用一台树莓派养两只 AI：我跑了三个多月的"家庭 AI 实验室"

起因

2026 年春节后，我开始系统性地做 AI 论文解读。每篇论文要筛选，要下载 PDF、提取图片、写中文博客、排版成 HTML或生成播客音频、发到飞书、推到 GitHub Pages——这套流程如果全手动，一天处理一篇都够呛。

我想找一种方式让 AI 7×24 小时待命，随时响应我的消息，还能自动跑定时任务。云服务器我也有，但一年几千块，而且我主要用飞书沟通，本地部署更顺手。自然我会想到OpenClaw，其实当“龙虾”还是MoltClaw的时候我就关注到了，但我当时没有合适的硬件来承载。

直到我看到送给儿子当生日礼物的树莓派，它正在安静的呆在角落。正当我为龙虾的容量担忧时，正好看到港科大HKUDS开源了nanobot，据说只有400行代码，这个lightweight的龙虾也许正是运行在树莓派上的最佳选择。

就这样。我用一块树莓派4B（4GB内存版），跑起了nanobot，挂了两个AI实例在飞书上——一个帮我解读AI论文、生成播客、写博客，另一个帮我盯A股交易。这台小机器已经稳定运行了三个多月，每月电费1块8。 这不是极客玩具，这是一套普通人也能复制的方案。我把完整经历写下来，希望能帮到同样想"拥有自己的AI"的朋友。

硬件清单

说出来你可能不信，全部硬件就这些：

• • 树莓派 4 Model B（4GB 内存版），全新大约 450 元
• • 一张 32GB microSD 卡（Class 10），50 元
• • 一个官方 USB-C 电源适配器（5V/3A），70 元
• • 一个铝合金散热壳，30 元

没有外接硬盘，没有风扇，没有显示器，没有键盘鼠标。插上电源连上 WiFi 就完事了。总成本不到 600 元（二手三四百也能搞定）。

一台树莓派，两个AI助手

nanobot 是一个开源的 AI Agent 框架，支持飞书、微信、Discord、Telegram 等多个消息渠道。它的核心理念是"人人都能拥有自己的AI助手"——不需要租云服务器，不需要懂Docker，一台树莓派就够了。

我跑了两个 nanobot 实例，分别叫"熊大"和"熊二"：

树莓派 4B (4GB RAM)
├── 熊大（主力实例）
│   ├── 模型: 智谱 GLM-5.1
│   ├── 工作空间: ~/.nanobot/
│   ├── Skills: 38个
│   └── 负责: 论文解读、播客制作、博客撰写、投资分析、PPT生成
│
├── 熊二（副手实例）
│   ├── 模型: GLM-5-turbo
│   ├── 工作空间: ~/.nanobot-flashx/
│   ├── Skills: 30个
│   └── 负责: 快速响应、辅助并行处理
│
└── 共享 Python 虚拟环境: ~/dev/nanobot-venv/
    └── nanobot v0.1.5

两个实例通过 --config 参数区分配置，共享同一个 Python venv，各自大概占 370-410MB 内存，加起来不到 800MB，4GB 的板子绰绰有余。

两个实例都接入了飞书，我在飞书上 @ 它们就能对话。文件、图片、语音都能收发，不需要切换 App，不需要打开浏览器。在工作场景中这个体验优势很大。

3个月以来，我拿它干了什么

从 2 月 13 号开始使用，到5月22号刚好三个多月，累计 353 条交互记录。时间线挺有意思的：

2 月——搭建阶段。 装好系统、配好飞书 Bot、安装第一批 skills。开始做第一篇论文的深度解读，摸索论文→博客→飞书的完整流程。踩了不少坑：飞书文件发送不显示、GitHub 超时、ARM64 兼容性问题……一个一个都解决了。

3 月——爆发期。 从 PaperDog 拉取论文自动生成播客，连续跑了 19 期，每期 5 篇论文、11 分钟音频、自动配封面图。搭建了 AI 整合日报，每天早上自动推送。装了一堆 skill——ListenHub TTS、edge-tts 语音合成、akshare 股票数据、ClawHub 技能市场、YouTube 下载器。

4 月——工程化阶段。 开始认真做交易策略 Agent，配了美股盯盘巡检、盘前分析、收盘总结。论文解读升级到"三件套"模式：MD 博客 + 原始 PDF + 自带内嵌图片的 HTML，一次性发飞书。搭建了 GitHub Pages 部署流程，一键推送到博客。

