长期运行的 Agent，问题出在哪

OpenAlice 最早的定位跟 OpenClaw 类似，是"运行在用户电脑上的长命 Trading Agent"。交易本身是一个长周期的循环——买入、卖出、调仓，处理交易的 Agent 必须持久运行。

但任何需要长期运行在终端上的 Agent，都会面对一连串连锁问题：吃性能，所以挑设备；挑设备，所以配置门槛高；配置门槛高，大部分人就折腾不来了。Mac mini 最近卖得好，部分原因就是 OpenClaw 需要持久运行，而 Mac mini 是消费级设备里最适合干这事的。即便如此，对于不擅长折腾的用户来说，配置依然麻烦——市面上甚至出现了 500 块上门安装 OpenClaw 的服务。

File-Driven 的核心设计

OpenAlice 团队做了一个简单但关键的处理：把 Agent 的状态和持久化部分全部转入文件。具体选择如下：

  • 不依赖数据库：没有用 PostgreSQL 或 Redis，所有持久化通过文件完成
  • Prompt 即配置：Agent 的任务指导以 prompt 形式存储在 Markdown 文件里，人类和 AI 都可读可写
  • 内置版本管理：文件被修改时自动引入版本控制，任何改动都可以回溯

这套设计直接解决了两个核心问题：

配置门槛归零。 文件是免配置的，有操作系统就能跑。不需要装数据库，不需要折腾环境依赖。

资源占用极低。 一套 Redis + PostgreSQL 轻松吃掉 1-2GB 内存，租个 2GB 的云实例基本就被数据库占满了。而文件占用的是磁盘容量，不是内存。Alice 在 2GB 内存的设备上绰绰有余，甚至能在老旧的红米 K20 Pro 上顺利运行。

文件驱动的更大潜力

File-Driven 的好处不止于"轻量"，它还打开了几个有意思的方向：

  • 文件是操作系统的一等公民，能操作文件就能操作 OS，这意味着 Agent 的长期功能扩展空间更大
  • 对人类和 AI 同时友好——即使完全没写过代码的人也会编辑文本文件。Agent 运行过程中需要监控或手动调节状态，直接看文件、改文件就行
  • 借力 AI 编程的优化红利——AI 编程的本质就是文件读写，现在很多 AI 公司都在对编程场景做专项优化。当 Trading 被等效为文件读写问题后，所有模型对编程场景的优化都能间接提升 Trading Agent 的表现

这个思路确实很巧妙。把领域问题转化为 AI 模型已经被大量优化过的通用问题，相当于免费搭上了整个行业的优化顺风车。

灵感来源

这个设计灵感来自爬虫框架 Crawlee。Crawlee 的基础理念就是 File-Driven 加单租户模式——云端跑实例等于跑了一个单租户的爬虫服务器，因为文件驱动的缘故，服务器实例可以开得特别小，以此来降低使用门槛。

OpenAlice 把这套思路迁移到了 Trading Agent 场景，效果相当不错。

值得关注的点

对于想搭建自己的 AI Agent 的独立开发者来说，File-Driven 这个设计理念值得认真考虑——尤其是当你的 Agent 需要长期运行、面向非技术用户、或者部署在资源受限的环境时。不依赖数据库、用 Markdown 存储配置和状态，这种"反常规"的架构选择，有时候反而是最务实的方案。项目已在 GitHub 开源（仓库名：TraderAlice/OpenAlice），感兴趣可以直接看源码。