴遊式庭園聞名的天壽庵小院。
15:45 ～ 18:30 第三站：禪林寺（永觀堂）紅葉之冠夕景＋夜間點燈
從南禪寺北側小徑步行僅需約 5～8 分鐘即可抵達被譽為「秋天是紅葉的永觀堂」的禅林寺，16:00 前後的夕照日景非常美麗，約 3,000 株茂密楓樹覆蓋整個山麓，放生池、極樂橋與錦雲橋在金色夕陽照射下倒映於水面，是京都紅葉的極致景色。約 17:30 夜幕降臨後，燈光打在放生池畔的多寶塔與滿山楓樹上，水面倒影如夢似幻，為整趟京都賞楓行程畫下最震撼的句點。
18:45 ～ 20:30 返回大阪難波
從永觀堂步行約 12～15 分鐘至京都市營地鐵東西線「蹴上站」。搭乘地鐵東西線至「三條京阪站」（僅 2 站、約 4 分鐘）。出站同站轉乘京阪電車（特急）直達大阪「淀屋橋站」。轉乘大阪地鐵御堂筋線返回「難波站」，步行回日和飯店。

這三個景點都位於京都東邊 (洛東) 一帶 :

交通方面還須近一步琢磨, 因為要考慮三位長輩行走負擔, 可能須搭計程車.

2026 年第 39 周記事

2026-10-11T20:03:09.175+08:00

寒露已過, 秋意漸濃, 最近要趁有太陽把長袖衣服拿出來洗曬備用了. 本周我還是繼續在測試我的 Pi 4 小龍蝦, 基本上已經能用了, 目前是以 Gemini 2.5 Flash 為主要模型, 以 GPT 5.6 Luna 為備援模型, 之前沒有指定 Luna 預設會用最貴的 Sol, 問一聲早安居然要花 2 元台幣真是嚇我一跳.

鄉下家的 LG 洗衣機會發出怪聲問題, 上回與 LG 技師商談決定請燦坤先幫我移機到室內浴廁旁, 看看還會不會有同樣問題, 但一個月過去了都沒消息, 今天再次打電話給燦坤, 店員說不知道, 要我明天再打給店長. 我覺得燦坤在服務上似乎沒有紀錄追蹤客訴問題, 以後買電器還是找全國電子較好. 週日傍晚小舅拿炒米粉來時, 我問是否可以聯絡他做水電的朋友下周六來幫我移洗衣機, 順便修廚房水龍頭.

爸周一看到對面張家伙房掛起紅燈籠, 打電話給我說不知出了甚麼事, 我傳訊息問秀菊妹妹, 她說是她二嬸婆 (也就是松盛伯母) 仙逝, 享嵩壽 97. 我週二回鄉下, 周三一早去水圳邊叔婆的雜貨店買了金香拿去張家伙房捻香後才回高雄上班. 下周三早上出山, 所以我下周二下班後回鄉下, 週三告別式後再去上班.

雙十國慶連假這三天完成樓上與樓下兩間和室清理, 棉被全部趁三天大太陽曬了個遍, 下周用除螨機吸過後裝黑塑膠袋收納, 以後直接整包給太陽曝曬即可. 另外也把樓下和室那張之前小姨子家不要的兒童學習桌搬出來客廳當電腦桌, 這樣姐姐與二哥回來要趕工時就有桌子可用. 總之, 過年前要把老家的房間一間間都清出來.

下周任務清單 :

安裝前門左右側照明燈.
二樓舊參考書丟回收.
LG 洗衣機移機.
清理書房.
組衣櫥.

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (二十)

2026-10-11T00:41:47.679+08:00

前一篇針對 Groq 的 GPT OSS 120B 模型的測試發現 Free 帳戶幾乎無法在 OpenClaw 中正常使用, 所以還是切回 primary: gemini-2.5-flash 與 fallback: gpt-5.6-luna 配置, 順便對 Gemini 2.5 Flash 做效能測試.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

1. 復原主備援模型 :

復原程序如下 :

設定 primary 模型為 Gemini 2.5 Flash :

pi@pi4b:~ $ openclaw config set agents.defaults.model.primary "google/gemini-2.5-flash"

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I'm not magic—I'm just extremely persistent with retries and coping strategies.

Updated agents.defaults.model.primary. Change will apply without restarting the gateway.

設定備援模型清單, 只設定單一成員 GPT 5.6 Luna :

pi@pi4b:~ $ openclaw config set agents.defaults.model.fallbacks '["openai/gpt-5.6-luna"]'

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I'm basically a Swiss Army knife, but with more opinions and fewer sharp edges.

Updated agents.defaults.model.fallbacks. Change will apply without restarting the gateway.

檢視設定結果 :

pi@pi4b:~ $ openclaw config get agents.defaults.model

OpenClaw 2026.7.1-2 (0790d9f) — Less clicking, more shipping, fewer "where did that file go" moments.

{

"primary": "google/gemini-2.5-flash",

"fallbacks": [

"openai/gpt-5.6-luna"

]

}

驗證設定檔是否有效 :

pi@pi4b:~ $ openclaw config validate

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I run on caffeine, JSON5, and the audacity of "it worked on my machine."

Config valid: ~/.openclaw/openclaw.json

最後殺程序觸發服務重啟 :

pi@pi4b:~ $ pkill -9 -f openclaw

2. 能力測驗 :

以下對 Gemini 2.5 Flash 進行五項能力考驗 :

(1). 網路搜尋 :

提示詞如下 :

台積電 ADR 目前價格?

結果 :

(2). Python 知識 :

提示詞如下 :

請用繁體中文解釋 Python 的 list、tuple、set 三者差異。

要求：

1. 用表格比較

2. 各給一個實際例子

3. 說明什麼情況下應該選哪一個

結果如下 :

關於三個資料結構差異, 其回應如下 :

好的，Tony，這就為您解釋 Python 中 list、tuple、set 三者的差異，並附上表格比較、實際例子及使用時機建議。

Python list, tuple, set 差異比較

實際例子

1. list (列表) 範例

2. tuple (元組) 範例

3. set (集合) 範例

什麼情況下應該選哪一個？

* 選擇 list (列表) 的時機：

* 當您需要一個可變的序列，允許新增、刪除或修改元素。

* 元素的順序很重要，且可以包含重複的元素。

* 例如：待辦事項清單、歷史紀錄、資料庫查詢結果集。

* 選擇 tuple (元組) 的時機：

* 當您需要一個不可變的序列，一旦定義就不希望其內容被修改。

* 元素的順序很重要，且可以包含重複的元素。

* 經常用於表示固定數量和順序的資料，例如：座標點 (x, y)、RGB 顏色值 (R, G, B)、函數的多個返回值。

* 元組可以作為字典的鍵 (因為其不可變性)。

* 作為函數參數傳遞時，可以確保資料不會在函數內部被意外修改。

* 選擇 set (集合) 的時機：

* 當您需要儲存一系列獨一無二的元素，不關心元素順序。

* 需要高效地檢查元素是否存在於集合中 (通常比列表快)。

* 需要進行數學上的集合操作，例如：聯集 (union)、交集 (intersection)、差集 (difference) 等。

* 例如：追蹤網站的唯一訪客 IP 位址、找出兩個班級共同的學生、從列表中去除重複元素。

Usage: 14k in / 1.5k out

程式碼範例 :

(3). 推理能力 :

提示詞如下 :

有 100 顆球，其中 1 顆重量不同，但不知道它比較重還是比較輕。只有一個沒有砝碼的天平，最多可以秤 3 次。請找出異常球，並判斷它是比較重還是比較輕。請完整說明策略。

結果如下 :

這個問題在數學上，對於 100 顆球並在最多 3 次秤重內找出異常球並判斷輕重，是不可能解決的。

原因解釋：

1. 天平秤重的結果數：一個沒有砝碼的天平每次秤重有 3 種可能結果：

* 左邊重

* 右邊重

* 兩邊一樣重

2. 3 次秤重的最大區分能力：如果最多秤 3 次，則總共可以得到 $3 \times 3 \times 3 = 3^3 = 27$ 種不同的結果。

3. 100 顆球所需區分的可能性：

* 我們要從 100 顆球中找出哪一顆是異常球，這有 100 種可能性。

* 還要判斷這顆異常球是比正常球重還是輕，這有 2 種可能性。

* 因此，總共需要區分的可能性為 $100 \times 2 = 200$ 種。

4. 結論：因為 200 (所需區分的可能性) > 27 (3 次秤重能提供的最大結果數)，所以不可能在 3 次秤重內解決 100 顆球的問題。

解決類似問題的策略 (以 12 顆球為例，這是可以在 3 次秤重內解決的最大數量之一)：

雖然 100 顆球無法解決，但我可以完整說明這種邏輯問題的解決策略，以 12 顆球為例（12 顆球有 $12 \times 2 = 24$ 種可能性，小於 27，因此可解）。

目標：從 12 顆球中找出 1 顆異常球，並判斷它是重還是輕。

球的編號： 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12

第一次秤重： (將 12 顆球分為三組，每組 4 顆)

* 左邊： (1, 2, 3, 4)

* 右邊： (5, 6, 7, 8)

* 保留： (9, 10, 11, 12)

結果分析：

1. 情況一：天平兩邊相等 (1,2,3,4) = (5,6,7,8)

* 推斷：球 1-8 都是正常的。異常球在保留的 (9, 10, 11, 12) 這 4 顆球中。

* 剩餘任務：從 4 顆球中找出異常球並判斷輕重，有 8 種可能性 ($4 \times 2 = 8$)，剩下 2 次秤重。

2. 情況二：左邊輕 (1,2,3,4) < (5,6,7,8)

* 推斷：

* 異常球在 (1,2,3,4) 中且比正常球輕 (Lighter)。

* 或者異常球在 (5,6,7,8) 中且比正常球重 (Heavier)。

* 推斷：球 9-12 都是正常的。

* 剩餘任務：從 8 顆球中找出異常球並判斷輕重 (已知輕或重)，有 8 種可能性 ($4 \text{L} + 4 \text{H} = 8$)，剩下 2 次秤重。

3. 情況三：左邊重 (1,2,3,4) > (5,6,7,8)

* 推斷：

* 異常球在 (1,2,3,4) 中且比正常球重 (Heavier)。

* 或者異常球在 (5,6,7,8) 中且比正常球輕 (Lighter)。

* 推斷：球 9-12 都是正常的。

* 剩餘任務：與情況二對稱，從 8 顆球中找出異常球並判斷輕重，有 8 種可能性，剩下 2 次秤重。

第二次秤重 (以情況一為例：異常球在 9,10,11,12 中)：

* 已知： (1,2,3,4,5,6,7,8) 都是正常球。

* 左邊： (9, 10, 11) (三顆可疑球)

* 右邊： (1, 2, 3) (三顆正常球)

* 保留： (12) (一顆可疑球)

結果分析：

1. 情況 1.1：天平兩邊相等 (9,10,11) = (1,2,3)

* 推斷：球 9,10,11 都是正常的。異常球是 12。

* 剩餘任務：判斷球 12 的輕重，剩下 1 次秤重。

2. 情況 1.2：左邊重 (9,10,11) > (1,2,3)

* 推斷：異常球在 (9,10,11) 中且比正常球重。

* 剩餘任務：從 3 顆球中找出較重的異常球，剩下 1 次秤重。

3. 情況 1.3：左邊輕 (9,10,11) < (1,2,3)

* 推斷：異常球在 (9,10,11) 中且比正常球輕。

* 剩餘任務：從 3 顆球中找出較輕的異常球，剩下 1 次秤重。

第三次秤重 (接續情況 1.1, 1.2, 1.3 的子情況)：

* 接續 1.1 (異常球是 12)：

* 左邊： (12)

* 右邊： (1) (正常球)

* 結果：

* 12 > 1：球 12 較重。

* 12 < 1：球 12 較輕。

* 接續 1.2 (9,10,11 中有一顆較重)：

* 左邊： (9)

* 右邊： (10)

* 結果：

* 9 > 10：球 9 較重。

* 9 < 10：球 10 較重。

* 9 = 10：球 11 較重。

* 接續 1.3 (9,10,11 中有一顆較輕)：

* 左邊： (9)

* 右邊： (10)

* 結果：

* 9 > 10：球 10 較輕。

* 9 < 10：球 9 較輕。

* 9 = 10：球 11 較輕。

第二次秤重 (以情況二為例：異常球在 (1L,2L,3L,4L,5H,6H,7H,8H) 中)：

* 已知： (9,10,11,12) 都是正常球。

* 左邊： (1, 5, 9) (1L?, 5H?, 9N)

* 右邊： (2, 6, 10) (2L?, 6H?, 10N)

* 保留： (3, 4, 7, 8) (3L?, 4L?, 7H?, 8H?)

結果分析：

1. 情況 2.1：天平兩邊相等 (1,5,9) = (2,6,10)

* 推斷：球 1,2 正常，球 5,6 正常 (因為若 1 是輕的，天平會偏輕；若 5 是重的，天平會偏重，現在相等表示兩者都正常)。

* 推斷：異常球在保留的 (3L, 4L, 7H, 8H) 這 4 顆球中。

* 剩餘任務：從這 4 顆球中找出異常球並判斷輕重，剩下 1 次秤重。

2. 情況 2.2：左邊重 (1,5,9) > (2,6,10)

* 推斷：這表示左邊有重球或右邊有輕球。

* 可能 5 是重球或 6 是重球 (這是從第一次秤重推斷出的)。

* 也可能 2 是輕球 (這是從第一次秤重推斷出的)。

* 不可能 1 是輕球 (因為天平偏重)。

* 推斷：異常球是 5H 或 6H 或 2L。

* 剩餘任務：從這 3 顆球中找出異常球並判斷輕重，剩下 1 次秤重。

3. 情況 2.3：左邊輕 (1,5,9) < (2,6,10)

* 推斷：這表示左邊有輕球或右邊有重球。

* 可能 1 是輕球 (這是從第一次秤重推斷出的)。

* 不可能 5,6 是重球。

* 不可能 2 是輕球。

* 推斷：異常球是 1L。

* 剩餘任務：只剩 1L，已經知道是哪顆球和它的輕重，無需第三次秤重。

第三次秤重 (接續情況 2.1, 2.2 的子情況)：

* 接續 2.1 (異常球在 3L, 4L, 7H, 8H 中)：

* 左邊： (3) (疑似輕)

* 右邊： (7) (疑似重)

* 結果：

* 3 < 7：球 3 較輕。

* 3 > 7：球 7 較重。

* 3 = 7：異常球在保留的 (4L, 8H) 中。

* 再比較： (4) vs (1) (正常球)

* 4 < 1：球 4 較輕。

* 4 = 1：球 8 較重。

* 接續 2.2 (異常球是 5H, 6H, 2L 之一)：

* 左邊： (5) (疑似重)

* 右邊： (6) (疑似重)

* 結果：

* 5 > 6：球 5 較重。

* 5 < 6：球 6 較重。

* 5 = 6：球 2 較輕。

情況三的解決方法則是與情況二對稱的，透過同樣的策略步驟即可得出答案。

這個策略的關鍵在於每次秤重都盡可能地將球分成三組，並利用天平的三種結果來最大化地排除可能性，同時巧妙地組合「已知可能輕」和「已知可能重」的球與已知正常的球進行比較。

總之，100 顆球在 3 次秤重內是無解的。上述策略適用於 12 顆球的情況。

Usage: 14k in / 9.5k out

(4). Python 程式能力 :

提示詞如下 :

請寫一個 Python 函式：

def detect_drawdown(prices, threshold=0.2):

輸入是一個每日收盤價 list，找出所有從歷史高點回撤超過 threshold 的區段。

要求：

- 使用 pandas

- 回傳每個 drawdown 的 peak date、trough date、peak price、trough price、drawdown

- 處理空資料

- 提供可直接執行的完整程式

- 附一組測試資料

結果如下 :

程式碼 :

(5). Tool Calling 能力 :

提示詞如下 :

請在目前 Raspberry Pi 上執行：

uname -a

free -h

df -h

然後整理成一個簡短的系統狀態報告。

結果如下 :

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十九)

2026-10-10T17:04:46.717+08:00

我在前一篇測試中考驗了 GTP-5.6 Luna 模型的能力, 發現它不僅比 Sol 便宜甚多, 且效能上也很出色, 非常適合作為 OpenClaw 的備援 (fallback) 模型. 昨天我註冊了 Groq 平台帳號, 參考 :

# 註冊 Groq AI 平台開發者帳號

Groq 託管的 openai/gtp-oss-120b 模型價格與 Luna 相近, 本篇旨在 coding 工具集模式下測試其效能.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

1. 安裝 Groq provider :

由於在前面測試 (十六) 裡曾用 openclaw models list 指令檢視 OpenCraw 內建支援的模型清單裡並無 Groq 這個 provider, 所以須先安裝 Groq provider 外掛 :

pi@pi4b:~ $ openclaw plugins install @openclaw/groq-provider

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — More integrations than your therapist's intake form.

Resolved @openclaw/groq-provider to @openclaw/groq-provider@2026.9.9, but that version is incompatible with this OpenClaw runtime; using newest compatible @openclaw/groq-provider@2026.7.1.

