工程师的日常

终于可以发这张图了

openclaw 核心底层全部复用了 pi-coding-agent，这个选择还是挺有意思的。要是我来构建一个通用对话 agent，我一上来肯定就把 pi-coding-agent 否了，我下意识觉得普通人需要啥 coding tool 和 cli 工具，直接 50 行写个类似 pi-agent-core 的 loop 就完了。

如果我只是想在出门只带手机的时候也想云编程，直观的解决方案是控制自己家 mac 上的 cc 就完了。 peter 的初心的确不一样，他想搞个自己的全能助手 jarvis。

最近感觉，没把 coding 计划的额度用完，这一天就差点意思

到家看到这个，已经要被遗忘在前ai时代了

马年对自己的要求：成为一名优秀的工程师。

被 Claude code 干懵了…吃内存大户

把OpenAI的这个实践应用到自己的项目里，可能是各个工程团队26年最需要做的改造了。

Humans steer. Agents execute.
目标是让AI编写100%代码，人类只做这些

环境设计：构建反馈循环让 AI 能自主验证，即使AI操作UI比人类慢很多，但它可以在你睡觉的时候工作，忙不过来的时候，你也可以随时Hire一个新的Agent
架构约束：用 linter/CI 机械化执行规则，而不是靠脆弱的文档指令
知识管理：通过AGENTS.md等文档沉淀知识，而不是分散在代码，甚至slack讨论里
可观测性：让 AI 能看到 UI 截图、日志、metrics，自己验证自己的工作

很多人可能会担心AI写的代码出错了怎么办，人类Review变成了瓶颈。OpenAI的哲学是：当 correction 的成本极低时，blocking merge gate 就不必要了，前提是你得有 CI 告诉 AI 哪里坏了，AI 才能自己修。

随着时间的推移和AI代码量的积累，整个仓库会趋于熵增，产生越来越多的垃圾。
人类维护的仓库如果不做重构也会这样，导致更容易出错，影响迭代效率（工程师经常要向产品经理解释为什么重构很重要），但AI产生垃圾的效率也远高于人类，重构的频率也需要提升。
重构的方向很难完全由AI决定，必须由人类设定目标，以后有代码和架构品味的，擅长重构的工程师价值会变得更大。但也需要这些工程师放下偏见，学会与AI协作，而不是觉得AI做不好就得自己上。

折腾了三四天自己的agent，现在最大的心得体会还是，社区最佳实践永远好过自己闭门造车，让Claude去抄，然后自己学。

给ccclub.dev设计了一个指标：Cost per Chat。

它计算的是：总花费 / 人类发送的消息数，也就是每次"按下回车"之后，Claude 做了多少工作。

然后发现小组内有人这个指标几乎是我的 10 倍。

去问了下，发现对方在用Trellis (github.com)这种可以同时开好几个 AI agent的工具。

很难立刻给这个数字赋予意义，或单纯认为越高越好：

- 数值低的人(比如我)像开手动挡的车，每次一句短引导让claude往前一步，麻烦但可控。

- 数值高的人像在自动驾驶，让Claude 大量使用 subagents 并行工作。

先观察一阵子，以及想试试提高自己的$/Chat。

每天都像是过新年。