JOTO
Contact us
← AI 智库
AI 硬件

给 AI Agent 一台 Mac mini,AI 能干哪些活?(下篇)

2026 年 9 月 13 日

本文介绍作者为 Mac mini 部署 AI Agent 的具体落地场景:构建双轨知识库工作流(Workspace + Obsidian Vault),通过 Git 同步实现人机协同;开展 Web 应用测试与工程实验两类可验证任务;强调长期在线前提下的任务闭环机制——触发、执行、结果交付与人工接手。

知识库:一个 Workspace,一个 Vault,两台机器接着干

除了 workspace,我还会单独留一个 Vault,作为 Obsidian 知识库。它们都放在那块 2TB 盘上,但用途分开。

workspace 是干活的地方,放正在运行的项目、临时下载、实验脚本和中间结果。Vault 是准备长期积累的内容,放整理过的资料、笔记、文章,以及对应的图片和视频素材。

Obsidian 的 Vault 就是本地文件夹,笔记以 Markdown 为主,附件也保存在文件系统里。这很符合我现在的工作习惯:人能直接打开,Agent 也能按规则处理,不需要先搭一套复杂的服务。

我目前的知识库就在 Obsidian 上,没有另外搭语义检索服务。接下来仍然先用目录、文件名、标签和索引,把内容整理好。

比如资料从哪里来、属于哪个主题、是原始摘录还是我自己的判断、有没有重复,这些都应该在规则里写明。采集回来先进入待整理区,确认之后再归档,免得知识库越跑越像下载文件夹。

Git 和连接 GitHub 仓库需要的工具也要准备好。整理后的 Markdown、规则、索引和适合入库的附件,通过 Git 同步到我的私人仓库,再由主力机拉下来继续处理。

媒体类的如视频、图片文件需要单独安排,处理有很多种,但看着好像都需要氪金,推荐腾某云,有 10GB的额度,再不行就开个云服务器账号,做归档处理的 OSS ,成本降到最低(当然最优解还是直接拿链接,如果实在是自己需要长期保存的东西,或者很特别的)。

我希望最后形成这样的日常节奏:

Mac mini 采集和处理 → 整理结果进入 Vault → 通过私人仓库同步 → 主力机拉取 → 我审核、补充和完成创作。

两边尽量错开修改同一份内容。主力机开始改稿前先拉取最新版本,完成后再提交;Mac mini 处理下一轮任务前,也先同步。需要我审核的稿件,明确标出来。

这样,一次 AI 对话留下来的东西,就能进入下一次工作。

下篇工作流示意:Mac mini 处理任务,知识库与私人仓库交接,主力机由我审核
下篇工作流示意:Mac mini 处理任务,知识库与私人仓库交接,主力机由我审核。

两条实验工作流,让它先跑出我能检查的结果

内容之外,我还准备把两类工作放到这台机器上。

一类是 Web 应用测试。让它在独立测试环境里跑应用流程,把通过项、失败项和复现信息整理出来。例如登录、页面跳转、表单提交这些环节,适合逐步变成固定的检查任务。测试数据和正式业务数据要分开,结果留下日志和截图,我回到主力机上就能接着定位问题。

另一类是工程实验,这也是我很想用它做的事情。

新的工作流想法、工程化脚本、还没决定要不要引入的 Skill,都先放到这里试。让 AI 写粗稿、搭最小验证环境、跑一遍,再把有用的结果带回主力机。

Skill 尤其需要有一套筛选记录。看到一个感兴趣的,先看来源、说明和脚本,了解它要访问什么、会不会上传内容,再决定是否安装和验证。验证后,把它的用途、依赖、版本、测试结果和适用任务记下来。

这份索引我准备先用文本文件管理,后面如果任务调度需要,再考虑放进 Redis。当前没有必要为了建索引先增加一套数据库。

日后遇到一个任务,我想查到的是“这个 Skill 测过,适合做这件事”,还要知道它在哪些条件下失败过。这样收集才会变成可用的积累。

让它长期在线,也让每个任务有个交代

24 小时在线,是我给这台 Mac mini 设定的运行目标。具体任务仍然要有触发条件、时间和资源预算,有结果就收工,失败了留下原因,需要我处理时再通知我。

我期待的是,打开主力机后,能拉到一批已经整理好的资料、一份能修改的初稿,或者一份带着复现信息的测试报告。需要我动脑、判断和拍板的部分,由我继续完成。

Mac mini 已经订了,接下来就按这个顺序把环境搭起来。先接通一条从任务到文件、再到人工接手的流程,再慢慢增加它能做的事。

等实际跑起来,再来聊它一天能完成多少工作,哪里还得靠我救场。

JOTO 企业落地观察

  • 企业部署轻量级 AI Agent 时,无需强依赖云服务或向量数据库,本地文件系统+Git+Markdown 即可支撑知识沉淀与人机协同闭环。
  • 将 Web 测试与工程实验分离为独立 Agent 执行单元,既降低主工作流耦合度,也便于后续对测试结果做结构化归因分析。
  • 技能(Skill)验证采用「文本索引先行、Redis 按需引入」策略,反映企业在智能体工程中应坚持「功能可验证、状态可追溯、演进可收敛」原则。
  • 任务交付强调「有始有终」:触发条件、资源预算、失败归因、人工介入点均需显式定义,这是 FDE 驻场共创中保障 AI 可控性的基础契约。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务,帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们
Contact Us

Start your enterprise AI rollout

Tell us your industry, team, and current pain points. We'll get back to you within one business day to help you decide what to tackle first, what data to prepare, and which platform fits.

WeChat
Scan to add us for a 1:1 chat
JOTO WeChat consultation QR code

Tell us what you need

Once we receive your details, we'll be in touch within one business day.