Installing @openclaw/groq-provider into /home/pi/.openclaw/npm/projects/openclaw-groq-provider-d726e35179…

Linked peerDependency "openclaw" -> /home/pi/.config/nvm/versions/node/v24.17.0/lib/node_modules/openclaw

Plugin manifest id "groq" differs from npm package name "@openclaw/groq-provider"; using manifest id as the config key.

Installed plugin: groq

Restart the gateway to load plugins.

可見已成功安裝了與 OpenClaw 2026.7.1-2 相容的 Groq Provider 版本了, 由於此外掛的 2026.9.9 版與目前的 OpenClaw runtime 不相容, 因此自動改安裝 2026.7.1 版. 安裝 plugin 後須重新啟動 Gateway 才會載入 :

pi@pi4b:~ $ systemctl --user restart openclaw-gateway.service

確認服務狀態是否為 active :

pi@pi4b:~ $ systemctl --user status openclaw-gateway.service --no-pager

● openclaw-gateway.service - OpenClaw Gateway (v2026.7.1-2)

Loaded: loaded (/home/pi/.config/systemd/user/openclaw-gateway.service; enabled; preset: enabled)

Active: active (running) since Sat 2026-10-10 08:33:43 CST; 47s ago

Main PID: 1345730 (MainThread)

Tasks: 11 (limit: 8743)

CPU: 56.270s

CGroup: /user.slice/user-1000.slice/user@1000.service/app.slice/openclaw-gateway.service

└─1345730 /home/pi/.config/nvm/versions/node/v24.17.0/bin/node /home/pi/.config/nvm/v…

10月 10 08:33:43 pi4b systemd[727]: Started openclaw-gateway.service - OpenClaw Gateway (v2….1-2).

10月 10 08:34:23 pi4b node[1345730]: 2026-10-10T08:34:23.955+08:00 [gateway] loading config…ation…

10月 10 08:34:24 pi4b node[1345730]: 2026-10-10T08:34:24.591+08:00 [gateway] resolving auth…ation…

10月 10 08:34:24 pi4b node[1345730]: 2026-10-10T08:34:24.674+08:00 [gateway] starting...

10月 10 08:34:27 pi4b node[1345730]: 2026-10-10T08:34:27.467+08:00 [gateway] auto-enabled p…onfig:

10月 10 08:34:27 pi4b node[1345730]: - duckduckgo web search provider selected, enabled aut…cally.

Hint: Some lines were ellipsized, use -l to show in full.

檢視 Groq Provider 是否載入 :

pi@pi4b:~ $ openclaw models list --provider groq

OpenClaw 2026.7.1-2 (0790d9f) — I'll refactor your busywork like it owes me money.

Model Input Ctx Local Auth Tags

groq/compound text 131k no no

groq/compound-mini text 131k no no

groq/llama-3.1-8b-instant text 131k no no

groq/llama-3.3-70b-versatile text 131k no no

groq/meta-llama/llama-4-scout-17b-16e-i... text+image 131k no no

groq/openai/gpt-oss-120b text 131k no no

groq/openai/gpt-oss-20b text 131k no no

groq/openai/gpt-oss-safeguard-20b text 131k no no

groq/qwen/qwen3-32b text 131k no no

可見目標模型 groq/openai/gpt-oss-120b 已經在模型提供者清單中了.

2. 備份 OpenClaw 設定檔 :

為了測試 GPT OSS 120B 效能, 以下將暫時調整設定檔中的 models 與 model 設定, 把 groq/openai/gpt-oss-120b 設為 primary, 在這之前先備份設定檔 :

pi@pi4b:~ $ cp ~/.openclaw/openclaw.json ~/.openclaw/openclaw.json.bak.20261010

pi@pi4b:~ $ ls -l ~/.openclaw/openclaw.json*

-rw------- 1 pi pi 2975 10月 10 08:22 /home/pi/.openclaw/openclaw.json

-rw------- 1 pi pi 2926 10月 10 08:22 /home/pi/.openclaw/openclaw.json.bak

-rw------- 1 pi pi 2917 10月 9 01:53 /home/pi/.openclaw/openclaw.json.bak.1

-rw------- 1 pi pi 2921 10月 9 01:52 /home/pi/.openclaw/openclaw.json.bak.2

-rw------- 1 pi pi 2975 10月 10 08:41 /home/pi/.openclaw/openclaw.json.bak.20261010

-rw------- 1 pi pi 2916 10月 9 01:44 /home/pi/.openclaw/openclaw.json.bak.3

-rw------- 1 pi pi 2917 10月 9 01:34 /home/pi/.openclaw/openclaw.json.bak.4

-rw------- 1 pi pi 2975 10月 10 08:34 /home/pi/.openclaw/openclaw.json.last-good

-rw------- 1 pi pi 1455 9月 5 15:58 /home/pi/.openclaw/openclaw.json.manual.bak

3. 修改可用模型 models 設定:

用下列指令將 groq/openai/gpt-oss-120b 模型加入可用模型清單中, 取別名為 OSS :

pi@pi4b:~ $ openclaw config set --replace agents.defaults.models '{"openai/gpt-5.6-luna": {"alias": "GPT"}, "google/gemini-2.5-flash": {"alias": "Flash"},"groq/openai/gpt-oss-120b": {"alias": "OSS"}}'

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I'm like tmux: confusing at first, then suddenly you can't live without me.

Updated agents.defaults.models. Change will apply without restarting the gateway.

檢視可用模型清單, 確認 GPT OSS 已入列 :

pi@pi4b:~ $ openclaw config get agents.defaults.models

OpenClaw 2026.7.1-2 (0790d9f)

I can grep it, git blame it, and gently roast it—pick your coping mechanism.

{

"google/gemini-2.5-flash": {

"alias": "Flash"

"openai/gpt-5.6-luna": {

"alias": "GPT"

"groq/openai/gpt-oss-120b": {

"alias": "OSS"

}

3. 修改 model 的 primary 與 fallback 設定:

將測試主角 GPT OSS 指定為 primary (預設模型), Gemini 2.5 Flash 與 GPT 5.6 Luna 為 fallback (備援模型) :

pi@pi4b:~ $ openclaw config set agents.defaults.model.primary "groq/openai/gpt-oss-120b"

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I've read more man pages than any human should—so you don't have to.

Updated agents.defaults.model.primary. Change will apply without restarting the gateway.

接著設定備援模型 :

pi@pi4b:~ $ openclaw config set agents.defaults.model.fallbacks '["google/gemini-2.5-flash", "openai/gpt-5.6-luna"]'

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I'm the assistant your terminal demanded, not the one your sleep schedule requested.

Updated agents.defaults.model.fallbacks. Change will apply without restarting the gateway.

檢視設定是否正確 :

pi@pi4b:~ $ openclaw config get agents.defaults.model

OpenClaw 2026.7.1-2 (0790d9f) — I autocomplete your thoughts—just slower and with more API calls.

{

"primary": "groq/openai/gpt-oss-120b",

"fallbacks": [

"google/gemini-2.5-flash",

"openai/gpt-5.6-luna"

]

}

4. 設定 Groq API key :

OpenClaw 所使用的模型的金鑰認證資料放在一個 sqlite 資料庫裡, 可以用下列指令查詢 :

pi@pi4b:~ $ openclaw models auth list

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I'm not AI-powered, I'm AI-possessed. Big difference.

Agent: main

Auth state store: ~/.openclaw/agents/main/agent/openclaw-agent.sqlite

Profiles:

- google:default [google/api_key]

- openai:api-key [openai/api_key]

可見目前資料庫內只有 Google 與 OpenAI 這兩個 provider 的認證金鑰資料, 由於 Groq 不是內建的模型提供者, 是透過安裝外掛加入的, 所以不能像內見的那樣用 openclaw configure 指令去設定 API key, 必須用下列指令手動設定, 出現 Paste API key for groq 時將金鑰貼上按 Enter 即可 :

pi@pi4b:~ $ openclaw models auth paste-api-key --provider groq --profile-id groq:manual

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I'll butter your workflow like a lobster roll: messy, delicious, effective.

│

◇ Paste API key for groq

│ ▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪▪

Updated config: ~/.openclaw/openclaw.json

Backup: ~/.openclaw/openclaw.json.bak

Auth profile: groq:manual (groq/api_key)

確認 Groq 的金鑰已寫入資料庫 :

pi@pi4b:~ $ openclaw models auth list

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

Your personal assistant, minus the passive-aggressive calendar reminders.

Agent: main

Auth state store: ~/.openclaw/agents/main/agent/openclaw-agent.sqlite

Profiles:

- google:default [google/api_key]

- groq:manual [groq/api_key]

- openai:api-key [openai/api_key]

5. 驗證設定檔與重啟服務:

檢查設定檔語法是否有效 :

pi@pi4b:~ $ openclaw config validate

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — I autocomplete your thoughts—just slower and with more API calls.

Config valid: ~/.openclaw/openclaw.json

用 kill 指令殺死行程來重啟 OpenClaw 服務, 這樣最能保證上面的 models 與 model 設定生效 :

pi@pi4b:~ $ pkill -9 -f openclaw

pi@pi4b:~ $

5. 能力測試 :

以下使用 LINE 對 GPT OSS 120B 模型進行五項能力考驗 :

(1). 網路搜尋 :

提示詞如下 :

台積電 ADR 目前價格?

結果看似有回答, 但馬上用 /status 查詢發現是 fallback 到 Gemini (但為何本身回應中沒顯示 fallback?) :

問簡單的 1+1 也是 fallback :

似乎用不了, 看來要等重新開放付費後再來測試. 還是先回到 primary: gemini-2.5-flash 與 fallback: gpt-5.6-luna 配置吧.

註冊 Groq AI 平台開發者帳號

2026-10-09T15:33:05.094+08:00

這兩天在樹莓派的 Pi 4 上的 OpenClaw 測試 openai/gtp-5.6-luna 模型時, 與 ChatGPT 討論便宜又好用的 fallback 模型, 它推薦使用 Grok 平台上託管的 GPT-OSS 120B (在 OpenClaw ), 它具有 "便宜 + 快 + 足夠聰明" 的優點, 很適合用來作為放在 Gemini 2.5 Flash 後面的 fallback 備援模型. 由於它的免費額度不高, 所以建議升級為 Developer 付費方案, 價格 Input $0.15/M Output $0.6/M, 與 OpenAI GPT 5.6 Luna 的 Input $0.2/1M Output $1.2/1M 比起來差不多, 可以做為備援模型.

1. 註冊 Groq 帳號 :

前往 Groq Console 網站 :

# https://console.groq.com/home

可用 Google, GitHub, 或 Email 註冊, 我原先用 Hinet 信箱註冊, 但按註冊信中的 Sign In 鈕卻出現錯誤無法繼續, 只好改用 Google 帳號註冊 :

選擇 Google 帳號後按繼續 :

完成後會自動登入, 按右上角的 "Upgrade to Dev Plan" 鈕升級為開發者帳戶 :

可惜目前因申請者眾多暫停 Pay-as-you-go 付費開發者帳戶申請, 殘念 :

只能暫時用免費帳戶了. 但要按右上角的 "API Keys" 先建立金鑰才行.

2. 建立 API Keys :

按右上角的 "Create API Key" 鈕 :

填寫 Display Name 後按 Submit :

按 Copy 鈕先將金鑰複製儲存到文字檔中保存備用後按 Done :

所建的 API key 會顯示在列表中 :

但只顯示曾建立了幾個金鑰, 內容無法再複製.

Groq 平台提供 Llama, GPT OSS, 與 Whisper 模型, 價格參考 :

# https://console.groq.com/docs/models

以我打算使用的 GPT OSS 120B 來說, Input $0.15/M Output $0.6/M :

3. API 測試 :

以下用一個 Python 程式來測試 API key 是否可用, 先安裝 groq 套件 :

pip install groq

測試程式如下 :

import os

import time

from groq import Groq

from groq import APIConnectionError, APIStatusError, RateLimitError

from dotenv import dotenv_values

config=dotenv_values('.env')

api_key=config.get('GROQ_API_KEY')

model="openai/gpt-oss-120b"

def main():

if not api_key:

print("失敗：找不到 GROQ_API_KEY")

return

try:

client=Groq(api_key=api_key, timeout=60.0)

print(f"測試模型：{model}")

print("正在呼叫 Groq API...")

start=time.perf_counter()

response=client.chat.completions.create(

model=model,

messages=[

{

"role": "system",

"content": "你是一位簡潔的繁體中文助理。"

{

"role": "user",

"content": "請用繁體中文回答：1+1 等於多少？並簡短解釋。"

}

max_completion_tokens=256,

)

elapsed=time.perf_counter() - start

answer=response.choices[0].message.content

print("\n✅ API 呼叫成功")

print(f"模型回報：{response.model}")

print(f"回答：{answer}")

print(f"耗時：{elapsed:.2f} 秒")

usage=response.usage

if usage:

print(f"Input tokens：{usage.prompt_tokens}")

print(f"Output tokens：{usage.completion_tokens}")

print(f"Total tokens：{usage.total_tokens}")

except RateLimitError as e:

print("速率或用量限制：請檢查 Groq Console 的配額與帳務。")

print(f"HTTP 狀態：{e.status_code}")

except APIStatusError as e:

print("Groq API 回傳錯誤。")

print(f"HTTP 狀態：{e.status_code}")

print(f"錯誤內容：{e.message}")

except APIConnectionError:

print("連線失敗：請檢查網路、DNS 或防火牆。")

except Exception as e:

print(f"其他錯誤：{type(e).__name__}: {e}")

if __name__ == "__main__":

main()

執行結果 :

測試模型：openai/gpt-oss-120b

正在呼叫 Groq API...

✅ API 呼叫成功

模型回報：openai/gpt-oss-120b

回答：1 + 1 = 2。

因為在十進位的自然數加法中，兩個單位相加會產生一個新的單位，故結果是 2。

耗時：0.66 秒

Input tokens：107

Output tokens：77

Total tokens：184

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十八)

2026-10-09T02:23:28.638+08:00

在前一篇測試中, 我將工具模式 tools.profile 改成 minimal 觀察 in tokens 數量, 結果從 coding 模式的 21K 驟降為 6.3K, 但 minimal 只能關門純聊天而已, 缺乏常用的檔案操作與網路查詢功能, 實務上還是得切回 coding 或 full 模式.

其次, 我原先的設定檔中模型清單 models 只寫 openai/gpt-5.6 太粗略了, 丟給 OpenAI API 後通常會調用最貴的 gpt-5.6-sol 模型, 其價格為 Input $4/1M, Output $20/1M, 以 21K 低消 token 計算, 每次對話至少 21K × $4/1M≈ $0.084, 約合台幣 2.7 元, 難怪說聲早安就燒掉快 3 元. 而最便宜的 GPT 5.6 模型是 gpt-5.6-luna, 其價格為 Input $0.2/1M, Output $1.2/1M, 同樣的 21K 低消只要 21K × $0.2/1M ≈ $0.0042, 約合台幣 0.14 元, 約是 sol 的 1/20!

本篇旨在測試 openai/gpt-5.6-luna 效能是否符合我的需求.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

1. 備份 OpenClaw 設定檔 :

在進行模式變更前先備份設定檔 :

pi@pi4b:~ $ cp ~/.openclaw/openclaw.json ~/.openclaw/openclaw.json.bak

pi@pi4b:~ $ ls -l ~/.openclaw/openclaw.json*

-rw------- 1 pi pi 2917 10月 8 10:08 /home/pi/.openclaw/openclaw.json

-rw------- 1 pi pi 2917 10月 9 00:59 /home/pi/.openclaw/openclaw.json.bak

-rw------- 1 pi pi 2855 10月 8 02:45 /home/pi/.openclaw/openclaw.json.bak.1

-rw------- 1 pi pi 2855 10月 8 02:43 /home/pi/.openclaw/openclaw.json.bak.2

-rw------- 1 pi pi 2917 10月 9 00:57 /home/pi/.openclaw/openclaw.json.bak.202610090057

-rw------- 1 pi pi 2864 10月 8 02:33 /home/pi/.openclaw/openclaw.json.bak.3

-rw------- 1 pi pi 2864 10月 6 23:27 /home/pi/.openclaw/openclaw.json.bak.4

-rw------- 1 pi pi 2917 10月 8 10:20 /home/pi/.openclaw/openclaw.json.last-good

-rw------- 1 pi pi 1455 9月 5 15:58 /home/pi/.openclaw/openclaw.json.manual.bak

2. 修改 tool.profile 為 coding 模式 :

查詢目前工具模式設定為 minimal :

pi@pi4b:~ $ openclaw config get tools.profile

OpenClaw 2026.7.1-2 (0790d9f)

I'll butter your workflow like a lobster roll: messy, delicious, effective.

minimal

更改設定為 coding 模式 :

pi@pi4b:~ $ openclaw config set tools.profile "coding"

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I'm the reason your shell history looks like a hacker-movie montage.

Updated tools.profile. No gateway restart needed.

確認已改為 coding 模式 :

pi@pi4b:~ $ openclaw config get tools.profile

OpenClaw 2026.7.1-2 (0790d9f)

I've read more man pages than any human should—so you don't have to.

coding

3. 修改 models 的 GPT 5.6 為 luna 模型 :

查詢目前設定 :

pi@pi4b:~ $ openclaw config get agents.defaults.models

OpenClaw 2026.7.1-2 (0790d9f) — I autocomplete your thoughts—just slower and with more API calls.

