Hacker News 上有個熱帖火了：一位工程師在 8GB 內存的 MacBook Air 上，用本地 Claude Code Agent 實現日均 90 次提交——不連云端 CI、不換硬件、不頻繁重啟。

核心是自研的本地合并隊列（local merge queue）：把并發 Agent 的構建、測試、預覽流程串行化、原子化執行，徹底避開資源爭搶。純 Shell + Git 鉤子實現，無外部依賴。內存峰值壓到 1.2GB 以內，單次合并平均耗時 38 秒（含 lint、test、vite dev server 啟動），72 小時實測零 OOM。這不是 Demo，而是真實交付流水線的極簡重構，直擊中小團隊和獨立開發者的“算力焦慮”——AI Agent 落地，真不需要 GPU 集群。

為什么 4 個 Claude Agent 在 MacBook Air 上會崩？

8GB 內存跑 4–5 個 Claude Agent，表面看是“開太多”，實際是資源模型錯配。

Claude 調用走 API，但本地 Agent 工作流本身就很吃資源：

• npm install 峰值內存 1.1GB
• jest --runInBand 讓 Node 進程堆內存陡增
• vite dev 啟動后常駐 WebSocket + HMR 監聽

當多個 Agent 同時觸發 git push → pre-push hook → build → test → dev server start，macOS Jetsam 機制直接殺進程。原作者記錄：沒加隊列前，平均每 12 次提交就 force quit 一次，日均損失 1.7 小時調試時間。問題不在機器舊，而在傳統 CI 范式（push 即構建）在本地 Agent 場景下根本失靈。

本地合并隊列：37 行 Shell 腳本的工程降維打擊

不用 GitHub Actions，也不搭自建 Runner。純本地 Git hooks + FIFO 隊列搞定原子調度。關鍵就三步：

1. post-receive 鉤子攔截所有 push，寫入 /tmp/merge_queue.fifo（帶 SHA、分支、作者元數據）；
2. 守護進程 queue-runner.sh 阻塞讀 FIFO，每次只取一個 commit；

3. 每次執行嚴格按順序跑：

   git reset --hard && npm ci && npm test && npm run preview -- --port=3001

   失敗則中斷隊列并報警。

全程不用 Docker、Redis、SQLite，甚至沒引入任何新服務。隊列狀態用 cat /tmp/queue.status 實時看，支持 SIGUSR1 手動跳過卡住的任務。實測 4 個 Agent 并發 push 時，CPU 負載從 120% 降到 65%，內存波動收窄至 ±80MB。

不買算力、不燒錢、不重啟：小設備跑 AI Agent 的硬核路徑

這套方案的價值不在炫技，而在重新劃清 AI 開發基礎設施的權責邊界：把 CI 復雜度從云端拽回本地，把資源爭搶從對抗變成編排。

對比常見方案：

• GitHub Actions 免費額度（2000 分鐘/月）≈ 支撐 40 次提交/天，超限扣款；
• 自建 Runner 至少要 16GB 內存 + SSD，月成本 $45+；
• 本地隊列零成本，還省掉網絡延遲——CI 上傳 300MB node_modules 平均耗時 22 秒。

更重要的是，它讓 Claude Agent 變成“可預測”的協作單元。開發者能清楚知道：“第 7 個提交將在 3 分鐘后開始測試”，而不是盯著 CI 隊列里飄紅的未知超時。

?? Binance · OKX · Gate.io · HTX · Bitget

對 OpenClaw 生態的即時啟示

當前 OpenClaw 用戶已在本地跑多 Agent 任務流（比如 Code + Design + Test 三角色協同），但缺一個資源協調層。

這個隊列設計可以無縫集成進 openclaw runtime：

• 把 oc run --agent=code 的輸出自動注入本地 FIFO；
• 由 oc-queue-daemon 統一調度。

yitb/cli v0.4.3-alpha 已預留 --local-queue flag，并開源參考實現（github.com/yitb/openclaw-queue）。不用改 Agent 邏輯，一行命令就能啟用——這正是對“Agent 應輕量、可嵌入、易編排”的實踐回應。

下一步：從隊列到協同 OS 的演進可能

單一隊列解決爭搶，但還沒解決 Agent 間狀態共享。比如 A 跑完單元測試，B 才啟動 E2E。

社區已有基于 /tmp/shared_state.json 的輕量 IPC 雛形。更進一步，Linux cgroups + systemd scope 可為每個 Agent 分配獨立內存/CPU 配額——這意味著 8GB 機器能穩跑 6 個 Claude Agent，而非現在的極限 5 個。

建議現在就動手：

• 克隆 local-merge-queue，運行 make setup 一鍵部署；

• 如果你用 OpenClaw，升級到 v0.4.3 后執行：

  oc config set local-queue true

真正的 AI 生產力，始于對本地資源的敬畏與精算。