如何做一個自己專屬的 AI 情報收集師？分享我每天清晨五點上工的 AI 資訊雷達架構。
在 OpenClaw（龍蝦）上搭載一套 AI 資訊雷達，每天清晨五點多自己開工，把整個網路掃過一遍，篩出當天值得看的東西，一則 Telegram 丟到我手機。
系統架構
- OpenClaw / 喚醒 / scheduled：一個 cron job 觸發，訊息內容只有「去讀這份 prompt，然後照做」
- Sonnet / 抓取 / web search + fetch：agent 自己去巡 GitHub、arXiv、Twitter/X、各家 blog、tool release、founder 的碎念
- Opus / 過濾 + 評分 / LLM-as-a-judge：把抓回來的東西打分，零命中的直接丟掉
- Opus / 驗證 / verifier：每一條要發出去的資訊，都先確認來源真的存在
- Sonnet / 分類 + 摘要：分門別類，寫成中文摘要，技術名詞保留英文
- OpenClaw / 推播 ＋ 歸檔：一則 Telegram 推到手機，同時 git commit 存進 archive
這整個流程沒有綁定 runtime、沒有綁定 scheduler 服務、沒有一行應用程式碼，只有一份 cron 記錄、一份 markdown prompt，可以複製到任何環境上。
prompt 在此作為原始碼，agent 變成直譯器，markdown 就是程式語言。
六個雷達，三個 agent
我一開始沒有做一個大雷達，是做了六個小的，各做各的領域：
- Music Tech：音樂科技新知
- AI Infra：開源 AI 專案
- Software & AI Dev：工程趨勢、典範轉移
- Founder's Mind：創業者的思維
- Tool Scout：新工探索
- Med Radar：婦產科新知（這台是我老婆的，晚點講）
這六個雷達背後只有三個 agent 人格：一個叫 Riff 的音樂人格顧 Music Tech，一個叫 Sub 的一次扛四個軟體工程資訊，最後一個 Med 專門服務另一位收件人。我命名都用這種單音節的，好記又好聽。
它們用不同的 Telegram 帳號對我說話，感覺像是跟好幾個不同人格的情報師聊天，他們各自把整理好的東西丟給我，我會決定要不要跟他們討論某幾個情報。
拆進去：讓它堪用的三個設計決定
流程講起來很順，但真正讓這套東西每天堪用的，是幾個看起來很小、其實很關鍵的設計。
(1) 反幻覺閘門：Perplexity 這類搜尋偶爾會引用一個根本不存在的網址（這叫 hallucination）。所以每一條資訊發出去前，都會先 curl 一次那個 URL，回 200 才算數，只有 AI 摘要、沒有可驗證連結的，直接丟掉。此外，與其在 prompt 裡寫「請確保資訊正確」，我直接寫明根因「Perplexity 會 hallucinate，AI 摘要不算驗證」。
LLM 知道為什麼，才會在我沒預期到的狀況下也做對判斷
(2) skip_empty：今天沒有重要的，就不要通知我。這條看起來無關緊要，但是一想到 AI 每天都推你看過的東西，就會崩潰了。
(3) 負向約束：像 Founder's Mind 這台，我要的是那些人的思考方式，新聞反而是雜訊。與其改二十個關鍵字，不如在 prompt 裡加一句：「This radar is about THINKING, not news」。一句話鎖住雷達定位，比列出一堆 keyword 有效。AI 的思考、整理能力已經強到不要不要了。
這些東西有個統稱，叫 harness：模型是大腦，工具是手腳，harness 約束他們的行為，不然就會做出一個動不動跟你說「欸，Gary，這個讚，雖然你看過，再跟你講一次～」我就不想看假的、沒用的東西，拍謝，沒空。
雷達的 harness，絕對是整個系統最重要的地方，而且每個人都不一樣，要．客．製．化．這就是「資訊過濾」、「資訊篩選」能力 AI 版。
因為他也有腦，它會慢慢像一位情報收集師
做到一個程度，這東西就不只是「雷達」。因為每個 AI 開始有自己的判斷力，不只是抓，還會判斷品質，某種程度就是在做 LLM-as-a-judge：
- AI Infra 會幫每個開源專案估 VRAM，判斷我這張 RTX 5070 Ti 16GB 跑不跑得動
- Dev 會從讀到的文章裡自動抽出新術語，餵回自己的過濾器，形成一個 feedback loop，是唯一一個會自我演化的雷達
- Founder's Mind 堅持思維不能被塌縮成「高中低優先級」，因為思維沒有優先級，只有種類
因為他有腦，知道哪些值得看；因為他會 web search，知道哪些是 buzz word；因為 LLM-as-a-judge，知道哪些是真的值得學的東西。
所以不只一套冷冰冰的雷達流程，他們是每天清晨五點準時上工的 AI 情報收集師。
Prompt as code，那 code 呢？
前面那五個雷達，本質上是「把 LLM 當一支 shell script 在用」：curl 驗證、去重、git push，全部靠 agent 自律去跑。
問題是它的失敗模式是「LLM 今天哪根筋不對，沒照做」，這種失敗不可觀測，我根本不知道它今天有沒有偷懶（non-deterministic）。
後來幫老婆做那台婦產科雷達的時候，換了寫法：把所有機械、又容易失敗的步驟（搜尋、curl、寫檔、git）推回去用 bash 腳本做（deterministic），agent 只留下它真正不可取代的部分，判讀語意、寫摘要、排版。
失敗模式就從「LLM 沒照做」變成「腳本 exit code non-zero」，可觀測、可重試。
這套流程要擴展到別的環境（雲端主機、換成 GPT 版本、甚至完全不同的 domain），核心從來不是 OpenClaw + Sonnet + Opus，是這條 pipeline 本身。把哪些交給「確定性腳本」，哪些留給「LLM」想清楚，任何執行環境都可以複製一套雷達流程。
它每天幫了什麼，我又付出什麼？
每天清晨五點多，我一睜眼，最新的東西已經在手機上等我了。我要做的只剩一件事：判斷今天哪幾則值得深入讀下去。
日積月累，我幾乎每天都在補新東西，比較不會突然某天發現整個技術走向已經變了、只有我還不知道。
但是，我每天頭都很痛，真的很痛，一直處在一個很燒腦的狀態，因為資訊量真的是排山倒海。有時候累到不行，還會不想看，只想耍廢．．．但很妙的是，焦慮確實降了不少。
以前常常有「我是不是漏掉了什麼」的模糊不安，變成一個具體的、每天早上處理得完的收件匣。
你要不要也搞一台？
照這個流程，是可以長出一台屬於自己的資訊雷達、一位自己的 AI 情報收集師，讓想追的技術一直待在最前線。
但我很誠實地告誡：完全可以不用。直接跟著社群上幾個講得清楚的 KOL 走，其實就很夠了，他們幫忙過濾、幫忙消化，最重要的資訊也都整理好了。
我自己會建議這樣搞的情境很明確：當你想深耕的那個 domain，還沒有一個現成的人在帶大家走的時候。
最好的例子就是我老婆。她想追的是醫學、婦產相關的新知，這個領域在她的同溫層裡，沒有一個「每天幫她把最新 paper 過濾好」的人。所以，我們就用一模一樣的流程，幫她搭了一台。現在每天早上七點，她一開機，最新的 paper、研究方向就在那，很多工作上的靈感，就是躺在床上看雷達的時候來的。
複製整套走
Gary 架構：OpenClaw / scheduled → prompt as code → LLM-as-a-judge → telegram notify
模式複製：任何有 schedule 的 agent runtime → your domain prompt as code → LLM-as-a-judge → 任意通訊軟體 notify