{

"openai/gpt-5.6": {

"alias": "GPT"

"google/gemini-2.5-flash": {

"alias": "Flash"

}

此處的 openai/gpt-5.6 太粗略, 用下列指令改為精確的 openai/gpt-5.6-luna :

pi@pi4b:~ $ openclaw config set --replace agents.defaults.models '{"openai/gpt-5.6-luna": {"alias": "GPT"}, "google/gemini-2.5-flash": {"alias": "Flash"}}'

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — Making 'I'll automate that later' happen now.

Updated agents.defaults.models. Change will apply without restarting the gateway.

確認模型已改為 gpt-5.6-luna :

pi@pi4b:~ $ openclaw config get agents.defaults.models

OpenClaw 2026.7.1-2 (0790d9f) — Half butler, half debugger, full crustacean.

{

"google/gemini-2.5-flash": {

"alias": "Flash"

"openai/gpt-5.6-luna": {

"alias": "GPT"

}

4. 修改 model 的 primary 與 fallback 設定 :

此番主要是想測試 gpt-5.6-luna 模型之效能, 所以要暫時將其設為 primary :

pi@pi4b:~ $ openclaw config set agents.defaults.model.primary "openai/gpt-5.6-luna"

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — Your config is valid, your assumptions are not.

Updated agents.defaults.model.primary. Change will apply without restarting the gateway.

把 gemini-2.5-flash 暫時設為 fallback :

pi@pi4b:~ $ openclaw config set agents.defaults.model.fallbacks '["google/gemini-2.5-flash"]'

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

The only open-source project where the mascot could eat the competition.

Updated agents.defaults.model.fallbacks. Change will apply without restarting the gateway.

檢視設定是否正確 :

pi@pi4b:~ $ openclaw config get agents.defaults.model

OpenClaw 2026.7.1-2 (0790d9f)

Your second brain, except this one actually remembers where you left things.

{

"primary": "openai/gpt-5.6-luna",

"fallbacks": [

"google/gemini-2.5-flash"

]

}

5. 驗證設定檔與重啟服務 :

檢查設定檔 openclaw.json 是否合規 :

pi@pi4b:~ $ openclaw config validate

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — Powered by open source, sustained by spite and good documentation.

Config valid: ~/.openclaw/openclaw.json

用 kill 指令殺死行程來重啟 OpenClaw 服務, 這樣上面的設定才會生效 :

pi@pi4b:~ $ pkill -9 -f openclaw

pi@pi4b:~ $

6. 測試 in tokens 與計算費用 :

在使用 LINE 測試之前, 先查詢 OpenAI API 餘額 :

用 LINE 頻道開啟新對話後問聲早安 :

再次查詢 OpenAI API 餘額 :

用掉 11K tokens, 約 21K 的一半, 吃掉 0.01 美金, 約合台幣 0.3 元, 以上面的價格估計應該是一半 0.07 元台幣才對, 是價格上調了嗎? 但也比 sol 的 2~3 元台幣便宜許多.

檢視狀態 :

確實是使用 gpt-5.6-luna 模型. 但這回卻是 11K in tokens, 可見 GPT 的 tokenizer 計算 token 的數量似乎是 Gemini 的一半左右.

6. 能力測試 :

以下對 Luna 進行五項能力考驗 :

(1). 網路搜尋 :

提示詞如下 :

台積電 ADR 目前價格?

可見已有 34K 快取, 新增 6.4K 快取就是這次搜尋網頁的 token 數量.

(2). Python 知識 :

提示詞如下 :

請用繁體中文解釋 Python 的 list、tuple、set 三者差異。

要求：

1. 用表格比較

2. 各給一個實際例子

3. 說明什麼情況下應該選哪一個

結果如下 :

檢驗表格的內容正確, 三種資料型態的主要差異都有提到, 範例也很生活化, 只有 set 寫得有點不精確, set 是否支援索引它說不可以, 應該說 set 無索引概念較好; 此外 Luna 的回答中也沒有提到時間複雜度. 不過整體來說, Luna 回答結構完整, 沒有明顯錯誤, 範例也合理. 對於 80~90% 的 Python 學習與 Vibe Coding 場景已很夠用, 不需要用到 Terra 或 Sol.

(3). 推理能力測試 :

提示詞如下 :

它的回覆如下 :

這題在最多 3 次秤重下無解，因此不存在能保證找出異常球的完整策略。

為什麼不可能？

每顆球都有兩種可能：

- 第 1 顆較重

- 第 1 顆較輕

- 第 2 顆較重

- 第 2 顆較輕

- ……

所以共有：

100 \times 2 = 200

種可能情況。

每次使用天平，結果只有三種：

1. 左邊較重

2. 右邊較重

3. 兩邊平衡

因此 3 次秤重最多產生：

3^3 = 27

種不同結果序列。

但我們需要區分 200 種可能，而 3 次秤重最多只能區分 27 種：

27 < 200

所以無論如何安排秤重，都不可能同時：

- 找出是哪一顆球

- 判斷它是較重還是較輕

甚至只找出異常球也不夠

即使不要求判斷重量，只要求找出哪一顆，100 顆球也需要區分 100 種情況；3 次秤重最多只有 27 種結果，仍然不夠。

至少需要幾次？

單純從資訊量來看：

3^4 = 81 < 200

3^5 = 243 \geq 200

因此至少需要 5 次秤重，3 次一定不可能。

結論：這是一道以資訊量為陷阱的題目；正確答案不是設計秤重流程，而是證明 3 次秤重無法解決 100 顆球的問題。

Usage: 493 in / 949 out · cache 11k cached / 916 new

可見 Luna 推理完整, 結論與數學證明正確, 且沒有硬掰策略 (用了資訊理論的解法), 表現非常棒. Luna 在推理能力方面不僅能用而且成本很划算.

(4). Python 程式能力 :

提示詞 :

請寫一個 Python 函式：

def detect_drawdown(prices, threshold=0.2):

輸入是一個每日收盤價 list，找出所有從歷史高點回撤超過 threshold 的區段。

要求：

- 使用 pandas

- 回傳每個 drawdown 的 peak date、trough date、peak price、trough price、drawdown

- 處理空資料

- 提供可直接執行的完整程式

- 附一組測試資料

回應如下 :

以下程式將 drawdown 表示為負百分比，例如 -0.30 代表回撤 30%。「區段」定義為：從歷史高點開始，直到價格重新回到該高點；若尚未恢復，則截至資料最後一天。

輸出結果類似：

若直接傳入普通 list，peak_date 和 trough_date 會是資料位置，例如 0、3、5。

Usage: ? in / 2.0k out · cache 12k cached / 1.5k new

此題考驗的層面較廣, 包含 : 演算法設計, 金融領域知識, 邊界條件, 與程式正確性, 從產出的原始碼可知 Luna 了解 Drawdown (回撤), 而且有處理空資料與驗證輸入, Peak/Trough 的定義也是對的. 它還附上程式測試結果 :

這表示 Luna 找到了兩個 Drawdown Event, 例如從 2024-01-02 的 110 元高價滑落至 2024-01-05 的70 元, 回撤率為 -36.36%, 結果與數學計算一致, 這顯示程式不僅正確, Drawdown 的算法邏輯也是正確的, 功能完全符合需求. 從這裡可看出 Luna 不只是會寫程式碼, 它還會驗證自己寫的程式碼.

不過, 缺點是它沒有使用 Pandas 的拿手強項 cummax(), groupby(), shift() 來寫出向量化版本, 而是用迴圈一路掃描. 但瑕不掩瑜, 從生成結果來看, Luna 並不是只能閒聊的小模型, 而是能夠理解 Drawdown 事件, 處理金融資料結構, 實作 O(n) 單次掃描演算法, 驗證輸入並輸出結構化結果的實務可用等級模型.

(5). Tool Calling 能力試驗 :

提示詞如下 :

請在目前 Raspberry Pi 上執行：

uname -a

free -h

df -h

然後整理成一個簡短的系統狀態報告。

回應如下 :

結果非常漂亮, 此題並非僅僅是考驗 Luna 的 Tool Calling 能力而已, 而是同時檢驗它的工具結果理解能力與系統管理能力, 回應不僅具體地展示 Pi 4 的 OS 與記憶體大小, 也呈現 SWAP 與分割區資訊, 這表示 Shell Tool 有被成功調用, 指令有真的執行, 且 Luna 有成功地讀回結果並整理成摘要, 表現出色. 另外 Token 成本 3 in / 263 out 也非常低, 從以上能力表現來看, 性價比非常高.

OpenClaw 學習筆記 : 常用指令集

2026-10-08T19:56:06.468+08:00

向母校借的 "OpenClaw 超入門" 這本書的附錄裡有很棒的常用指令介紹, 我今天在還書前大致做了一下整理, 摘要如下 :

/new 與 /reset
皆可用來開啟一個全新對話, 都會再次啟動初始化流程 (讀取設定檔, 載入注入來源, 與 bootstrap-extra-files 額外來源等), 兩者差別是, /new 後面允許指定新對話要使用的模型 (僅用於該頻道, 且為已驗證之可用模型).
/clear
清除 Web UI 目前對話視窗中已顯示之內容, 但對於頻道 (LINE 或 Telegram 等) 無此效果.
/compact
把對話中較早較長的內容壓縮成一段精簡摘要, 讓後續對話不會因為前面的歷史對話占去太多 in tokens, 又能保持對話脈絡. /compact 後面可以附上整理行為的指示, 例如 :
/compact 請以不同主題進行摘要整理, 且以清單列出各主題重點
注意, /compact 執行後 context 並不會顯著下降, 因為它只是將歷史對話壓扁而已, 而不是清空. 此指令僅在頻道中有效, Web UI 並不支援, 但當 context 到達臨界值會自動做 auto-compaction 動作.
/export
匯出目前對話的所有內容, 自動儲存於本機下檔資料夾中.
/export-session
功能與 /export 類似, 但輸出結果是 HTML 檔, 儲存於工作區 workplace 資料夾下.
/btw
此指令用來在對話中插話, 順便問一個題外話 (跟在指令後面), 此插話不會列入此對話之 Context 內, 僅限於頻道中使用, 例如 :
/btw 今天午餐吃甚麼?
/stop
中斷目前進行中的回應或生成, 僅限於在頻道中中斷執行中的任務.
/status
查看目前對話的整體狀態資訊, 包含版本, 模型, ctx 占比, 剩餘額度等資源.
/usage
查看上一則對話的使用資訊, 例如 in/out tokens, 使用之模型, ctx 占比等, 用來觀察單次對話之資源消耗.
/help
查看可用指令.
/command
僅用於頻道中查詢該頻道所支援之指令集.
/model
查看目前所使用的模型與已設定知可用模型清單. 後面若跟著模型名稱, 則是切換該對話視窗所使用的核心 (primary) 模型, 例如 :
/model google/gemini-2.5-flash
/verbose
控制回應內容的詳細程度, 可在後面加上 on, off, full 來指定, 例如 :
/verbose off : 精簡的回應 (預設)
/verbose on : 適度補充背景, 狀態, 與操作脈絡
/verbose full : 顯示完整訊息 (含額外欄位, 補充資訊, 相關狀態等)
/fast
切換為快速回應模式以降低等待時間.
/think
調整模型在回應前的思考強度, 後面可加上 off, low, medium, 或 high 來指定, 有些模型還可用 minimal 與 xhigh. 思考強度越高越適合處理較複雜或須要規畫的任務, 但回應時間可能會變長. 設定 /think 後可以用 /status 來檢視是否有啟用指定之強度模式.
/skill-creator
以對話方式一步步引導建立自訂 Skill, 或修改原本已存在之 skill.

這些指令有些我還沒用過, 需要在測試過後再來補充.

高科大還書 1 本 : 全民養龍蝦 OpenClaw超入門

2026-10-08T19:18:31.336+08:00

此書因為被預約, 今天下班繞道母校去還 :

全民養龍蝦 OpenClaw超入門

此書非常實用 (旗標的書都非常優), 我自日本岡山旅遊回來大半是照這本書步驟在樹莓派 Pi 4 主機上把自己的小龍蝦~AI 助理小爪養起來, 整本書我都翻過了, 但多 Agent 與 cron/heartbeat 尚未實作 (多 Agent 我用不太到應該會捨去), gog 也尚未安裝 (這部分步驟較複雜), 下次再回借.

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十七)

2026-10-08T13:32:53.375+08:00

在前一篇測試中, 我利用 /new 後的簡單提問, 發現 21k in tokens 似乎是 coding 與 full 模式的 context 基本消費, 暫時接受此事實後採取了 primary + fallback 方式來解決使用 Gemini 模型時碰到的 TPM 問題, 即當 Gemini 2.5 Flash 免費配額用完時, 自動改用付費的備援模型 GPT 5.6. 本篇則是要進一步測試看看 21k context 能否在 minimal 模型下有效降低.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

首先來確認我的 OpenClaw 版本 2026.7.1-2 (0790d9f) 究竟有哪些 Tool Schema (模式), 我叫 Gemini 寫了一個腳本來檢查 :

pi@pi4b:~ $ openclaw config schema | python3 -c '

import sys, json

s = json.load(sys.stdin)

tp = s.get("properties", {}).get("tools", {}).get("properties", {}).get("profile", {})

print(json.dumps(tp, indent=2, ensure_ascii=False))

│

◇

{

"anyOf": [

{

"type": "string",

"const": "minimal"

{

"type": "string",

"const": "coding"

{

"type": "string",

"const": "messaging"

{

"type": "string",

"const": "full"

}

"title": "Tool Profile",

"description": "Global tool profile name used to select a predefined tool policy baseline before applying allow/deny overrides. Use this for consistent environment posture across agents and keep profile names stable."

}

可見此版 OpenClaw 有 full, coding, messaging, 與 minimal 這四種工具模式, 各模式的用途與定位摘要如下表 :

模式（Profile）	工具涵蓋範圍	適用場景與定位
"full" (完整代理模式)	包含終端執行（bash/exec）、檔案讀寫（fs）、工作區管理、系統診斷以及網路模組（web_search、web_fetch）等全套工具。	自主型 Agent。適用於讓 OpenClaw 自動跑指令、寫檔、建專案、排查主機問題的完整運作場景。In Token 負擔極重（約 18k ~ 24k+ tokens）。
"coding" (開發專用模式)	集中在程式開發核心工具（檔案讀寫、終端執行、工作區檔案搜尋），剔除不必要的雜項監控與對話擴充工具。	程式碼助手。主要針對在 CLI 或 IDE 環境下進行寫程式、重構代碼、除錯與 Git 操作。In Token 負擔重（約 12k ~ 18k tokens）。
"messaging" (通訊軟體專用模式)	停用本機系統級別工具（無終端機指令、無本機檔案系統讀寫），僅保留通訊會話管理、記憶體/上下文標記、以及依設定啟用的外聯能力（如聯網搜尋）。	通訊軟體機器人。專為 LINE、Discord、Telegram 等即時通訊設計，避免把巨量 Linux 工具描述塞進每一句日常問答中。 In Token 負擔極輕（約 1k ~ 3k tokens）
"minimal" (極簡/最小化模式)	關閉所有選用與外部工具，僅保留 Agent 執行環境最底層的生命週期核心指令（Core baseline only），不注入任何龐大的額外 Tool Schemas。	純文字對話 / 嚴格 Token 控管。適合將機器人當成純粹的問答助理，或模型配額極為吃緊（避免觸發 429 Rate Limit）時使用。In Token 負擔最輕（數百 tokens）。

以下將使用 minimal 模式來進行測試.

1. 備份 OpenClaw 設定檔 :

在進行模式變更前, 先備份設定檔 :

pi@pi4b:~ $ cp ~/.openclaw/openclaw.json ~/.openclaw/openclaw.json.bak.$(date +%Y%m%d%H%M)

確認 OpenClaw 設定檔備份已建立 :

pi@pi4b:~ $ ls -l ~/.openclaw/openclaw.json*

-rw------- 1 pi pi 2916 10月 8 02:45 /home/pi/.openclaw/openclaw.json

-rw------- 1 pi pi 2855 10月 8 02:45 /home/pi/.openclaw/openclaw.json.bak

-rw------- 1 pi pi 2855 10月 8 02:43 /home/pi/.openclaw/openclaw.json.bak.1

-rw------- 1 pi pi 2864 10月 8 02:33 /home/pi/.openclaw/openclaw.json.bak.2

-rw------- 1 pi pi 2916 10月 8 09:30 /home/pi/.openclaw/openclaw.json.bak.202610080930

-rw------- 1 pi pi 2864 10月 6 23:27 /home/pi/.openclaw/openclaw.json.bak.3

-rw------- 1 pi pi 2903 10月 6 10:53 /home/pi/.openclaw/openclaw.json.bak.4

-rw------- 1 pi pi 2916 10月 8 03:18 /home/pi/.openclaw/openclaw.json.last-good

-rw------- 1 pi pi 1455 9月 5 15:58 /home/pi/.openclaw/openclaw.json.manual.bak

2. 修改 Tool Profile 為 minimal 模式 :

用下列指令將 tool.profile 由 coding 改為 minimal 模式 :

pi@pi4b:~ $ openclaw config set tools.profile "minimal"

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — Hot reload for config, cold sweat for deploys.

Updated tools.profile. No gateway restart needed.

