前言：关于写日报这件事
刚入职新公司，还没领略到技术栈的深奥，先被"日报文化"给教育了。
每天下午一下班，微信群里的行政小姐姐就开始复读机模式："@所有人，今天的日报还没交的抓紧了哈！" 到了 7 点，如果还没交，你的名字就会出现在那个"未提交名单"里，就像小时候没写作业被老师点名。
最离谱的是，每次写日报都要坐在工位上对着屏幕发呆十分钟： "我今天到底干了啥？" "修了一个 Bug，但这 Bug 叫啥来着？"
这种回过头翻 Git 记录、翻 Chrome 历史记录、翻笔记软件的行为，简直是对程序员脑细胞的二次谋杀。作为一个推崇"自动化一切"的懒人，我决定：我命由我不由天，日报得靠 AI 填。
于是，我参考了 OpenClaw 的思路，基于 Vercel AI SDK 手搓了一个"日报生成神器"------Damn Reports
效果展示
先看成品，这就是我用来"偷懒"的秘密武器：
核心原理：Agent 的工具循环调用
要实现这样一个能"自动干活"的 AI Agent，手搓还是有点难度，所以我们要站在巨人的肩膀上，使用 Vercel AI SDK 来实现。
以前我们写 AI，通常是简单的 Chat：输入 -> 输出。但要让 AI 能读取你的文件、查你的数据库、甚至帮你提交 HTTP 请求，就需要 Tool Use（工具调用）。
AgentToolLoop
在 ai SDK 中，有一个核心概念叫 ToolLoopAgent。它的逻辑可以用下面这个闭环来描述：
- LLM 思考：用户说"你今天都做了什么"，AI 发现自己不知道我今天干了啥。
- 调用工具 ：AI 决定调用
read_file工具去读我的memory/2026-03-11.md。 - 获取结果：程序执行文件读取，把内容丢回给 AI。
- 再次思考：AI 拿到了内容，发现信息够了，开始组织语言生成结果，不够则在调用工具。
- 输出结果：最终把日报呈现在我面前。
自己处理会非常麻烦，你要自己处理循环调用，而使用 vercel ai sdk，则只需要几行代码：
typescript
// src/store/modules/llm/store.ts
import { ToolLoopAgent } from 'ai'
import * as tools from '@/tools'
const agent = new ToolLoopAgent({
model: createModel(),
instructions: [/* 系统提示词 */],
// 注入所有的工具
tools
})
const stream = await agent.stream({
messages: userMessages,
})
let result = ''
for await (const part of stream.textStream) {
result += part
}
console.log(result)其原理就是将复杂的 Loop 循环抽象为简单的调用逻辑：
接下来，就是让 AI 拥有一些基础的能力，比如读取与写入文件。
typescript
// src/tools/file.ts
export const read = tool({
description: '读取文件内容',
inputSchema: z.object({
path: z.string().describe('文件路径'),
}),
execute: async ({ path }) => {
const data = await fs.readFile(path)
return decoder.decode(data)
},
})
export const write = tool({
description: '创建或覆盖文件',
inputSchema: z.object({
path: z.string().describe('文件路径'),
content: z.string().describe('文件内容'),
}),
execute: async ({ path, content }) => {
await fs.writeFile(path, encoder.encode(content))
return `Successfully written to ${path}`
},
})有了这两个工具，AI 就可以在目录里翻箱倒柜了。
当然，实际上你可能还得约束 AI 的读写范围之类的。
一个完整的 Agent，除了上面最基础的读写外，通常还会有更多的内置工具，比如 openclaw 内置的工具就将近有 20 个，而我们的使用场景就比较简单，所以就只做了以下的 tool：
md
- apply_patch: 应用多文件补丁
- ls: 列出文件夹
- date: 获取当前日期
- edit: 对文件进行精确编辑
- read: 读取文件内容
- exec: 执行命令
- exec_tool: 执行指定 tool.json 中的工具（获取数据源的工具）
- skill: 加载指定的 Skill，并返回其内容和相关文件列表
- get_settings: 获取应用的配置
- set_settings: 设置应用的配置
- ...让 AI 直接帮我配置工具和数据
目前 Damn Reports 只支持了两个数据源工具，但这样肯定不能满足所有场景，而我又不可能到每一个平台都把这些 API 接一遍，所以我将这个能力，也交给了 AI。
在 Damn Reports 里，所有的数据源工具跟数据源都是通过 json 文件来管理的，而让 AI 能帮我处理这些文件，这个时候，我们就需要通过 skill 来加载对应的技能了。
可能有人想问，为什么不直接在写个 read_soruce、edit_source、add_source 的工具呢？这时候就要说到 tool 其实并不是越多越好的，这会大大增加 AI 的认知负担，而且也会让 AI 的回答变得不那么准确，因为每一次对话，你都把完整的工具链塞给 AI。
而 skill 则不同，他更像是一本操作指南，只有 AI 需要的工具，才会被加载进来，这里就拿 agent-browser 技能为例：
一般来说，skills 的文件结构如下：
md
skills/
└── agent-browser/
├── SKILL.md
├── README.md
├── references/
│ ├── authentication.md
│ ├── commands.md
│ └── ...
