系统架构：摄像头 + 多模态模型 + 飞书
整套系统的硬件方案出人意料地简单：一台DJI Pocket 3通过USB数据线连接到Mac mini，充当USB摄像头。选择Pocket 3而不是普通监控摄像头，是因为它视角大、可转动、画质清晰——之前试过普通监控头，画面模糊不说，还给人一种被监视的压迫感。
核心逻辑是这样的：
- 每隔2～5分钟，系统自动截取一张画面
- 通过OpenClaw将图片喂给视觉理解模型，输出结构化描述（谁在干什么）
- 数据按timestamp、photo_path、描述内容三个字段记录
- 到下班时间（7、8点），把全天数据汇总给OpenClaw，生成趣味总结报告
- 报告配上AI生成的梗图，一起发到飞书群
- 出于隐私保护，所有观察记录在晚上12点自动删除
后端用的是Claude Opus 4.6的API，生图部分接了火山引擎的豆包 Seed 2和Seedream-5.0模型。因为团队的服务基本都跑在火山和飞书上，所以直接复用了现有基础设施。
对话式开发：从需求到上线只聊了几轮
这个项目最值得关注的不是功能本身，而是开发方式。整个过程是纯对话式完成的：
- 用自然语言向OpenClaw描述需求——把摄像头接上USB后，写了一段话说明想要什么
- OpenClaw自动检测摄像头连接、开发拍照功能并完成测试
- 它主动提出还需要：生图模型API Key、飞书群Chat ID、生图模型选择
- 把对应的Key直接在飞书里发给它，Chat ID也是在群里问它就拿到了
- 四五分钟后，系统开发完毕，OpenClaw自己测试了视觉语言模型和生图模型的连通性，还主动去飞书群里测试了消息发送
后续遇到bug也是同样的方式处理。比如梗图没发出来、只发了一堆链接——描述一下问题，一两分钟就修好了。再比如系统分不清谁坐哪个工位，直接告诉它"左上角是谁、右下角是谁"，它就能正确识别每个区域对应的成员。
几个实用的设计细节
隐私边界设计得很克制：数据当天生成、当天销毁，不做持久化存储。系统部署在独立的Mac上，不接触员工工作电脑的任何数据。这个思路值得做类似项目时参考——在办公场景引入视觉AI，隐私策略不是可选项，是必选项。
输出调性的Prompt约束：给AI定了一条规矩——"只能夸，不能损"。于是输出全是用学术黑话包装的彩虹屁，比如把某人的发际线描述为"智慧高地寸草不生"。这个设计让系统从"可能引发不适的监控工具"变成了"大家期待的每日娱乐"。
加班提醒功能：到了下班时间，AI会通过摄像头检测谁还在工位，然后持续催促，直到人离开。虽然是个整活功能，但背后是视觉模型的持续检测能力在驱动。
对独立开发者的启发
这个案例的技术门槛其实很低——USB摄像头、一个多模态API、一个消息通道，加上对话式开发。没有立项，没有排期，几个人觉得好玩就自己鼓捣出来了。
对于想用AI Agent做点东西的独立开发者来说，这里有两个可以直接复用的模式：一是"定时截图 + 视觉理解 + 结构化记录"这套数据采集链路，可以迁移到很多场景（工位监测只是其中一种）；二是对话式开发本身——不需要预先设计架构，把需求用人话说清楚，让Agent自己规划实现路径，遇到问题再对话修复。当Agent的使用门槛低到"聊几句就能出活"的程度，很多原本不值得立项的小创意，反而有了被实现的可能。