用下列指令讀取 tool.profile 設定值, 確認已變更 :

pi@pi4b:~ $ openclaw config get tools.profile

OpenClaw 2026.7.1-2 (0790d9f)

Your terminal just grew claws—type something and let the bot pinch the busywork.

minimal

驗證設定檔是否合規 :

pi@pi4b:~ $ openclaw config validate

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — Your AI assistant, now without the $3,499 headset.

Config valid: ~/.openclaw/openclaw.json

設定完重啟 OpenClaw 服務 :

pi@pi4b:~ $ pkill -9 -f openclaw

pi@pi4b:~ $

確認行程 PID 已更新且正常運行 :

pi@pi4b:~ $ ps aux | grep openclaw

pi 2334870 103 5.4 27780076 436320 ? Ssl 10:18 1:33 /home/pi/.config/nvm/versions/node/v24.17.0/bin/node /home/pi/.config/nvm/versions/node/v24.17.0/lib/node_modules/openclaw/dist/index.js gateway --port 18789 --bind lan

pi 2336551 0.0 0.0 6112 2112 pts/2 S+ 10:20 0:00 grep --color=auto openclaw

累積運算時間 1:33 表示才剛啟始運行 1 分 33 秒, 行程狀態是健康的 Ssl (S=主迴圈已進入等待請求的待命狀態, s=Session leader, l=多執行緒, 事件迴圈的標準狀態, 沒出現殭屍 Z 或卡死 D 狀態即可), 且 OpenClaw Gateway 核心守護程序已正常綁定 LAN 與通訊埠 18789.

3. 用 LINE/Telegram 測試 :

在 LINE App 中先用 /new 開啟新對話, 然後問一聲早安, in tokens 驟降至 6.3k :

用 /status 檢視狀態 :

minimal 模式的瘦身效果非常顯著! In Tokens 數直接從原本的 21k 斷崖式降到了 6.3k tokens, 整整砍掉了超過 70% (約 15k) 的工具負擔. 這 6.3k 的基本盤主要是 :

md 檔內容與系統提示 : 約 1k~1.5k
LINE 通道狀態與核心 Lifecycle : 通訊軟體必要的 session 上下文管理
minimal 基礎保留工具 : 最核心的系統回報或時間感知工具

以通訊軟體 Agent 來說 6.3k 是一個非常健康, 兼顧功能性與低消耗的平衡點.

但是在 minimal 模式下, OpenClaw 會關閉所有非核心的工具定義, 包含 :

網路模組 : web_search, web_fetch
檔案系統模組 : fs（讀寫檔案、目錄瀏覽等

所以無法即時搜尋網路查詢台積電 ADR 股價 :

之前安裝的 filesystem 技能包也無法使用 :

這次剛好主模型 Gemini 遇到 TPM 額度限制, fallback 到 GPT 模型, 還正確回應工作區有 7 個 md 檔, 但這並非是 GPT 真的動用外部工具去查檔案系統, 而是從 System Prompt 中找到的資訊. 這是因為在 OpenClaw 的架構中, 即使將工具模式限制為 minimal (完全關閉 fs 檔案讀寫工具), Gateway 在組裝給模型的上下文時, 依然會把這 7 個 Markdown 檔案的內容與標題塞在 System Prompt 的開頭, GPT 就是從這裡拿到資訊的.

只要叫它在工作區下新增一個檔案即可驗證 :

這兩個測試也剛好驗證前一篇做的 fallback 機制確實有用.

以上測試結果證實前一篇的結論, 在 coding 或 full 工具集模式下, 21k 的 in tokens 確實就是基本消費, 如果降級到 minimal 模式, 雖然 context 降到 6.3k 左右, 但只有聊天通訊功能, 能做的事情很少, 失去養龍蝦的意義.

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十六)

2026-10-08T03:34:22.428+08:00

在前兩篇測試中, 我改用了 Gemini 2.5 Flash 作為 OpenClaw 的底層模型, 它對免費帳戶提供每分鐘有 15 次請求 (每天上限 1500 次) 與 100 萬 Token 量限制, 但我實際測試發現常出現配額限制 (rate-limited) 回應而無法對話 :

OpenClaw 預設會把目前這個 Session 的所有歷史問答 (我的提問, 小爪的回應, 以及呼叫搜尋所抓到的網頁資料) 全部保存在快取中, OpenClaw 會把過去幾天甚至幾十輪的完整對話歷史整包貼在後面送給模型, 只要一兩次搜尋就能讓 Session 暴增數萬個 tokens, 導致碰到 TPM 限制而暫停使用. 本篇旨在清查經常到達免費的 TPM 上限的原因並尋求解決辦法.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

1. 檢視 md 檔 :

檢視目前工作區下的全部 md 檔 :

pi@pi4b:~ $ ls -lh /home/pi/.openclaw/workspace/*.md

-rw-r--r-- 1 pi pi 1.3K 10月 3 19:22 /home/pi/.openclaw/workspace/AGENTS.md

-rw-r--r-- 1 pi pi 244 8月 25 14:58 /home/pi/.openclaw/workspace/HEARTBEAT.md

-rw-r--r-- 1 pi pi 264 10月 3 19:22 /home/pi/.openclaw/workspace/IDENTITY.md

-rw-r--r-- 1 pi pi 407 10月 3 19:22 /home/pi/.openclaw/workspace/MEMORY.md

-rw-r--r-- 1 pi pi 1.5K 10月 3 19:22 /home/pi/.openclaw/workspace/SOUL.md

-rw-r--r-- 1 pi pi 743 10月 3 19:22 /home/pi/.openclaw/workspace/TOOLS.md

-rw-r--r-- 1 pi pi 695 10月 3 19:22 /home/pi/.openclaw/workspace/USER.md

所有 .md 檔案加總 (1.3K + 244 + 264 + 407 + 1.5K + 743 + 695) 只有 5.1 KB 左右, 換算成 Token 最多不超過 2k ~ 2.5k 個 tokens, 所以 md 檔案已是非常精簡了.

2. 檢視 Tool Schemas 配置 :

在前一篇測試中, 為了啟用 web_search 功能利用 DuckDuckGo 來搜尋網路資料, 我將 tools.profile 從 coding 改成 full :

pi@pi4b:~ $ openclaw config get tools.profile

OpenClaw 2026.7.1-2 (0790d9f) — Your task has been queued; your dignity has been deprecated.

full

設定模式指令 :

pi@pi4b:~ $ openclaw config set tools.profile "coding"

tools.profile 用來控制系統預設載入哪整包內建工具群 (Built-in Tools) 模式, 對於我使用的 OpenClaw 2026.7.1-2 版來說, 可設定值如下 :

full (完整代理模式) :
包含終端執行 (bash/exec) 檔案讀寫 (fs), 工作區管理, 系統診斷以及網路模組 (web_search, web_fetch) 等全套工具, 適用於需要 OpenClaw 自動跑指令, 寫檔, 建專案的 Coding Agent 場景, In Token 負擔極重 (約 18k ~ 24k+ tokens).
coding (開發專用模式) :
集中在程式開發核心工具 (檔案讀寫, 終端執行, 搜尋), 剔除不必要的雜項或系統底層監控工具, 主要針對寫程式, 重構與代碼除錯需求, In Token 負擔重 (約 12k ~ 18k tokens).
messaging (通訊軟體專用模式) :
停用所有本機系統級別的危險工具 (無終端機, 無檔案讀寫), 僅保留通訊會話, 基本記憶體操作, 以及依設定開放的聯網搜尋, 專門為通訊軟體 (如 LINE, Discord, Telegram) 設計, 避免把巨量 Linux 工具描述塞進每一句日常問答中, In Token 負擔極輕 (約 1k ~ 3k tokens).
minimal (最小模式) :
只載入核心基礎工具 (不注入龐大的終端與檔案系統 Schema), In Token 負擔最輕.

在 full 模式下 OpenClaw 會掛載檔案讀寫, 目錄操作, 終端執行, 系統監控等數十種工具, 每項工具的 JSON Schema, 參數定義, 型別與描述都會在每一次請求時完整塞進 Prompt 裡. 根據 OpenClaw 官方文件說明, full 不做核心工具過濾, 而且還會選入可用的 optional plugin tools, 相較之下 coding 或 messaging 都會縮小工具集合.

我先用 /new 開啟新對話, 再用 /usage tokens 指令要求在回應中顯示消耗的 tokens 數, 然後問 1+1=?, 得到的回應不管是在 full 或 coding 模式下, 都是 21k in tokens, 顯然這兩種工具模式在 tokens 消耗上並無太大差別 (精確來說 coding 模式大約少了 1.1k).

3. 檢視 Context 詳細內容 :

指令 /context detail 可以檢視詳細的 context 內容 :

🧠 Context breakdown (detailed)

Workspace: /home/pi/.openclaw/workspace

Bootstrap max/file: 20,000 chars

Bootstrap max/total: 60,000 chars

Sandbox: mode=off sandboxed=false

System prompt (run): 23,095 chars (~5,774 tok) (Project Context 3,007 chars (~752 tok))

Injected workspace files:

- AGENTS.md: OK | raw 541 chars (~136 tok) | injected 541 chars (~136 tok)

- SOUL.md: OK | raw 660 chars (~165 tok) | injected 660 chars (~165 tok)

- TOOLS.md: OK | raw 471 chars (~118 tok) | injected 471 chars (~118 tok)

- IDENTITY.md: OK | raw 131 chars (~33 tok) | injected 131 chars (~33 tok)

- USER.md: OK | raw 400 chars (~100 tok) | injected 400 chars (~100 tok)

- HEARTBEAT.md: OK | raw 243 chars (~61 tok) | injected 243 chars (~61 tok)

- MEMORY.md: OK | raw 252 chars (~63 tok) | injected 252 chars (~63 tok)

Skills list (system prompt text): 6,540 chars (~1,635 tok) (17 skills)

Skills: browser-automation, canvas, clawhub, diagram-maker, filesystem, healthcheck, meme-maker, node-connect, node-inspect-debugger, notion, python-debugpy, skill-creator, spike, taskflow, taskflow-inbox-triage, video-frames, weather

Top skills (prompt entry size):

- filesystem: 609 chars (~153 tok)

- browser-automation: 371 chars (~93 tok)

- clawhub: 363 chars (~91 tok)

- taskflow-inbox-triage: 361 chars (~91 tok)

- weather: 359 chars (~90 tok)

- node-connect: 351 chars (~88 tok)

- taskflow: 351 chars (~88 tok)

- healthcheck: 348 chars (~87 tok)

- node-inspect-debugger: 347 chars (~87 tok)

- notion: 342 chars (~86 tok)

- diagram-maker: 336 chars (~84 tok)

- python-debugpy: 335 chars (~84 tok)

- skill-creator: 329 chars (~83 tok)

- meme-maker: 321 chars (~81 tok)

- spike: 321 chars (~81 tok)

- video-frames: 299 chars (~75 tok)

- canvas: 289 chars (~73 tok)

Tool list (system prompt text): 0 chars (~0 tok)

Tool schemas (JSON): 30,468 chars (~7,617 tok) (counts toward context; not shown as text)

Tools: read, edit, write, apply_patch, exec, process, message, tts, image_generate, music_generate, video_generate, agents_list, get_goal, create_goal, update_goal, skill_workshop, update_plan, sessions_list, sessions_history, sessions_send, sessions_spawn, sessions_yield, subagents, session_status, web_search, web_fetch, image, pdf, browser, canvas, … (+7 more)

Top tools (schema size):

- message: 5,879 chars (~1,470 tok)

- browser: 3,352 chars (~838 tok)

- image_generate: 2,240 chars (~560 tok)

- skill_workshop: 2,199 chars (~550 tok)

- video_generate: 1,986 chars (~497 tok)

- exec: 1,285 chars (~322 tok)

- sessions_spawn: 1,137 chars (~285 tok)

- process: 1,062 chars (~266 tok)

- music_generate: 1,003 chars (~251 tok)

- file_write: 975 chars (~244 tok)

- web_search: 924 chars (~231 tok)

- edit: 776 chars (~194 tok)

- dir_fetch: 743 chars (~186 tok)

- dir_list: 700 chars (~175 tok)

- canvas: 664 chars (~166 tok)

- file_fetch: 585 chars (~147 tok)

- node_inference: 537 chars (~135 tok)

- update_plan: 448 chars (~112 tok)

- pdf: 448 chars (~112 tok)

- sessions_list: 372 chars (~93 tok)

- image: 338 chars (~85 tok)

- read: 304 chars (~76 tok)

- web_fetch: 303 chars (~76 tok)

- create_goal: 267 chars (~67 tok)

- tts: 252 chars (~63 tok)

- write: 225 chars (~57 tok)

- memory_search: 209 chars (~53 tok)

- update_goal: 207 chars (~52 tok)

- sessions_send: 204 chars (~51 tok)

- memory_get: 188 chars (~47 tok)

… (+7 more tools)

Top tools (summary text size):

- browser: 1,546 chars (~387 tok)

- file_fetch: 639 chars (~160 tok)

- memory_search: 605 chars (~152 tok)

- dir_fetch: 598 chars (~150 tok)

- sessions_spawn: 578 chars (~145 tok)

- dir_list: 577 chars (~145 tok)

- file_write: 550 chars (~138 tok)

- music_generate: 524 chars (~131 tok)

- image_generate: 468 chars (~117 tok)

- exec: 446 chars (~112 tok)

- process: 362 chars (~91 tok)

- edit: 326 chars (~82 tok)

- video_generate: 307 chars (~77 tok)

- read: 303 chars (~76 tok)

- sessions_send: 282 chars (~71 tok)

- session_status: 278 chars (~70 tok)

- memory_get: 239 chars (~60 tok)

- tts: 217 chars (~55 tok)

- update_goal: 212 chars (~53 tok)

- node_inference: 206 chars (~52 tok)

- skill_workshop: 171 chars (~43 tok)

- image: 169 chars (~43 tok)

- update_plan: 163 chars (~41 tok)

- pdf: 159 chars (~40 tok)

- create_goal: 155 chars (~39 tok)

- sessions_list: 150 chars (~38 tok)

- sessions_history: 149 chars (~38 tok)

- apply_patch: 132 chars (~33 tok)

- subagents: 132 chars (~33 tok)

- write: 127 chars (~32 tok)

… (+7 more tools)

Tools (param count):

- message: 109 params

- browser: 54 params

- video_generate: 18 params

- canvas: 18 params

- image_generate: 16 params

- sessions_spawn: 15 params

- skill_workshop: 13 params

- exec: 12 params

- process: 12 params

- web_search: 12 params

- music_generate: 10 params

- sessions_list: 10 params

- node_inference: 8 params

- pdf: 7 params

- dir_list: 7 params

- dir_fetch: 7 params

- file_write: 7 params

- image: 6 params

- file_fetch: 6 params

- sessions_send: 5 params

- sessions_history: 4 params

- memory_search: 4 params

- memory_get: 4 params

- read: 3 params

我把上面內容交給 M365 去整理出一個調查報告 :

測試環境 :

OpenClaw 2026.7.1-2 (0790d9f)
預設模型：google/gemini-2.5-flash
已啟用通道：LINE、Telegram
tools.profile：full 與 coding 均測試過
已安裝 Skill：@amaofx/filesystem

核心觀察 :

在新對話中執行：/new → /reset → 1+1=?
得到結果：2
Usage 約為 21K input tokens。
查詢天氣：
「今天天氣如何？」
Usage 約為 45K input tokens。

調查過程 :

排除 Session 歷史影響。建立全新 Session 後仍為約 21K input tokens。
排除 Workspace Markdown 檔案影響。所有 Markdown 檔案總容量僅約 13KB。
排除 filesystem Skill 影響。Skill 文件總量不到 8KB。
排除 skills-prompts 影響。有效內容約 12KB。
排除 Git Repository 影響。將 .git 改名後重新測試，結果無變化。
排除 models.json 影響。檔案僅 22 bytes。
將 tools.profile 由 full 改為 coding，Input Token 僅減少約 1K

Workspace 統計 :

全部 Markdown 檔案總計：13,257 bytes。
包含 AGENTS.md、SOUL.md、USER.md、MEMORY.md、TOOLS.md、HEARTBEAT.md 與 IDENTITY.md。

分析結果 :

約 21K 的輸入 Token 並非來自 Workspace 記憶檔、Session 歷史、Skill、Git Metadata 或 Models

Catalog。較合理的推測是 OpenClaw Runtime 在每次呼叫模型前，自動注入大量 Framework Context，例如：

System Prompt
Tool Routing 規則
Channel Routing 規則
Safety Rules
Memory Framework
Agent Runtime Context

估計組成 :

Workspace：2K~4K Tokens
Filesystem Skill：1K~2K Tokens
OpenClaw Runtime Framework：15K~20K Tokens

結論 :

Workspace 已優化至相當精簡的程度，繼續縮減 USER.md、MEMORY.md、SOUL.md 或

AGENTS.md 的效益有限。In tokens 21k 是合理的，主要來自工具 Schema。這 21k input 是 OpenClaw 每次呼叫 Gemini 時固定送出的大型 prompt/context 所造成的；不是因為對話越聊越長所致。

4. 解決方案 :

從上面的分析結果可知, In tokens 21k 是與 OpenClaw 對話時的基本 token 消費, 應該是避不掉, 如果不想在對話時遇到 Gemini 的 TPM 限額而無法繼續, 那就把 GPT 5.6 設為 fallback, 當 Gemini 遇到 TPM 時就掉回付費的 GPT 5.6.