└── tools/
└── agent-browser.json
└── ...而入口，就只有标题、描述、每个功能导航的链接。
md
---
name: agent-browser
description: "..."
allowed-tools: Bash(agent-browser:*)
---
1. xxx (./references/authentication.md)
2. xxx (./references/commands.md)
3. xxx (./references/...)这样 AI 就会自己思考将要做的事情，需要用到哪些功能，然后就会自动去对应的文件里找答案。
比如我要增加一个新的数据源工具，我不需要去改代码。我直接对 AI 说：
"帮我配置一个新的数据源工具，用来获取 xxx 的数据"
可能会有人搞混，tool.json 是用来获取数据源的工具，跟 AI tool 其实不是一个东西，其实 openclaw 也有一个 TOOL.md，其本身也跟 AI tool 不是一个东西，这些都是用户跟 AI 自定义的一些工具集。
AI 会执行以下链式反应：
- 加载
tool技能，这里会有tool.json的数据结构、更改规则。 - 读取
tool.json。 - 调用
edit工具修改 JSON 结构，插入新的配置。 - 调用
exec_tool验证，确认修改成功。
这种 "用 AI 配置" 的流程，其实就跟 openclaw 差不多，但这种模式比较依赖大模型是否足够聪明。
提示词注入是根本
和 OpenClaw 一样，整个 Agent 的行为逻辑是由一组 Markdown 文件定义的：
AGENTS.md：定义了 AI 的身份（日报助手）和行为准则、可用的 skill 列表。MEMORY.md：存放长期记忆，比如我的项目背景、常用术语。IDENTITY.md：告诉 AI 我是谁。
通过在每次对话开始前注入这些上下文，AI 瞬间就从一个"通用的聊天机器人"变成了"最懂我的私人助理"。
终极形态：自动提交与定时任务
日报生成了，难道还要我每天到软件里，手动生成，手动复制粘贴到公司后台？ 不可能！
所以我支持了定时任务，每天下班前准时生成日报，但这还不够，我直接让 AI 帮我写了两个定时任务,用来提交到公司后台。
由于 cron 也是使用 json 文件来管理的，我们只需要写好 cron 技能就可以直接跟 AI 对话去帮我写定时任务啦，我就让 AI 帮我写了两个定时任务。
- 获取公司 OA 的 Token：每天下午 5.30 点自动获取公司 OA 的 Token。
- 自动提交：询问我是否要提交日报，如果回答是，则调用脚本提交日报。
json
// tauri/workspace/cron.json
{
"jobs": [
{
"name": "Auto Submit Report",
"cron": "0 18 * * 1-5",
....
}
]
}从此，下班后的微信群催促对我来说，不过是划过屏幕的一条无意义通知罢了。
一些思考
其实手搓这个工具，除了想解决自己的"日报焦虑"，更多的是对目前 AI Agent 的探索，以缓解我对层出不穷的 Agent 工具的焦虑，直到我把整个项目做完，我也有了一些自己的理解。
其实 AI Agent 的底层模式其实并没有发生翻天覆地的变化。像是我们常用的 Cursor、Trae 这些 AI IDE，其实早就是按照这种设计思路在跑了：感知环境（读代码、查终端） -> 决策（思考怎么改） -> 执行动作（改代码、跑命令）。但这终究还是给程序员准备的"工具"，普通人很难去接触到这种工具。
我想了想 OpenClaw 为什么能这么火，可能正是因为它把这种高度自动化的模式真正"搬"到了普通大众面前。它不仅仅是一个聊天框，更像是一个拥有"心脏"和"记忆"的数字生命。
如果你对这个项目感兴趣，欢迎去 GitHub 关注。 觉得有用的同学，点个 Star 支持一下吧！💪