你的系统里藏了多少个"单点故障"？

什么叫单点故障？就是整个系统里，坏掉一个点就全盘崩溃的地方。想想你的 AI Agent 系统，从上到下数一遍：

硬件层面：只有一台物理机器，硬盘挂了就全完。电源、散热、内存，任何一个硬件故障都是致命的。Mac Mini 没有冗余电源，NUC 也一样。

网络层面：家里断网，所有依赖外部 API 的任务全部失败。路由器重启、ISP 故障、DNS 污染，都会中断服务。如果你用了 DDNS 或内网穿透，又多了一层脆弱性。

软件层面：macOS 自动更新重启，cron job 全部中断。OpenClaw 进程崩溃，没有自动重启机制。Node.js 内存泄漏，跑几天就卡死。

数据层面：API key 只存在本地，丢了就得重新申请。配置文件没有远程备份。聊天记录、memory 文件、自定义脚本——都是独一份。

来看一个真实场景：一台 Mac Mini 跑着 OpenClaw，几十个 cron job 覆盖了日常运营的方方面面。Git 每日备份解决了代码和配置的版本控制，但没有任何外部监控。如果这台机器半夜挂了，第二天早上才会发现"怎么今天没收到日报"。

数一数，你的系统里有几个这样的单点？

P0：给系统装一个"心跳"——最紧急的 30 分钟

最紧急的事情只有一件：你得知道你的机器还活着。

注意关键词是"外部监控"。不是在 Mac Mini 上跑一个脚本检查自己——机器都挂了，脚本还怎么跑？你需要的是一个外部的、独立的服务，它期待你的机器定期报到，如果没收到，就给你发警报。

这叫"反向 ping"模式，也叫 Dead Man's Switch。原理非常简单：

  • 你的机器每 5 分钟向一个外部服务发一个信号："我还活着"
  • 如果外部服务超过 10 分钟没收到信号，就给你发邮件、短信或 Slack 通知
  • 你不需要公网 IP，不需要开放端口，因为是你的机器主动往外发

Healthchecks.io 是做这件事最好的免费工具，免费版支持 20 个检查点，对个人用户绰绰有余。

为什么这是 P0？因为没有监控的系统就是薛定谔的系统——你不打开箱子看，永远不知道它是死是活。而等你发现的时候，可能已经停了 12 个小时。

如果你想更细致，可以设置多个心跳检查点：一个检查机器是否在线，一个检查 OpenClaw 进程是否存活，一个检查关键 cron job 是否正常执行。颗粒度越细，出问题时定位越快。

P1：确保数据不会随硬盘一起消失

监控解决的是"知道出了问题"，备份解决的是"出了问题能恢复"。这是两件事，缺一不可。

你需要备份三类东西：

第一类：代码和配置（用 Git）

如果你已经在用 Git 管理 workspace，你已经做对了一半。但"一半"是什么意思？你确认过 git push 真的在执行吗？很多人设了自动 commit，但忘了 push。本地 commit 在硬盘挂掉的时候一文不值。

第二类：敏感数据（加密后上云）

API key、token、.env 文件——这些东西通常不会放进 Git（也不应该放）。但如果只存在本地，丢了就得一个个重新申请，有些甚至找不回来。正确做法是加密后备份到云存储。

第三类：运行状态和数据

这包括 memory 文件、聊天历史、自定义脚本、cron 任务列表等。这些东西零散分布在各个目录，是最容易被遗忘的一类。建议定期导出完整的系统状态清单，知道自己到底有哪些"家当"。

P2：写一份"从零恢复"手册

备份再完美，如果恢复的时候手忙脚乱，也白搭。

你需要一份 DISASTER-RECOVERY.md——假设你面前是一台全新的机器，从零开始恢复全部功能的操作手册。目标是 2 小时内恢复全部服务。

这份手册应该包括四个阶段：

阶段一：基础环境（30 分钟）

  • 安装 Homebrew、Node.js、Git
  • 配置 SSH key，连接 GitHub
  • 克隆 workspace 仓库

阶段二：恢复 OpenClaw（30 分钟）

  • 安装 OpenClaw
  • 恢复配置文件（从加密备份解密）
  • 配置 API key（从备份清单逐一填入）
  • 启动 gateway，验证基本功能

阶段三：恢复自动化（30 分钟）

  • 重建所有 cron job
  • 验证每个 cron job 的执行
  • 恢复心跳监控
  • 确认通知渠道正常

阶段四：验证（30 分钟）

  • 手动触发几个关键任务，确认输出正确
  • 检查日志，确认没有报错
  • 通知相关人员系统已恢复

写完之后，最关键的一步很多人会跳过：实际演练一遍。 找个周末，假装机器挂了，照着手册走一遍。你一定会发现遗漏——某个 API key 忘了备份，某个工具忘了列在清单里，某个配置文件路径写错了。演练发现的问题，更新回手册。这份手册是活的，每次系统有变更都要同步更新。

进阶方向：如果你还想更稳

以上三个优先级做完，你的系统已经从"裸奔"变成了"穿了盔甲"。想进一步，有两个方向值得考虑：

多机热备：买一台便宜的 VPS（每月几十块），跑一个最小化的 OpenClaw 实例。平时什么都不做，只作为备用。主机挂了，手动切换到 VPS，至少关键任务不会中断。不需要完全复制——只要能跑最关键的 5-10 个 cron job 就够了。

Docker 化：把整个 OpenClaw 环境打包成 Docker 镜像。恢复的时候不用一步步安装环境，pull 一个镜像就能跑。迁移到新机器、新系统都很方便。

不过说实话，对大部分个人用户来说，P0 到 P2 已经足够了。别让完美主义阻碍你迈出第一步。

搭建 AI Agent 系统很兴奋，调 prompt 很有成就感，加新功能停不下来。但灾备这种"无聊"的事情，大家总是往后拖。现在回头看，最值得的 30 分钟就是设置 Healthchecks.io——一个免费服务，一条 cron 命令，换来的是"机器挂了 10 分钟内就能知道"的安心感。

你的 AI 管家 7×24 小时为你工作，但谁在替它值班？如果答案是"没有人"，今天就花 30 分钟把 P0 做了。