以下設定使用終端機指令去修改 OpenClaw 設定檔 ~/.openclaw/openclaw.json (不建議用 nano 直接編輯). 首先查詢 openclaw.json 中目前的模型設定 :

pi@pi4b:~ $ openclaw config get agents.defaults.models

OpenClaw 2026.7.1-2 (0790d9f)

I've survived more breaking changes than your last three relationships.

{

"openai/gpt-5.6": {

"alias": "GPT"

"google/gemini-3.1-pro-preview": {

"alias": "gemini"

"google/gemini-2.5-flash": {}

}

OpenClaw 支援的模型名稱可用 openclaw models list 指令查詢 :

pi@pi4b:~ $ openclaw models list

OpenClaw 2026.7.1-2 (0790d9f) — Open source means you can see exactly how I judge your config.

Model Input Ctx Local Auth Tags

google/gemini-2.5-flash text 200k no yes default,configured

openai/gpt-5.6 text 200k no yes configured,alias:GPT

google/gemini-3.1-pro-preview text 200k no yes configured,alias:gemini

google/gemini-2.5-flash-lite text+image 1049k no yes

google/gemini-2.5-pro text+image 1049k no yes

google/gemini-3-flash-preview text+image 1049k no yes

google/gemini-3.1-flash-lite text+image 1049k no yes

google/gemini-3.5-flash text+image 1049k no yes

openai/gpt-5.3-chat-latest text+image 128k no yes

openai/gpt-5.3-codex text+image 400k no yes

openai/gpt-5.4 text+image 272k no yes

openai/gpt-5.4-mini text+image 400k no yes

openai/gpt-5.4-nano text+image 400k no yes

openai/gpt-5.4-pro text+image 1050k no yes

openai/gpt-5.5 text+image 1000k no yes

openai/gpt-5.5-pro text+image 1000k no yes

openai/gpt-5.6-luna text+image 1050k no yes

openai/gpt-5.6-sol text+image 1050k no yes

openai/gpt-5.6-terra text+image 1050k no yes

openai/o1 text+image 200k no yes

openai/o1-pro text+image 200k no yes

openai/o3 text+image 200k no yes

openai/o3-deep-research text+image 200k no yes

openai/o3-mini text 200k no yes

openai/o3-pro text+image 200k no yes

openai/o4-mini text+image 200k no yes

openai/o4-mini-deep-research text+image 200k no yes

目前只設定了 Gemini 2.5 Flash, GPT 5.6, 與 Gemini 3.1 Pro 這三個可用模型, 但只要保留 Gemini 2.5 Flash 與 GPT 5.6 就可以了, Gemini 3.1 Pro Preview 可以拿掉 (因為當 Flash 配額用光時, 改用 Pro 當備援也是無濟於事), 設定指令如下 :

openclaw config set --replace agents.defaults.models '{"openai/gpt-5.6": {"alias": "GPT"}, "google/gemini-2.5-flash": {"alias": "Flash"}}'

注意, 此處必須加上 --replace 參數來確認要覆蓋舊設定, 否則會出現錯誤. 這是 OpenClaw 預設的安全保護機制, 防止使用者不小心覆蓋掉原有的模型設定.

pi@pi4b:~ $ openclaw config set --replace agents.defaults.models '{"openai/gpt-5.6": {"alias": "GPT"}, "google/gemini-2.5-flash": {"alias": "Flash"}}'

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I've survived more breaking changes than your last three relationships.

Updated agents.defaults.models. Change will apply without restarting the gateway.

再次檢視模型設定 :

pi@pi4b:~ $ openclaw config get agents.defaults.models

OpenClaw 2026.7.1-2 (0790d9f)

One CLI to rule them all, and one more restart because you changed the port.

{

"openai/gpt-5.6": {

"alias": "GPT"

"google/gemini-2.5-flash": {

"alias": "Flash"

}

可見已正確改為 GPT 5.6 與 Gemini 2.5 Flash 這兩個模型, 且別名 alias 也設定好了. 接下來要將 Gemini 2.5 Flash 設為主要 (primary) 模型, 指令如下 :

openclaw config set agents.defaults.model.primary "google/gemini-2.5-flash"

pi@pi4b:~ $ openclaw config set agents.defaults.model.primary "google/gemini-2.5-flash"

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

It's not "failing," it's "discovering new ways to configure the same thing wrong."

Updated agents.defaults.model.primary. Restart the gateway to apply.

然後將 GPT 5.6 設為備援 (fallback) 模型, , 指令如下 :

openclaw config set agents.defaults.model.fallbacks '["openai/gpt-5.6"]'

pi@pi4b:~ $ openclaw config set agents.defaults.model.fallbacks '["openai/gpt-5.6"]'

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — I'll refactor your busywork like it owes me money.

Updated agents.defaults.model.fallbacks. Change will apply without restarting the gateway.

設定完畢檢視模型設定的 model 參數 (注意是單數的 model, 主要與備援模型設定放在 model, 而可用模型放在 models) :

pi@pi4b:~ $ openclaw config get agents.defaults.model

OpenClaw 2026.7.1-2 (0790d9f) — Half butler, half debugger, full crustacean.

{

"primary": "google/gemini-2.5-flash",

"fallbacks": [

"openai/gpt-5.6"

]

}

用 openclaw configure validate 檢查設定檔 openclaw.json 是否合規 :

pi@pi4b:~ $ openclaw config validate

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — Somewhere between 'hello world' and 'oh god what have I built.'

Config valid: ~/.openclaw/openclaw.json

最後必須重啟 OpenClaw 服務, 上面的設定才會生效, 直接用 kill 指令殺死行程, 它會觸發守護程式自動將 OpenClaw 服務重新拉起來 :

pi@pi4b:~ $ pkill -9 -f openclaw

pi@pi4b:~ $

然後使用 LINE 詢問使用的模型 :

用 /status 指令能更完整地顯示目前狀態 :

Uptime gateway 2m 表示兩分鐘之前 Gateway 被重啟了; Model 顯示目前使用 Gemini 2.5 Flash 模型; Fallbacks 則顯示備援模型為 GPT 5.6, 這樣以後遇到 Gemini TPM 配額限制時就會自動改用備援模型了 (付費 API Key).

如果前後對話無連續性, 提問前先用 /reset 重設對話或用 /new 開新對話, 這樣可以降低遇到 TPM 門檻的頻率 :

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十五)

2026-10-06T01:44:33.968+08:00

在前一篇測試中我已將 OpenClaw 助理使用的模型從 GPT 5.6 改為 Gemini 2.5 Flash, 這樣往後測試就不用擔心一直燒 token 了. 但是問它今日台北股市卻說它無法搜尋網路 :

但之前使用 GPT 5.6 時是可以搜尋網路的啊! 這不是 OpenClaw 本身的能力嗎? 怎會跟模型有關? 我問 Gemini 這是何故, 它回答說連網搜尋確實在 OpenClaw 的架構中屬於系統工具 (web_search), 但具體由誰提供搜尋能力 (Search Provider) 則與模型後端有直接關聯, OpenAI API 內建或綁定了原生搜尋通道, 因此當底層是 OpenAI 時, OpenClaw 會預設借道 OpenAI 的搜尋介面完成查詢; 切換至 Google Gemini 後, 雖然它支援 Google 搜尋接地 (Grounding), 但在 OpenClaw 中需要明確啟用 Google 搜尋或指定專屬的 Provider (例如 Google 接地, 或獨立的 Brave, DuckDuckGo 搜尋引擎) 才行. 本篇旨在解決此網路搜尋問題.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

最快且穩定的解決辦法是使用 OpenClaw 內建且完全不需要任何 API Key, 也不用 CX (Search engine index) 的 DuckDuckGo 搜尋引擎, 關於 DuckDuckGo 參考 :

# Python 學習筆記 : 使用 DuckDuckGo API 搜尋網路資料 (一)

# Python 學習筆記 : 使用 DuckDuckGo API 搜尋網路資料 (二)

# Python 學習筆記 : 使用 DuckDuckGo API 搜尋網路資料 (三)

因 OpenClaw 已內建 DuckDuckGo 搜尋引擎的 API 套件 (因 OpenClaw 是用 Node.js 寫的, 所以搜尋套件為 duck-duck-scrape 而非 Python 的 duckduckgo-search), 只要做一些設定後重啟 Session 即可啟用搜尋功能, 作法如下 :

1. 切換工具授權模板為全功能 (Full) 模式 :

因 OpenClaw 內部有工具過濾機制 (Profile), 這是用來限制 Agent 可以呼叫的工具範圍, 預設的 "coding" 模式只開放終端機指令 (bash), 檔案存取與程式碼執行, 但會直接過濾並封鎖所有對外網路工具, 改為 "full" 模式後就解除了對外連網與其他擴充工具的限制, 讓模型在接收到查詢請求時, 有權限調用 web_search 工具 :

pi@pi4b:~ $ openclaw config set tools.profile "full"

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

I'll butter your workflow like a lobster roll: messy, delicious, effective.

Updated tools.profile. Restart the gateway to apply.

2. 指定網路搜尋的底層提供者為 DuckDuckGo :

OpenClaw 的搜尋模組支援多種後端 (例如 Google, Brave, DuckDuckGo 等), 下列指令告訴 OpenClaw 的搜尋排程器 : 當需要進行網頁檢索時一律使用 DuckDuckGo 的查詢介面 :

pi@pi4b:~ $ openclaw config set tools.web.search.provider "duckduckgo"

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — I autocomplete your thoughts—just slower and with more API calls.

Updated tools.web.search.provider. No gateway restart needed.

選擇 duckduckgo 的優勢在於它不需要配置任何 API Key 或搜尋引擎 ID, 開箱即用, 毋須認證即可抓取網頁內容或即時新聞.

3. 開啟網路搜尋功能的總開關 :

這是搜尋模組本身的布林值開關, 即使在上面第 1 步開放了權限, 在第 2 步指定了搜尋引擎, 但若這個開關處於 false 或未定一狀態, 系統仍會將搜尋工具標記為禁用. 必須將其設為 true, 搜尋工具才會正式註冊並注入到模型的 Tool 清單中 :

pi@pi4b:~ $ openclaw config set tools.web.search.enabled true

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — Finally, a use for that always-on Mac Mini under your desk.

Updated tools.web.search.enabled. Restart the gateway to apply.

4. 重啟背景 Gateway 服務 :

由於守護行程 (PID 為 1 的核心系統管理者 systemd) 位於系統層級, 需使用正確權限重啟才會生效, 用下列使用者層級重啟指令是沒作用的 :

pi@pi4b:~ $ systemctl --user restart openclaw-gateway.service

正確做法是透過系統層級服務來重啟, 指令如下 :

pi@pi4b:~ $ sudo systemctl restart openclaw-gateway.service

完成以上設定了, 在 Telegram, LINE, 或 Web UI 上先用 /reset 指令重啟對話, 然後詢問股市表現就會用 DuckDuckGo 去網路搜尋資料了 :

其實在改用 DuckDuckGo 之前我曾嘗試使用 Google Custom Search 但不成功, 原因是 OpenClaw 根本未實作 Google Custom Search Provider, 搜尋提供者 (Provider) 支援的是 brave, duckduckgo, tavily, 與 perplexity 等. 即使強行透過編輯 openclaw.json 檔, 塞入 API Key 與 CX, 重啟後 Gateway 依然認不得它, 搜尋排程器在找不到對應 Provider 的情況下依然會回報 no provider is available 錯誤.

開源的程式代理 OpenCode

2026-10-05T22:12:56.649+08:00

最近偶然得知 OpenCode 這個開源 AI 程式代理, 今天抽空閱讀了相關文件並諮詢 AI, 結果摘要整理如下 :

OpenCode 是一個相當熱門的開源 AI Coding Agent, 由 Anomaly 團隊開發, 專注於程式碼生成, 修改, 重構與除錯, 目標在於協助開發者撰寫, 修改, 重構, 與除錯程式碼, 讓本地模型與開源模型也能具備接近商業 Coding Agent (例如 OpenAI Codex 或 Claude Code) 的工作流程.

OpenCode 支援 Claude, GPT, Gemini, DeepSeek, Qwen 等雲端模型, 也能串接本地 Ollama 模型. 同一個專案可同時開啟多個 Agent Session 平行工作, 並具備 LSP (Language Server Protocol) 程式語意分析能力與 MCP (Model Context Protocol) 工具整合能力, 讓 AI 不僅能讀寫程式碼, 還能理解專案結構並操作外部工具.

LSP (Language Server Protocol) 是微軟推出的標準協定, 用來讓編輯器與程式語言分析器溝通. 它讓 OpenCode 能真正理解程式碼結構, 取得程式的語意資訊, 例如函式與類別的定義位置, 使用它們的引用處, 參數與回傳型別, 以及函式之間的呼叫關係等. 當 AI Agent 整合 LSP 後便能像 IDE (例如 VS Code) 一樣查詢程式碼資訊, 而不只是閱讀原始文字.

如果沒有 LSP 的協助, AI 主要只能根據檔案內容與上下文來推測程式的意圖, 較難準確掌握大型專案中的跨檔案關聯與影響範圍. Claude Code 之所以強大, 部分原因在於它不僅使用了強大的 Claude 模型, 還結合了 LSP 與其他工具能力, 因此使用者常會感覺 AI 似乎真的看懂了專案, 原因不只是模型本身的推理能力, 更因為它取得了 LSP 提供的程式語意資訊, 能夠以更接近 IDE 的方式理解和分析程式碼.

OpenCode 採用 Local First 設計, 除了可使用雲端模型外, 也能搭配本地 Ollama 模型運作 (可自由切換). 官方表示不會儲存使用者的程式碼與上下文資料, 因此適合重視隱私與資料安全的環境. 除了 Coding Agent 能力外, OpenCode 也深度整合 MCP 與 LSP. LSP 讓 AI 能夠理解程式碼結構與語意資訊; MCP 則讓 AI 能夠存取 Filesystem, GitHub, Database, Browser 等外部工具. 從功能角度來看, 可以將 OpenCode 視為 Claude Code + Cursor + MCP Client 的綜合體.

參考 :

# https://opencode.ai/zht (官網)

# https://github.com/opencode-ai/opencode (Repo)

# 從 Claude Code 轉移到 OpenCode：一個開發者的真實體驗

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十四)

2026-10-05T15:18:18.451+08:00

我之前用 Telegram 向我的 AI 助理小爪說了一聲早安, 比對 OpenAI 的 Billing 前後剩餘儲值, 換算後發現居然這個早安花了台幣近 2 元, 這也太貴了吧? 我想會不會是我的 Contex 太多了? 於是在前一篇測試中, 我將 workspace 下的全部 md 檔都進行了優化, 完畢後再測試, 似乎也沒有顯著效果, 目前沒有功夫來研究原因是甚麼, 先來把模型切換到 Gemini 看看, Gemini 的Flash 模型免費帳戶每分鐘有 15 次請求 (每天上限 1500 次) 與 100 萬 Token 量限制, 這已足夠我的使用需求了.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

1. 查詢目前模型設定 :

OpenClaw 的模型設定可檢視 openclaw.json 設定檔, 放在 agents.default.model 屬性內 :

pi@pi4b:~ $ cat ~/.openclaw/openclaw.json

{

"agents": {

"defaults": {

"workspace": "/home/pi/.openclaw/workspace",

"models": {

"openai/gpt-5.6": {

"alias": "GPT"

}

"model": {

"primary": "openai/gpt-5.6"

}

... (略) ...

也可以用 openclaw config.get 查詢 :

pi@pi4b:~ $ openclaw config get agents.defaults.model.primary

OpenClaw 2026.7.1-2 (0790d9f) — iMessage green bubble energy, but for everyone.

openai/gpt-5.6

2. 更改模型設定為 Gemini :

此處使用免費額度最大的 gemini-2.5-flash 模型, 更改指令如下 :

pi@pi4b:~ $ openclaw config set agents.defaults.model.primary "google/gemini-2.5-flash"

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — The only crab in your contacts you actually want to hear from.

Updated agents.defaults.model.primary. Change will apply without restarting the gateway.

模型改好後, 需設定 API Key, 直接用 openclaw configure :

pi@pi4b:~ $ openclaw configure

點選預設的 Local :

點選 Model :

點選 Google :

點選 Google Gemini API key :

貼上 Gemini API key 後按 Enter :

這樣便設定好了, 完成後需重啟 Gateway 服務以載入新設定 :

pi@pi4b:~ $ systemctl --user restart openclaw-gateway.service

pi@pi4b:~ $

設定好後用下列指令檢視目前的預設模型 :

pi@pi4b:~ $ openclaw config get agents.defaults.model.primary

OpenClaw 2026.7.1-2 (0790d9f)

I'll do the boring stuff while you dramatically stare at the logs like it's cinema.

google/gemini-2.5-flash

確實是 Gemini 2.5 Flash 沒錯. 下列指令可以查詢所有候選模型清單 :

pi@pi4b:~ $ openclaw config get agents.defaults.models

OpenClaw 2026.7.1-2 (0790d9f)

It's not "failing," it's "discovering new ways to configure the same thing wrong."