5 月——成熟阶段。 系统非常稳定，几乎不用管。发一个 arXiv 链接，几分钟后收到三件套。说"发布"，一两分钟就推到 GitHub Pages。已经发布了 近百篇论文解读博客。

说几个真实场景。

场景一：每天早上收到AI论文解读

我运营一个叫"论文狗"的公众号，需要持续跟踪AI领域最新论文。以前这个过程是：打开arXiv → 筛选论文 → 阅读摘要 → 写解读 → 排版 → 发布。一篇论文从发现到发布，至少2小时。

现在熊大每天自动完成这个流程：爬取最新AI论文 → 筛选重要论文 → 生成中文解读 → 制作成双人对话播客（4-5分钟音频）→ 推送到飞书。我早上醒来，手机上就有现成的论文解读和播客，直接听音频选题后，链接发熊二形成三件套。以前2小时的工作，现在10分钟搞定。

场景二：A股日报，每晚8点准时送到

我有需要持续跟踪市场动态。熊大每天晚上8点自动运行一个三阶段分析流程：

• • Phase 0 "风向感知"：抓取财新快讯、宏观指标、市场情绪，判断大环境
• • Phase 1 "持仓体检"：根据实时价格计算浮盈浮亏，结合段永平价值投资体系给出评估
• • Phase 2 "行动建议"：综合以上信息，给出具体的操作建议（加仓/观望/减仓）

报告自动推送飞书，不需要打开任何炒股软件。

场景三：Word转PPT，手机上3分钟搞定

把 Word 文档发到飞书群里，@熊大说"转成PPT"，它就自动提取文档结构、匹配图片、生成杂志风格的HTML网页PPT。整个过程大概3分钟，在地铁上用手机就完成了。

为什么是树莓派？四个字：省、简、静、稳

省——每月电费1块8。

树莓派4B的功耗大约3-6瓦，取平均值5瓦算，一个月用电3.6度。按北京居民电价0.5元/度，一个月电费1.8元，一年22元。这是买断的，除了电费没有后续费用。

简——不用折腾运维。

装好 nanobot 之后，基本就是"挂在那里忘掉它"。没有 Docker 镜像要拉，没有 K8s 要配置。两个 Python 进程跑着，接上飞书，完事。nanobot 的 Skill 系统让定制变得简单——skill 就是一组配置文件 + 脚本，定义了 Agent 在特定场景下的行为。

静——零噪音，放客厅都行。

铝合金散热壳，被动散热，CPU 温度 50°C 左右，跑重任务时可能到 60°C，离 80°C 降频阈值还很远。没有风扇，零噪音——放在书房里安静得像块砖。

稳——运行数月不重启是常态。

我当前这台连续运行 10多天多没重启（上次是手动重启升级），日常可以跑几个月不管。系统负载平时 0.2 左右，偶尔跑到 0.4，远没到性能瓶颈。

当然也有坑

真实经历，不吹不黑。

坑一：网络是最大变量。 树莓派在家里跑，完全依赖家庭宽带。出现过几次网络完全中断，导致交易代理错过了关键操作周期。

坑二：SD卡空间需要关注。 32GB 跑了几个月之后磁盘使用率到了 87%，紧急清理到 76%。建议用 64GB 以上的卡，或者定期清理报告和媒体目录。

坑三：git clone大仓库会超时。 树莓派下载 GitHub 上的大文件经常超时。变通方案是用 GitHub API 的 blob 接口逐文件下载。安装 skill 时偶尔遇到 ClawHub 限流，手动 git clone 到 skills 目录就行。

很多人会问的问题

4GB 内存够吗？ 完全够。nanobot 本身不吃本地算力——它调用云端 LLM API，本地只做消息路由、skill 执行、文件 IO。两个实例加起来不到 800MB，剩余大量空间给系统缓存。如果你只想跑一个实例，2GB 版也够。

计算能力跟得上吗？ 这是最关键的误解：nanobot 不需要本地算力来"思考"。LLM 推理全在云端完成，树莓派只负责转发消息和执行轻量级任务。需要稍微重一点的活——比如用 Python 处理 PDF、生成 HTML——也就几秒钟的事。ARM64 架构上所有常用 Python 包都正常安装运行，没有兼容性问题。

对比其他方案