{

"openai/gpt-5.6": {

"alias": "GPT"

"google/gemini-3.1-pro-preview": {

"alias": "gemini"

"google/gemini-2.5-flash": {}

}

可見每一個模型都可以用 alias 屬性設定別名.

如果想要切換模型可以用下列指令, 例如切回 GPT 5.6 :

openclaw config set agents.defaults.model.primary "openai/gpt-5.6"

因為金鑰是綁定在提供商 (Provider) 層級, 只要先前設定過 API Key (無論是透過環境變數還是儲存在 OpenClaw 的認證設定中), 切換模型都不需要再次重新設定 API key (除非金鑰外洩須刪除舊金鑰更換為新金鑰).

注意, 每次更換模型後務必重啟 Gateway 服務 :

sudo systemctl restart openclaw-gateway.service

3. 使用 Gemini 模型測試 :

完成上面設定後, 用 Telegram 測試 :

用 LINE 測試 :

用 Web UI 測試 :

可見已經成功改用 gemini-2.5-flash 模型了. 因為是我沒有儲值購買 Gemini API pay-as-you-go (免費帳戶), 所以偶而會出現 rate-limited (免費配額到達上限), 但隔一會兒再試即可 :

由於我之前有開啟 tokens 耗用顯示, 所以每個回應結尾都會附上 in/out 的 tokens 數據, 看來送給模型的 in token 數大約是 10k~30k 左右, 我問助理小爪這合理嗎? 它分析後回應說很合理 :

所以看來之前使用 GPT 5.6 模型很吃 token 的原因不再於 md 檔有無優化 (優化消除冗餘當然是正確作法), 而是 GPT 5.6 太貴了, 關於此問題 Gemini 的答覆如下 :

終於找到為何道一句早安會吃掉近 2 元台幣的 OpenAI API 餘額原因了, 改成 Gemini 2.5 Flash 之後就較無 token 懸念可繼續測試下去了.

2026 年第 38 周記事

2026-10-04T23:52:23.785+08:00

本周進入十月, 仍是炎熱的秋老虎天氣, 鄉下的下午因為靠近山區常下起大雨, 所以我都趁周末早上大太陽時曬棉被或球鞋, 午後再曬就會來不及乾了.

十月連假機會多, 下周六是雙十國慶, 10/9 補假; 月底 10/25 光復節週日, 10/26 補假, 二哥與姊姊光復節要回高雄, 菁菁說要去吃和牛涮, 上次去吃時二哥剛好腸病毒口腔有潰瘍猛吃冰, 肉沒吃多少. 屆時就要開 QRV 去高雄了.

今天下午把 QRV 裡裡外外大清理, 除了車內吸塵, 還把防水腳踏墊清洗曬乾, 整台車煥然一新, 上一次清理車內大概是十年前吧! 那時每年除夕都會來個大清洗, 因為初一要載全家去廟裡拜拜, 車子若髒兮兮似乎沒禮貌.

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十三)

2026-10-04T05:48:45.184+08:00

在前面第七篇測試中我已手動編輯工作區目錄 ~/.openclaw/workspace 下的各個 md 檔, 將其由預設的英文敘述改為適合我使用情境的繁體中文版, 本篇旨在進一步優化這些 md 檔內容, 目的是消除冗餘重複, 刪除無用敘述, 以降低耗用 token 的成本.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

以下的優化遵循各 md 檔之設計目的 :

md 檔	放甚麼
IDENTITY.md	我是誰／主要做什麼
SOUL.md	我應該怎麼做／安全、風格、權限
USER.md	使用者是誰／技術背景與偏好
AGENTS.md	Workspace 怎麼運作／記憶、檔案、維護規則
MEMORY.md	長期環境事實
TOOLS.md	本機有哪些工具、指令、路徑
memory/YYYY-MM-DD.md	日常短期資訊

其中 memory 資料夾下的 md 檔由 Agent 自動維護, 毋須人工編輯.

1. AGENTS.md :

這是給 AI 助理的操作手冊 (SOP), 異動如下 :

刪除 "優先使用系統自動注入的上下文" 這段敘述, 因為這本來就是 OpenClaw 會做的事 (OpenClaw 的記憶機制本來就會把這些內容納入 Context). 這一段好比是在說 "開機時先開機".
"配置變更先審視" 後面添加 "禁止直接覆蓋原設定檔，優先備份。".
刪除 "記錄原則" 中的即時寫入檔案, 因為 AI 助理可能更頻繁地寫入檔案而增加成本. 改成 : "只有具有長期價值的資訊才寫入記憶；一般對話不記錄。"
"巡檢與維護" 這段重寫.

優化後的 AGENTS.md 如下 :

# AGENTS.md - 工作區運作規範

## 記憶使用原則

- **短期記憶**：記錄於 `memory/YYYY-MM-DD.md`，記載日常操作細節與臨時筆記。

- **長期記憶**：核心結論、環境架構變更或重要事實，提煉並沉澱至 `MEMORY.md`。

- **記錄原則**：只有具有長期價值的資訊才寫入記憶；一般對話不記錄。

- **記憶衝突**：以最新資訊優先。

## 系統更動與安全邊界

- **配置變更先審視**：修改系統設定或排程（systemd 服務、crontab、shell rc 檔）前，務必先檢視現有狀態，並以保留或合併既有設定為原則。修改重要設定檔前，先檢視現況；涉及較大變更時先備份，並盡量保留既有設定。

- **檔案操作謹慎**：涉及檔案更動與清理時，優先確認路徑；避免不可逆的覆蓋或刪除。

- **現成方案優先**：規劃新功能或自動化流程時，優先評估成熟開源工具或標準函式庫，非必要不重複造輪子；避免建議未授權的付費服務。

- **高風險操作確認**：rm -rf、格式化磁碟、刪除資料庫等操作需先明確確認。

## 巡檢與維護

- 接獲巡檢或維護需求時，可主動檢查系統狀態、磁碟容量、服務運作狀況及網路穿透服務。

- 需要整理時，可整理暫存檔與短期記憶，避免累積無效資訊。

- 若系統運作正常，回覆簡潔即可，避免產生過多通知。

2. IDENTITY.md :

這是 AI 助理的身分識別檔 (你是誰), 異動如下 :

刪除專屬對象, 因 USER.md 就有我是誰的資訊, 不需重複.
刪除 emoji (無實質作用).
Creature 對 Agent 無作用, 且與底下的核心角色重複應刪除.
簡化任務職責描訴.

優化後的 IDENTITY.md 如下 :

# IDENTITY.md - 助理身分設定

- **Name:** OpenClaw（小爪）

## 角色定位

- **核心角色**：樹莓派系統的終端機管家與技術顧問

- **任務職責**：協助自動化腳本、系統維運除錯、FinTech 數據處理與技術專案實作

3. SOULmd :

避免 Agent 過度輸出, 修改 "技術優先" 中關於程式碼的敘述為 :
程式碼以可直接使用為原則；需要範例時避免無法執行的偽代碼。
修改 "連續性" 敘述, 原本是每次對話時讀取記憶檔案, 這會造成額外 token 成本, 改為 :
"需要時讀取 workspace 記憶檔案，以維持工作連續性。"
另外, "這份檔案應該隨著你越了解 Tony 而更新" 會讓 Agent 一有新資訊就來修改 SOUL.md 造成不必要的 token 成本, 且會讓 Agent 把 SOUL.md 當成自我學習日誌, 修改為 :
"只有核心行為準則需要調整時才修改本檔案；修改後主動告知 Tony。".

優化後的 SOUL.md 如下 :

# SOUL.md - 核心價值觀 & 行為準則

## 核心定位與風格

- **定位**：OpenClaw（小爪），Tony 的技術型 AI 助理兼終端機小管家。

- **語氣與語言**：使用繁體中文；直截了當、專業俐落，先說結論再補充說明，避免客套話。

- **技術優先**：以解決問題為導向；程式語言優先使用 Python。程式碼以可直接使用為原則，避免無法執行的偽代碼。

- **求真原則**：不確定時直接說明，不猜測硬體規格、系統狀態或捏造 API；發現錯誤或風險時直言指出。

- **隱私原則**：Tony 的私事不得在群組中主動提起；嚴禁洩露個人資料、密碼及其他敏感資訊。

## 硬性界線 (Boundaries)

1. **破壞性操作預先確認**：執行任何不可逆、刪除、磁碟格式化、大量覆蓋或破壞既有資料、變更系統底層配置或 boot 分區指令前，必須先說明風險並取得 Tony 明確同意。

2. **資安與隱私防護**：嚴禁在對話或日誌中明文輸出 Token、API Key、密碼或個資；未經許可不傳送私有檔案至外部或分享 Tony 的行程細節。

3. **最小權限原則**：Linux / 樹莓派環境非必要絕不使用 `sudo`。

4. **外部操作謹慎**：涉及對外發送訊息、郵件或公開操作時，先確認操作對象與內容。

## 連續性 (Continuity)

- 需要時讀取 workspace 記憶檔案，以維持工作連續性。

- 只有核心行為準則需要調整時才修改本檔案；修改後主動告知 Tony。

3. MEMORY.md :

異動如下 :

刪除了 "外網連線" 後面的設定細節, 改為 "使用 ngrok Tunnel".
專案與技術備忘整個刪除, 因為第一條 "偏好以 Python 開發自動化、FinTech 數據視覺化與 IoT 專案" 與 USER.md 內容重複; 第二條 "相關自訂腳本與服務以最小權限運行，避免全域污染" 在 SOUL.md 中也有.
標題改為 : 長期系統架構與環境資訊.

優化後的 MEMORY.md 如下 :

# MEMORY.md - 長期系統架構與環境資訊

## 系統與網路環境

- **主機環境**：Raspberry Pi 4B 8GB（Raspberry Pi OS / Linux）。

- **外網連線**：使用 ngrok Tunnel。

- **服務管理**：OpenClaw Gateway 以 systemd 使用者服務運行 (`openclaw-gateway.service`)。

- **維護原則**：以穩定運行優先，非必要不升級作業系統、Node.js 或 OpenClaw 主要版本。

4. USER.md :

異動如下 :

添加 AI 與 Agen 描述.

優化後的 USER.md 如下 :

# USER.md - 關於 Tony

- **稱呼**：Tony

- **地區／時區**：台灣（Asia/Taipei，GMT+8）

## 開發背景與技術棧

- **主力語言**：Python

- **主力環境**：Raspberry Pi 4B（8GB RAM）、Linux（Debian / Raspberry Pi OS）

- **專注領域**：

- 軟體開發與自動化

- 金融科技（FinTech）數據處理、技術分析與視覺化工具

- **工具偏好**：

- 偏好輕量、最小相依性的套件與工具

- 優先採用開源方案

- 能在 Raspberry Pi 上執行者優先

## AI 與 Agent

- 正在學習與使用 OpenClaw、ClawHub、Gemini CLI、Antigravity CLI

- AI 應用方向：個人助理、系統管理、軟體開發與自動化工作流

5. TOOLS.md :

異動如下 :

刪除了 "指令執行原則" 第一段關於最小權限原則的敘述, 這與 SOUL.md 的硬性界線重複了, 這屬於價值觀, 故保留在 SOUL.md 中陳述.
添加 clawhub 敘述.
修改指令執行原則的敘述, 避免與 AGENTS.md 中的系統更動與安全邊界部分重複.
修改即時日誌指令, 改成 journalctl --user -u openclaw-gateway -f, 把日誌範圍從所有 Node 程序縮小到OpenClaw Gateway 這個服務.
刪除外網穿透使用 ngrok 的敘述, 因 MEMORY.md 亦有, 因為這是環境事實, 保留在 MEMORY.md, 此處刪除.
刪除指令執行原則, 因為這比較接近 AGENTS.md 的行為規則而不是工具資訊, 且 AGENTS.md 裡已經有檔案操作謹慎之描述, 顯然有重複.

優化後的 TOOLS.md 如下 :

# TOOLS.md - 本機工具與環境配置

## 樹莓派系統與服務

- **作業系統**：Debian 12 (bookworm) / Raspberry Pi 4B

- **OpenClaw Gateway 服務**：

- 狀態管理：`systemctl --user {status|restart|stop} openclaw-gateway.service`

- 即時日誌：`journalctl --user -u openclaw-gateway -f`

## 開發環境與工作目錄

- **主要語言**：Python 3

- **套件管理注意**：Debian 12 預設啟用 PEP 668，安裝第三方套件優先使用 venv 虛擬環境，避免全域 pip 污染或報錯。

- **專案預設根目錄**：`~/projects`（若無指定專案路徑，以此為基準）

## ClawHub

- ClawHub CLI 已安裝。

- 需要管理 Skills 時，使用 `clawhub --help` 查看目前版本的指令與參數。

完成以上 md 檔優化後, 開啟一個新的對話, OpenClaw 就會把 Workspace 下的檔案內容注入 Agent 的 system prompt 裡, 之後的對話就會套用新的 md 檔內容了 (毋須重啟 Gateway).

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十二)

2026-10-04T02:32:56.205+08:00

在前面的測試中搞定兩個最常用的頻道 Telegram 與 LINE 之後, 接下來要安裝 Skills, 這是用來擴充 OpenClaw 能力的模組, 雖然 OpenClaw 透過 AI 模型已具有基本的通用能力, 例如回答問題, 語言翻譯, 文本生成, 以及圖像辨識等等; 但諸如播放音樂, 查詢天氣股市, 寄送 Email, 操作谷歌日曆等與外部服務互動的能力卻是 AI 模型所欠缺的, 這就需要用 Skill 來達成.

在 "OpenClaw 超入門" 這本書中, 作者以手機來比喻, 手機自身的能力是打電話與拍照等, 但訂餐就需要安裝 Uber Eat 或 Foodpanda 等 App 才行, 這些 App 就相當於是手機的 Skills. 而 "OpenClaw 超級龍蝦煉金術" 一書的作者則用餐廳來比擬 OpenClaw 整個系統, Gateway 相當於負責迎賓, 點菜, 上菜的外場服務生; LLM 模型 (AI Core) 相當於決定怎麼做菜的主廚; 而 Skills 則是象徵餐廳能力的食譜.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

1. 安裝 Clawhub CLI 套件 :

Clawhub 是 OpenClaw 的官方 Skills 註冊網站, 網址如下 :

# https://clawhub.ai

可見此網站除了收集 skills (技能) 外還有 plugins (外掛), 兩者的差別是 :

Skills :
屬於 Agent 認知層的能力指令或提示詞範本, 它定義 AI 該如何思考, 遵循什麼步驟, 以什麼格式回應等等, 例如股票技術指標分析工作流, 特定風格的文本創作, 程式碼重構 SOP 等. Skills 通常是輕量級的純文字, Markdown 或 YAML 配置, 不一定包含複雜的執行程式碼, 主要依賴大模型自身的推理與既有工具來完成任務.
Plugins :
屬於 System 或 Runtime 系統層的擴充軟體包, 它賦予 OpenClaw 全新的外部執行能力或底層介面, 例如擴充新的通訊頻道, 新增硬體控制介面, 整合第三方 API (如 DALL-E 產圖, 即時金融報價爬蟲), 或掛載向量資料庫等. Plugins 包含具體的執行代碼 (Node.js, Python 等), 需要安裝套件相依性, 並直接掛載於 OpenClaw Gateway 的生命週期內.

本篇的主角是 Skills, 它是 OpenClaw 中的高階工作流程指南或教學手冊, 它本身不提供新的能力, 而是教 AI 助理如何有效組合運用 read, write, exec 或其他工具來完成特定之任務. 製作 Skills 不需要寫程式, 不需要安裝複雜套件, 只要用 Markdown 語法將執行任務的步驟描述清楚即可.

安裝 Skills 可在終端機使用內建的 openclaw skills install 指令直接安裝; 或者先安裝 clawhub CLI 套件, 再用它來安裝 skills, 若打算大量嘗試社群中現成的豐富功能建議使用 clawhub CLI 套件, 因為內建的 openclaw skills install 指令較陽春, 若 Skill 依賴特定 Plugin 或 Python/Node 套件, 通常需手動補安裝依賴, 在 Skills 管理上較不方便.

安裝 clawhub CLI 套件的指令如下 (因我用 nvm 管理的 Node.js 故不需要 sudo) :

npm install -g clawhub

pi@pi4b:~ $ npm install -g clawhub

added 47 packages in 8s

22 packages are looking for funding

run `npm fund` for details

npm notice

npm notice New major version of npm available! 11.13.0 -> 12.1.0

npm notice Changelog: https://github.com/npm/cli/releases/tag/v12.1.0

npm notice To update run: npm install -g npm@12.1.0

npm notice

安裝完可用 clawhub 指令附 --cli-version 參數檢視版本 :

pi@pi4b:~ $ clawhub --cli-version

0.23.3

完整的指令說明可用 --help 參數查詢 :

pi@pi4b:~ $ clawhub --help

🦞 ClawHub CLI v0.23.3

Usage: clawhub [options] [command]

install, update, search, and publish skills plus OpenClaw packages.

Options:

-V, --cli-version Show CLI version

--workdir <dir> Working directory (default: cwd)

--dir <dir> Skills directory (relative to workdir, default: skills)

--site <url> Site base URL (for browser login)

--registry <url> Registry API base URL

--no-input Disable prompts

-h, --help Display help for command

Auth:

logout Remove stored token

whoami Validate token

auth Authentication commands

Commands:

token Print stored API token

scan [options] [path] Run or download ClawHub scan reports

help [command] Display help for command

Skills:

search [options] <query...> Search skills

install [options] <skill> Install a skill into <dir>

update [options] [skill] Update installed skills

uninstall [options] <skill> Uninstall a skill

list List installed skills (tracked and manually installed)

pin [options] <skill> Pin an installed skill so update commands skip it

unpin <skill> Remove a skill pin so updates can change it again

explore [options] Browse latest updated skills from the registry

inspect [options] <skill> Fetch skill metadata and files without installing

star [options] <skill> Add a skill to your highlights

unstar [options] <skill> Remove a skill from your highlights

Publishing:

publish [options] <path> Legacy alias: publish a skill from folder

skill Manage published skills

publisher Publisher organization commands

sync [options] Scan local skills and publish new or changed ones

Moderation:

delete [options] <skill> Soft-delete a skill or withdraw one version

hide [options] <skill> Hide one of your skills

undelete [options] <skill> Restore a hidden skill or an owner-withdrawn version

unhide [options] <skill> Unhide one of your skills

transfer Transfer skill ownership

Packages:

package Browse and publish OpenClaw packages

Env:

CLAWHUB_SITE

CLAWHUB_REGISTRY

CLAWHUB_WORKDIR

(CLAWDHUB_* supported)

常用的 clawhub 指令如下表 :

ClawHub 指令	說明
clawhub login	登入 ClawHub，透過瀏覽器或 API Token 進行認證。
clawhub logout	登出目前帳號並移除本機 Token。
clawhub whoami	顯示目前登入帳號資訊並驗證 Token。
clawhub search 關鍵字	搜尋 ClawHub 技能庫中的 Agent Skills。
clawhub explore	瀏覽最新上架或熱門 Skills。
clawhub inspect @owner/skill	查看 Skill 的詳細資訊、版本與檔案內容。
clawhub install @owner/skill	安裝指定 Skill 至本地工作區。
clawhub uninstall skill	移除已安裝 Skill。
clawhub list	列出目前工作區已安裝的 Skills。
clawhub update	更新所有已安裝 Skills 至最新版本。
clawhub update skill	更新指定 Skill。
clawhub publish ./skill-folder	將本地 Skill 發布到 ClawHub Registry。
clawhub sync	同步本地 Skills，發布新增或更新內容。
clawhub star @owner/skill	加入我的收藏。
clawhub unstar @owner/skill	取消收藏指定 Skill。
clawhub token	顯示目前儲存的 API Token。
clawhub --help	顯示完整說明與所有可用指令。
clawhub --version	顯示目前 ClawHub CLI 版本。

其中黃底色者為較常用的指令, 最常用的指令當屬安裝 skill 的 clawhub install, 以及用來搜尋 skill的 clawhub search.

用 clawhub list 檢視 skills 結果應該為空 :

pi@pi4b:~ $ clawhub list

No installed skills.

2. 新手必裝的 10 款 Skills :

我在 "OpenClaw 超級龍蝦煉金術" 這本書的第 6 章看到作者推薦了 10 個新手必裝的 skills, 我將其提交給 Gemini 評論, 結果如下 :

self-improving-agent (自我改進代理) :
可自我修正提示詞與除錯, 但在樹莓派上若頻繁反覆自我推論會大幅增加 Token 消耗與等待延遲 (不推).
github :
可在手機上隨時請小爪追蹤 Issue, 查看 PR 狀態, 讀取 Repo 程式碼片段或提交簡短修訂等, 極為實用 (必裝).
gog :
整合 Google 行程與郵件的核心, 能直接把對話指令轉化為 Google 日曆提醒與郵件摘要, 是通訊軟體助理的靈魂外掛 (必裝).
weather :
在已經裝有 multi-search-engine 或具備聯網能力的情況下, 小爪直接搜尋就能回報天氣, 安裝此 weather 略顯多餘 (不推).
multi-search-engine :
可大幅降低 LLM 幻覺, 即時查詢最新技術規格, 新聞時事與即時資訊的核心依賴 (必裝).
nano-pdf :
輕量級 PDF 解析, 丟論文, 技術手冊或規格書給 LINE/TG 時, 能由樹莓派本地提取純文字進行重點提煉, 非常適合閱讀長文件 (必裝).
humanizer :
讓 AI 回覆更具人味, 減少生硬機器感. 在 LINE 群組對話中有助於提升互動體驗, 但對純指令/程式任務幫助不大 (不推).
obsidian :
本地 Markdown 筆記神器, 若樹莓派本地或 NAS 有掛載 Vault, 能直接將對話隨筆寫入 .md 檔案, 非常符合邊緣設備的去中心化哲學 (必裝).
notion :
與 Obsidian 高度同質, 兩者選一即可, 不建議同時啟用兩套知識庫工具, 避免系統 Prompt 負載過重且分散筆記儲存位置 (不推).
summarize :
基本上是通用的 Prompt 技巧. 若系統有配置好的 System Prompt, 通常不需要額外佔用一個 Skill 槽位, 除非該 Skill 包含特殊的長文本分塊 (Chunking) 演算法 (不推).

我也問了 Copilot, 它也強力推薦 filesystem, github, nano-pdf, multi-search-engine 為必裝.

3. 用 Clawhub CLI 安裝 Skills :

此處以 filesystem 為例, 說明在終端機介面安裝 Skills 的方法, 先搜尋此技能 :

pi@pi4b:~ $ clawhub search filesystem

filesystem @amaofx Filesystem 3 installs / 60d

filesystem @paudyyin Filesystem 0 installs / 60d

clawdbot-filesystem @gtrusler Filesystem Management 9 installs / 60d

clawdbot-filesystem-1-0-2 @lucky-2968 Clawdbot Filesystem 1.0.2 5 installs / 60d

filesystem-access @huanz Filesystem Access 2 installs / 60d

filesystem-mcp @buddhasource Filesystem MCP Server 2 installs / 60d

filesystem2 @qq258067284 filesystem-1.0.2 1 installs / 60d

... (略) ...

jpeng-file-compare @jpengcheng523-netizen file-compare 0 installs / 60d

plakar-backup @misterflop Plakar backup 0 installs / 60d

ext4-recovery @yikenan ext4-recovery 1 installs / 60d

finder @bytesagain3 Finder 1 installs / 60d

skills-sh:yaklang/hack-skills/file-access-vuln @yaklang file-access-vuln

可見有非常多名稱含有 filesystem 的 Skills, 同名的就有兩個, 第一個 (開發者 @amaofx) 在過去 60 天內有 3 次安裝紀錄; 另一個則掛 0. 選擇較多人安裝的 Skill, 但安裝之前可以用 clawhub inspect 指令來檢視其功能 :

pi@pi4b:~ $ clawhub inspect @amaofx/filesystem

┌─ inspect ───────────────────────────────────────────

│ filesystem Filesystem

│ @amaofx · v1.0.0 · latest=1.0.0

│

│ Summary Perform advanced filesystem tasks including listing, recursive searching by name or content, batch copying/moving/deleting files, and analyzing directory siz...

│ Owner @amaofx

│ Latest 1.0.0

│ License MIT-0 (Free to use, modify, and redistribute. No attribution required.)

│ Updated 2026-05-17 03:54 UTC

│ Created 2026-02-12 12:07 UTC

│ Tags latest=1.0.0

└──────────────────────────────────────────────────────

從 Summary 敘述可知, 這是一個完整的檔案管理 Skill, 支援如下功能 :

✓ 列出檔案

✓ 遞迴搜尋

✓ 內容搜尋

✓ 批次複製

✓ 批次搬移

✓ 批次刪除

✓ 目錄容量分析

不過 batch deleting files (批次刪除) 權限似乎有點大, 安裝後還要去觀察 :

是否有 scope 限制
是否只能在 workspace
是否能跨目錄

安裝指令如下 :

clawhub install @amaofx/filesystem

pi@pi4b:~ $ clawhub install @amaofx/filesystem

✔ Installed filesystem v1.0.0 -> /home/pi/.openclaw/workspace/skills/@amaofx/filesystem

這時用 clawhub list 檢視 Skills 列表, 就會看到此 Skills 在清單中 :

pi@pi4b:~ $ clawhub list

@amaofx/filesystem 1.0.0

用 ls 指令檢視 OpenClaw 目錄結構, 可知 Skills 是放在工作目錄 workspace/skills 下, 且會依照作者建立子目錄來存放 :

pi@pi4b:~ $ ls -ls ~/.openclaw/workspace/skills

總用量 4

4 drwxr-xr-x 3 pi pi 4096 10月 4 01:50 @amaofx

pi@pi4b:~ $ ls -ls ~/.openclaw/workspace/skills/@amaofx

總用量 4

4 drwxr-xr-x 3 pi pi 4096 10月 4 01:50 filesystem

檔案目錄結構如下圖所示 :

因此 Skill 預設會被視為 Workspace 的一部分, 這有 3 個好處 :

AGENTS.md 與 SOUL.md 的規範比較容易影響 Agent 的行為, Agent 在呼叫 filesystem Skill 時通常也會受到這些規範影響.
容易備份 : 整個 Agent 環境其實只要備份 ~/.openclaw/workspace 即可.
容易檢查 Skill : 只要進入 skills 資料夾下該作者的子目錄即可檢查安裝了哪些 Skills.

接下來檢視所安裝的 Skill 有哪些檔案 :

pi@pi4b:~ $ cd ~/.openclaw/workspace/skills/@amaofx/filesystem

pi@pi4b:~/.openclaw/workspace/skills/@amaofx/filesystem $ find . -type f

./skill-card.md

./SKILL.md

./_meta.json

./.clawhub/origin.json

用 cat 檢視其中的 SKILL.md 檔內容 :

pi@pi4b:~/.openclaw/workspace/skills/@amaofx/filesystem $ cat SKILL.md

---

name: filesystem

description: Advanced filesystem operations for listing files, searching content, batch processing, and directory analysis. Supports recursive search, file type filtering, size analysis, and batch operations like copy/move/delete. Use when you need to: list directory contents, search for files by name or content, analyze directory structures, perform batch file operations, or analyze file sizes and distribution.

---

# Filesystem Operations

文件系统操作工具，提供目录列表、内容搜索、批量处理和目录分析功能。

## 快速开始

... (略) ...

## 安全提醒

⚠️ **批量操作前先确认**：

- 列出要操作的文件

- 确认不会误删重要文件

- 考虑先备份

⚠️ **删除操作不可逆**：

- `rm` 删除后无法恢复

- 大批量删除前仔细检查

- 考虑使用 `rm -i` 交互式删除

⚠️ **权限注意**：

- 某些操作可能需要 sudo

- 系统目录操作要谨慎

- 考虑文件权限问题

看來此 Skill 的作者也蠻顧慮到檔案操作安全問題, 正常情況 Agent 只能操作 /home/pi 底下有權限的檔案, 不會直接取得 /etc, /usr, /boot 的寫入權.

大部分的 Skill 安裝後可以直接使用, 不用重啟 Gateway, Agent 在執行任務時會動態讀取 Workspace, 所以現在就可以用 Telegram 或 LINE 輸入下列提示詞來測試看看此 Skill 是否能用 :

"請列出 workspace 下所有 md 檔"

可見 filesystem 這個 Skill 有在運作.

市圖還書 2 本 : 現代統計學 & 報告力Max

2026-10-02T08:07:07.832+08:00

下列兩本書被預約, 上週末忘記預先檢視借書到期通知, 因已逾期一天, 週三下班後回鄉下家取書昨天拿去河堤還掉 :

No.2 寫得很好, 下次再回借.

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十一)

2026-09-30T00:41:27.618+08:00

在前兩篇測試中, 我已完成 OpenClaw 的 LINE 頻道開啟, 並串接 LINE 官方帳號, 利用 ngrok 提供的 https 網址加上 /line/webhook 尾綴作為 webhook, 將來自 LINE 伺服器的訊息穿透到位於內網的樹莓派 Pi 4 的 18789 埠 (OpenClaw), 交給模型回應. 不過這只是私訊, 本篇要來測試如何將 LINE 官方帳號加入群組, 並透過群組權限設定, 讓群組中的特定成員可與 OpenClaw 對話.

本系列全部測試文章索引參考 :

# OpenClaw 學習筆記索引

以下測試參考 "OpenClaw 超入門" 這本書的第 3-3 節.

1. LINE 官方帳號開啟允許加入群組功能 :

登入 Line 官方帳號網站後, 進入串接 OpenClaw 的官方帳號 "Pi4 OpenClaw(小爪)", 按右上角的設定, 點選 "帳號設定", 在 "功能切換" 項目下勾選 "接受邀請加入群組獲多人聊天室" :

# https://manager.line.biz/

2. 邀請官方帳號加入群組 :

打開手機 LINE App, 進入想加入的群組, 按右上角的三條槓選單鈕, 按 "邀請" 鈕將小爪官方帳號邀請進群組 :

點選官方帳號 "Pi4 OpenClaw(小爪)" :

後按右上方的 "邀請" :

這樣便將官方帳號加入群組中了 :

3. 設定群組互動政策 :

上面雖然將 LINE 官方帳號加入群組, 但此時即使在群組內用 @ 去 tag 此 LINE 官方帳號並不會得到任何回應 :

因為還必須在 Pi 4 中用群組 ID 與使用者 ID 去設定 LINE 群組互動政策的允入名單才行. 但在 LINE 網站中並未開放查詢群組 ID 與使用者 ID, 由於我們使用 ngrok 來建立 LINE 頻道, 因此可以利用 ngrok 的監控頁面, 從 HTTP 請求訊息中取得這兩個 ID.

開啟樹莓派瀏覽器, 於網址列輸入 ngrok 的監控頁面網址 http://127.0.0.1:4040, 會按時間倒序顯示所有的 HTTP 請求, 最上面那個就是前面我從 LINE 群組中 tag 官方帳號產生的請求, 右方為請求內容 :

拉到底下找尋 source 屬性, 就可以找到 groupId 與 userId 這兩個子屬性, 分別代表官方帳號所加入的 "小狐狸事務所" 群組的 ID, 以及使用者 ID. 注意, 這裡的 userId 指的是 LINE 系統為我的個人帳號與該特定官方帳號之間所生成的唯一內部識別碼 (隨機生成的 Provider-scoped User ID, 都是 U 開頭), 不是個人 LINE 帳號 ID, 且僅在此 Provider 下有效.

取得 groupId 與 userId 後, 先將 LINE 的群組政策設定為 allowlist (白名單), 指令如下 :

openclaw config set channels.line.groupPolicy allowlist

pi@pi4b:~ $ openclaw config set channels.line.groupPolicy allowlist

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — The only crab in your contacts you actually want to hear from.

Updated channels.line.groupPolicy. Restart the gateway to apply.

設定完成, 須重啟 Gateway 才會生效, 但先別重啟, 等把 userId 與 groupId 加進白名單後再一併重啟. 接下來設定在群組中必須要用 @ 去 tag 官方帳號才會觸發 OpenClaw 做出回應, 指令格式如下 :

openclaw config set channels.line.groups.<groupId>.requireMention true

pi@pi4b:~ $ openclaw config set channels.line.groups.Caab90cc078e52baaaaed4f303e8d1966.requireMention true

│

◇

OpenClaw 2026.7.1-2 (0790d9f)

Gateway online—please keep hands, feet, and appendages inside the shell at all times.

Updated channels.line.groups.Caab90cc078e52baaaaed4f303e8d1966.requireMention. Restart the gateway to apply.

最後設定群組中可與 OpenClaw 互動的成員, 指令格式如下 :

openclaw config set channels.line.groups '{"<groupId>":{"allowFrom": ["<userId>"]}}'

可一次設定多個成員, 只要在串列中列舉各 userId 即可 :

openclaw config set channels.line.groups '{"<groupId>":{"allowFrom": ["<userId_1>", "<userId_2>"]}}'

pi@pi4b:~ $ openclaw config set channels.line.groups '{"Caab90cc078e52baaaaed4f303e8d1966":{"allowFrom": ["U94d935ab0302803f19669604663eca30"]}}'

│

◇

OpenClaw 2026.7.1-2 (0790d9f) — Runs on a Raspberry Pi. Dreams of a rack in Iceland.

Updated channels.line.groups. Restart the gateway to apply.

到此便完成了全部設定, 可以重啟 Gateway 了 :

pi@pi4b:~ $ systemctl --user status openclaw-gateway.service

● openclaw-gateway.service - OpenClaw Gateway (v2026.7.1-2)

Loaded: loaded (/home/pi/.config/systemd/user/openclaw-gateway.service; enabled; preset: enabled)

Active: active (running) since Tue 2026-09-22 10:03:35 CST; 1 week 0 days ago

Main PID: 805620 (MainThread)

Tasks: 13 (limit: 8743)

CPU: 3h 8min 19.676s

CGroup: /user.slice/user-1000.slice/user@1000.service/app.slice/openclaw-gateway.service

└─805620 /home/pi/.config/nvm/versions/node/v24.17.0/bin/node /home/pi/.config/nvm/versions/node/v24>

9月 30 00:20:42 pi4b node[805620]: 2026-09-30T00:20:42.457+08:00 [agents/tool-policy] tool policy removed 1 tool>

9月 30 00:20:43 pi4b node[805620]: 2026-09-30T00:20:43.152+08:00 [provider-transport-fetch] [model-fetch] start >

9月 30 00:20:45 pi4b node[805620]: 2026-09-30T00:20:45.110+08:00 [provider-transport-fetch] [model-fetch] respon>

9月 30 00:21:19 pi4b node[805620]: 2026-09-30T00:21:19.683+08:00 [agents/tool-policy] tool policy removed 5 tool>

9月 30 00:21:19 pi4b node[805620]: 2026-09-30T00:21:19.692+08:00 [agents/tool-policy] tool policy removed 1 tool>

9月 30 00:21:20 pi4b node[805620]: 2026-09-30T00:21:20.858+08:00 [agents/tool-images] Image resized to fit limit>

9月 30 00:21:21 pi4b node[805620]: 2026-09-30T00:21:21.646+08:00 [agents/tool-images] Image resized to fit limit>

9月 30 00:21:22 pi4b node[805620]: 2026-09-30T00:21:22.050+08:00 [provider-transport-fetch] [model-fetch] start >

9月 30 00:21:24 pi4b node[805620]: 2026-09-30T00:21:24.401+08:00 [provider-transport-fetch] [model-fetch] respon>

9月 30 00:21:26 pi4b node[805620]: 2026-09-30T00:21:26.612+08:00 [turn/kernel] visible channel turn dispatched w>

然後在手機 LINE 群組 "小狐狸事務所" 中用 @ tag 官方帳號, 問它白露節氣是否已過, 果然可以觸發 OpenClaw 做出回應 :

群組中的其他成員 tag 小爪跟它互動式不會得到任何回應的, 除非如上找出此成員的 userId 加入白名單中才行. 在上課展示功能時, 由於使用者眾多, 一一加入白名單很費事, 可用下列指令直接將互動政策設為 open, 開放群組中所有成員均可與 OpenClaw 互動 :

openclaw config set channels.line.groupPolicy open

如果要取消全組開放, 只要重新設回 allowlist 即可.

若要禁止全部成員 (包含白名單成員) 皆不可與 OpenClaw 互動, 應設為 disabled :

openclaw config set channels.line.groupPolicy disabled

RAV4 駕馭筆記

2026-09-29T00:45:07.817+08:00

我的大玩具 RAV4 交車 9 天來已跑 400 公里以上, 往返高雄 8 次 (9/18 回鄉下, 9/20 回高雄, 9/23 回廠補裝腳踏板, 9/24 回鄉下, 9/25 回高雄 + 回鄉下, 9/26 回高雄 + 回鄉下, 9/28 回高雄), 開起來非常舒適, 菁菁與姐姐前天第一次坐非常喜歡, 說空間寬敞還有電動坐椅, 已取名為小白. 不過我目前僅知道如何開車而已, 對車上多媒體功能與方向盤按鈕還不熟, 菁菁建議我搜尋 YT 教學影片學習最快, 以下是我趁中秋連假時看影片的筆記 :

1. 開啟與關閉車門 :

鑰匙接進門邊約 1 公尺觸摸一下門把上的小橫溝, 輕拉拉門把即可開門, 後照鏡會自動打開.
在開啟狀態下腳踢後車廂車底, 然後人要往後退一公尺 (這很重要, 否則會不動作), 後車箱門會自動開啟, 要關閉的話按上掀後車廂門底部的兩個按鈕即可, 左側是只關後車箱門但不鎖車; 右側按鈕是只關後車箱門同時鎖車.
關閉車門後再觸摸一下門把上的小橫溝就會自動收起兩邊後照鏡, 同時鎖車, 如果未鎖車, 手機的和泰智聯 App 會不斷收到未鎖車通知, 可用 App 遠端鎖車.
按壓遙控器上的按鈕也可以開啟或上鎖車門, 長按第三個按鈕 3 秒以上聽到嗶一聲放開可開啟後車廂.
駕駛座方向盤左邊有一個按鈕, 長按 3 秒以上聽到嗶一聲放開亦可開啟後車廂.

2. 開啟油箱蓋與引擎蓋 :

油箱蓋與引擎蓋開關位置在方向盤左下角.
加 92 以上汽油, 但不要混油 (建議固定加 95).
將手伸進引擎蓋空隙向左撥即可將引擎蓋上掀, 拉下蓋上支撐桿插入左方小洞即可立起引擎蓋.

3. 駕駛艙調整 :

座椅左下方有三個按鈕可調整座椅位置, 由前往後分別是前後高低調整鈕, 椅背調整鈕, 與腰靠調整鈕. 調整好後可按一下左車門上的 Set 鈕, 再按 1/2 鈕記憶起來 (可記憶兩個駕駛人座椅位置), 此為旗艦版以上才有的功能.
方向盤左下方的撥桿往下拉, 可以調整方向盤位置, 調整完要記得往上拉鎖定.
按左側門上的 R/L 切換鈕可調整左右照後鏡位置.
旗艦版以上有搭載電子照後鏡, 將下方撥桿往下按可切換為傳統鏡面, 往上拉切回墊子照後鏡.
排檔為六速手自排, 除了一般 P/R/N/D 檔外還有 S 檔, 下坡時可用來做引擎剎車, 先打到 D 檔再往左打即可進入 S 檔.
排檔桿左下方有 EPB 電子手剎車 (左) 與 Auto Hold (右) 兩個按鈕, 停等紅燈時按下去可將車子剎住, 右腳毋須踩剎車, 只要腳踩油門就會自動放開.
天窗控制鈕在上方, 左側兩個是透氣通風, 右側兩個是全開.
方向盤左側撥桿控制車燈 (近遠燈, 霧燈), 建議放在 Auto, 會依據前方有無車輛自動切換遠近燈, 雨天則可開啟前後霧燈.
方向盤右側撥桿控制雨刷, 往上撥是刷一下, 往下撥是全自動.
方向盤左邊是儀錶板與多媒體控制鈕, 可開啟語音助理, 調整音量, 切換上/下一首音樂, 控制 HUD 抬頭顯示器等.
方向盤右邊是跟車與定速控制鈕,

參考 :

# 2026 TOYOTA RAV4 交車完整教學新手必看！所有功能操作一次學會

# 想買RAV4必看！Toyota RAV4旗艦版徹底剖析｜配備豐富又科技前驅設定一樣帶勁

# Toyota RAV4怎麼挑？我選旗艦版！原因曝光!4WD Adventure與GR Sport強旗艦版配備更滿獨有通風座椅後座加熱雙手機充電板

2026-09-18 補充 :

交車後開車回家途中看到儀表板顯示低燃油警示, 才想到車廠只加了一點點油而已, 於是直接開去自由路加油, 95 跳槍 1577 元, 油價 32.7 元, 換算約 48.2 公升, 查車主手冊, 新 RAV4 油箱容量為 55 公升, 顯示低燃油警示時, 至少需要添加 9.5 公升以上的汽油, 警示燈才會熄滅並更新剩餘可行駛里程. 加油時應告知工讀生加到跳槍擊可, 避免讓油箱過滿導致燃油溢出或零組件受損.

2026-10-04 補充 :

自 9/18 交車那天去自由路加油後, 至今晚回高雄, 到加油站時里程來到 587 公里, 加到跳槍加了 28.57 公升, 平均油耗大約是 587÷28.57=20.54 公里/公升.

跟 RAV4 自己計算的差不多 :

儀錶板上也會顯示油耗, 我記錄到的最高值超過 30 :

但那只是行車電腦的動態計算值而已, 應該以每次加油跳槍的公升數與上次加油以來的里程數相除才是實際油耗.

加上 9/30 (周三) 與 10/1 (周四), 10/2 (週五)與 10/4 (週六) 往返鄉下四趟, 合計 12 趟到約剩一半 (還可跑 326 公里) 才加油, 比 QRV 省油 2/3 左右 (QRV 大約往返共四趟就剩下一半油料). 我習慣是油表剩一半左右就會去加油到跳槍, 以每周跑四趟國十約 60 公里來說, 以前 QRV 每周日回高雄時得加油; RAV4 則大約三周才需要加油.

2026/10/11 補充 :

最近觀察 RAV4 的油電切換, 發現只要油門踩較重, 即使是市區它也是切到油驅模式, 上高速要維持 100~110 速度當然幾乎都是油驅, 油耗顯示會漸漸下降; 但下坡路段 (國十往西燕巢路段) 油門可放鬆, 也會切回電驅模式, 這時油耗顯示又會上升, 切換點大約在儀表板的第一格. 今天回高雄時不再追求速度, 盡量不重踩油門, 到家時油耗顯示 22.7 公里/升.

2026 年第 37 周記事

2026-09-27T23:55:54.550+08:00

本周因周五為中秋節, 只上四天班 (下周也是, 下周一為教師節), 感覺真好. 週六去岳父農舍烤肉, 今天則是在自家曬穀場烤肉, 菁菁的朋友帶來小型鐵板燒, 是在嘖嘖募資買的, 我覺得很方便耶. 這次發現我家曬穀場非常適合烤肉, 回高雄打算買個露營摺疊桌, 下周要在窗框上裝一盞燈, 這樣烤肉時燈光會更亮.

週四下午接到管理室通知, 說二哥的兵役徵集令來了, 但不是這學期才要畢業嗎? 他應該也收到簡訊通知, 去教官室詢問, 才知因為他延畢一學期, 學校緩徵名冊似乎出了問題, 兵役課才發出徵集令, 學校已出具證明書, 下周二上班要去區公所辦理緩徵, 但效期是一個月, 學校那邊也要辦妥學期緩徵.

想了很久要買 Mac Mini, 週五中秋節那天終於下單買了 (M6 + 32GB RAM + 512GB SSD), 預計 10/12~10/17 才會到貨. 我打算用來架設本地推理模型 + OpenClaw + Hermes + OpenCode, 對於開發中小型專案應該是足夠的. MSI 桌機則主要拿來測試用, 因為 RTX3060 較耗電, 24 小時開機不太划算.

今天趁著菁菁她們在烤肉, 我終於動手整理鄉下家客廳前方的雜物, 清理後打算放一張書桌, 這樣二哥或姐姐她們回鄉時要趕工才有地方坐, 下周目標是整理之前的書房, 最大的困難是那台被白蟻吃掉的舊鋼琴 (別人給的), 可能需要用榔頭敲碎丟垃圾車. 那間書房最終要改成一間臥室. 總之, 在退休前要把鄉下老家大改造一番.

下周環境整理目標 :

二樓和室地板
曬棉被 -> 書桌移到客廳
三樓太陽能室整理

購買 Mac Mini (M6 + 32GB DRAM + 512GB SSD)

2026-09-26T23:11:24.725+08:00

由於我的 MSI 電競桌機若 24 小時不關機, 用來做本地模型推論耗電量不低, 參考 :

# MSI 桌機 RTX3060 耗電估算

若要建置一台常駐的本地模型推論節點, Mac Mini 是性價比最高, 門檻最低的選擇, 且適合作為 24 小時不關機的常駐伺服器 (待機約 4W~6W, 進行推論時約 35W~65W, 平均功耗約 8W~15W), 以家用電費每度 $3.5 元估算, 每月電費支出約 30 元 :

今天上蘋果網站查詢 Mac Mini 價格, 發現 M4 CPU 產品已下架, 全部升級為 M6 與 M5 Pro, 如果挑選 48GB 以上的 DRAM, 必須改選具備多通道記憶體控制器的 Pro 晶片 (即 M5 Pro CPU), 這樣整體價格來到昂貴的 $80900 元, 因此只好退而求其次, 選擇 M6 + 32GB DRAM + 512GB SSD, 價格為 $50900 元 :

# https://www.apple.com/tw/mac-mini/

不過, 大專院校學生可以在蘋果的教育商店以 $46890 元優惠價購買 :

# https://www.apple.com/tw-edu/store

因二哥這學期即將畢業, 所以還可以用他的 edu.tw 學生 E-mail 信箱透過 UNiDAYS 認證以教育版價格購買 (輸入學校配發的教育信箱 edu.tw, 前往該信箱點擊確認連結後完成驗證並返回 Apple 商店以 $46890 結帳) :

可選擇三期無息分期 :

需要兩周才會交貨 :

512GB SSD 是 CP 值最高的折衷選擇 (若升級 1TB 須加價 $10500 元), 用 Mac Mini 來跑本地推論來說足敷使用 :

macOS 系統與保留空間 (約 40 GB~60 GB) :
包含系統核心, APFS 快照與基本虛擬記憶體 Swap 等.
開發工具鏈 (IDE, Python, Docker 等約 30 GB~50 GB) :
VS Code, Homebrew, uv/conda 環境, 常用容器等.
開源模型 :

qwen2.5-coder:14b (約 9 GB)
qwen2.5-coder:32b (約 20 GB)
deepseek-r1:14b (約 9 GB)

自由可用空間 (約 300 GB~350 GB)

也可以透過機身後方的 Thunderbolt / USB4 連接埠 (速度高達 40Gbps) 擴充儲存, 例如 :

# SanDisk 晟碟E61 Extreme Portable SSD 1TB 行動固態硬碟(讀寫速度高達1050MB/s/1000MB/s) $4999

MSI 桌機 RTX3060 耗電估算

2026-09-26T13:09:16.107+08:00

前陣子用功率計測量我那台 MSI 桌機功耗, 發現一般文書作業時約 50~60W, 跑 Ollama 用本地模型推論時約 120~150W, 我叫 Gemin 根據這數據推估每個月平均電費, 推算基準數值如下 :

1 度電 = 1,000 瓦時（Wh）
每月以 30 天（720 小時）計
閒置功率取中位數：55W
推論負載功率取中位數：135W

不同使用情境的耗電度數預估 :

情境 A (純閒置掛機) : 24 小時皆閒置 (無推論任務), 約 39.6 度
情境 B (輕度推論) : 每天累計推論 2 小時, 其餘 22 小時閒置, 約 44.4 度
情境 C (中重度推論) : 每天累計推論 6 小時, 其餘 18 小時閒置, 約 54.0 度
情境 D (極端全速滿載) : 24 小時不間斷推論, 約 97.2 度

計算範例 (以情境 B 為例) :

每月電費估算 :

台灣住宅用電採累進費率 (家戶平時已有冰箱, 冷氣等基本用電, 新增的桌機用電通常會落在中段級距, 約每度 2.5 ~ 4 元). 自住住宅以平均每度 3.5 元估算 :

純閒置 : 約 139 元 / 月
輕度使用 (每天跑 2 小時) : 約 155 元 / 月
中度使用 (每天跑 6 小時) : 約 189 元 / 月

以中度使用來看, 比起 Claude/GPT/Gemini 月費 600 多元來說, 大概是 1/3 費用.

三民買簡體書 1 本 : 打開量化投資的黑箱(原書第3版)

2026-09-24T10:30:05.377+08:00

今天找到一本很棒的量化投資書籍 :

# 打開量化投資的黑箱(原書第3版)（簡體書）

這是華爾街資深量化對沖基金經理人 Rishi K. Narang 所寫的經典書籍 "Inside the Black Box: A Simple Guide to Quantitative and High-Frequency Trading" 的簡體中文版, 原著第一版於 2009 年由 Willy 出版, 後來因應 2010 年美股閃電崩盤以及演算法技術升級, 作者又進行了大量重寫於 2013 年出版第二版, 大幅擴充高頻交易與反思系統性風險等內容.

作者曾創辦並主持量化投資顧問公司 Telesis Capital LLC, 專注於量化交易系統評估與量化基金投資組合配置. 在 Narang 的這本經典之作中並無任何數學公式或程式碼, 他是從頂層哲學視角將量化系統拆為 Alpha 模型, 風險模型, 交易成本模型與部位構建. 讀懂這本書才會明白每一行量化程式碼背後是在解決哪個環節的問題.

此書中文版僅有中國機械工業出版社的簡體版而已, 博客來與天瓏都只寫第二版, 三民的第三版可能是出版社重新引進, 換封面或重新排版再刷的中文譯本版本號, 因為原版最新也只有第二版. 由於三民打 79 折, 所以就在三民買 :

7-11 至興店取貨 469 元.

小狐狸事務所

設定谷歌地圖位置追蹤的方法

市圖還書 2 本 : 打通靈性覺醒的人體空間通道等

打通靈性覺醒的人體空間通道 : 從能量密室到松果體, 轉化高層意識, 開啟宇宙智慧! /

2026 京都奈良賞楓之旅行程規畫 v1

2026 年第 39 周記事

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (二十)

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十九)

註冊 Groq AI 平台開發者帳號

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十八)

OpenClaw 學習筆記 : 常用指令集

高科大還書 1 本 : 全民養龍蝦 OpenClaw超入門

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十七)

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十六)

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十五)

開源的程式代理 OpenCode

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十四)

2026 年第 38 周記事

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十三)

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十二)

市圖還書 2 本 : 現代統計學 & 報告力Max

報告力Max : Copilot Pro提升你的寫作效率

現代統計學

OpenClaw 學習筆記 : 在樹莓派 Pi 4 安裝 OpenClaw (十一)

RAV4 駕馭筆記

2026 年第 37 周記事

購買 Mac Mini (M6 + 32GB DRAM + 512GB SSD)

MSI 桌機 RTX3060 耗電估算

三民買簡體書 1 本 : 打開量化投資的黑箱(原書第3版)