基于Peter Steinberger在2025年12月28日发布的博客文章（OpenClaw爆火前夕），这是一份关于如何在AI时代高效构建软件的实战指南。

---

一、核心认知转变

1. 期待值的革命性变化

• 2025年5月：对提示词能生成可运行代码感到惊讶
• 现在：直接能跑的代码已成为日常正常预期
• 关键洞察：与agent相处足够长时间后，你能准确知道某件事应该花多长时间

2. 对架构的感知不会消失

• 反驳"使用agent会产生脱节感"的观点
• 当Codex返回结果却没一次性解决问题时，会立刻起疑心
• 真相：你依然能感受到糟糕的架构，只是通过不同方式

3. 生产力的新瓶颈

• 主要限制：推理时间和深度思考，而非编码速度
• 现实：大多数软件不需要深度思考
• 策略：从CLI开始构建，形成闭环验证

---

二、模型选择的实战智慧

Codex vs Opus：深层差异

Codex（GPT-5.2）的特点：

• 开始前会默默阅读文件10-15分钟
• 大幅提高修复正确问题的几率
• 适合大功能开发和重构
• 虽然花4倍时间，但总体更快（避免返工）
• 上下文管理能力是Opus的5倍

Opus的特点：

• 更加急切，适合小修改
• 经常不读整个文件或遗漏部分
• 容易交付低效结果
• 内部思考非常啰嗦（消耗更多token）
• 用起来"很愉悦"，有特别的个性

关键教训：

“即使codex花的时间是Opus的4倍，我反而更快，因为不需要回去修复那个修复”

知识截止日期的重要性

• GPT-5.2：截止到8月底
• Opus：停在3月中旬（差5个月）
• 使用最新工具时至关重要

---

三、工作流程设计

1. 多项目并行策略

• 同时处理3-8个项目（根据复杂度）
• 一个大项目 + 几个卫星项目
• 需要安静、专注的家庭工作环境
• 培养对任务难度的直觉

2. 队列功能的使用

• 有新想法时加入管道
• 不需要复杂的多agent编排系统
• 瓶颈是人：需要快速迭代、玩、感受、看见

3. 迭代哲学

“我很少在脑子里有完整的图景。我构建东西，玩一玩，看看它’感觉’如何，然后得到新想法来完善它”

• 反对Spec-Driven开发模式
• 需要触摸、感受、看见才能让它演进
• 构建软件像爬山：绕着走、转弯、有时往回走

4. Git工作流

• 直接提交到main
• 基本从不回滚或使用检查点
• 不喜欢的就让模型改
• 避免在脑中思考不同状态的认知负担
• 注意：适合单人项目

5. 跨项目引用

• 经常引用其他项目：../project-folder
• 复制已解决的方案到新项目
• 节省大量提示词

6. 文档管理

• 在每个项目的docs文件夹维护文档
• 使用脚本强制模型阅读相关文档
• 不需要引用过去会话的复杂系统

7. 上下文管理

• GPT-5.2后不再需要频繁重启会话
• 即使上下文更满，性能依然很好
• Codex在上下文管理上远超Claude
• 内部思考非常浓缩以节省token

---

四、提示词技巧

从详细到简洁的转变

• 过去：用语音输入写很长、详细的提示词
• 现在：提示词变得短多了，经常打字

视觉化提示

• 大量使用图片，特别是迭代UI时
• 拖UI截图说"fix padding"或"redesign"
• 展示什么是错的，几个词就够

Markdown输出

• 常写：write docs to docs/*.md
• 让模型自己选文件名
• 核心理念：为agent设计代码库结构，而非为自己

---

五、技术栈选择

语言选择原则

• Web项目：TypeScript
• CLI：Go（agent非常擅长，类型系统让linting快）
• macOS/UI：Swift

关键决策点

• 语言/生态系统和依赖的选择最重要
• 维护得好吗？流行吗？（=足够的世界知识）
• 系统设计：通信方式、数据流向

macOS/iOS开发革命

• 不太需要Xcode了
• 不使用xcodeproj文件
• Swift构建基础设施已足够好
• Codex知道如何运行iOS应用和处理模拟器

---

六、工具和基础设施

Oracle的诞生与演进

• 问题：Agent卡住→手动查询→重复浪费
• 解决：构建CLI让agent自动运行GPT-5 Pro
• 效果：Pro速通50个网站+深入思考，几乎总能击中正确答案
• 演进：GPT-5.2后需求从每天多次降到每周几次
• 收获：学到浏览器自动化、Windows知识、skills

多机器工作流

• 两台Mac：MacBook Pro + Mac Studio
• 通过git同步，比worktree简单
• UI/浏览器自动化移到Studio（不打扰主机）
• 任务继续运行，出差时远程成为主工作站

自动化一切

• Skill注册域名和修改DNS
• Skill写前端
• AGENTS文件包含tailscale网络说明
• 直接说"去我的mac studio更新xxx"

重构策略

• 过去：专门的日子来重构清理
• 现在：即兴处理
• 看到丑陋代码立刻处理
• 发现bug立刻提示（比写下来再切换上下文快）

先从模型和CLI开始

• 案例：YouTube视频总结扩展
• 先构建CLI（summarize）把核心做对
• 效果好后一天构建整个扩展
• 本地运行，快速，免费或付费模型都可

---

七、配置优化

模型选择

• 首选：gpt-5.2-codex high
• xhigh没什么好处，只是慢得多
• KISS原则：不花时间思考不同模式

关键配置

model = "gpt-5.2-codex"
model_reasoning_effort = "high"
tool_output_token_limit = 25000
model_auto_compact_token_limit = 233000

功能开关

• unified_exec = true（替换tmux和runner脚本）
• web_search_request = true
• skills = true
• shell_snapshot = true
• ghost_commit = false

压缩策略

• 不要被压缩吓到
• 新的/compact端点工作足够好
• 任务可跨多次压缩运行并完成
• 会变慢，但起到审查作用（模型重看代码会发现bug）

---

八、具体案例：VibeTunnel

项目背景

• 终端多路复用器，让你在外出时编码
• 投入两个月，好到在外出时用手机编码
• 因心理健康原因停止

技术债的解决

• 过去：尝试从TypeScript重写到Rust/Go/Zig，老模型consistently失败
• 现在：两句话提示，Codex跑5小时，一次性交付可用转换版本

为什么重启

• 为Clawdis（OpenClaw前身）服务
• AI助手需要完全访问所有电脑
• 字符流比看图片效率高得多

---

九、Clawdis/OpenClaw的愿景

全面访问

• 消息、邮件、家庭自动化
• 摄像头、灯光、音乐
• 甚至控制床的温度

特性

• 自己的声音
• 发推的CLI
• 自己的clawd.bot
• 能看到并控制屏幕
• 有时候会说刻薄的话

---

十、代码阅读的转变

革命性变化

“这年头我已经不太读代码了”

• 看着代码流式生成
• 偶尔看关键部分
• 知道组件在哪里、如何组织、系统如何设计
• 这通常就足够了

重要的是什么

• 语言/生态系统和依赖的决策
• 整体架构理解
• 系统设计思考

---

十一、与模型对话的方式

告别"计划模式"

• 过去：需要"计划模式"（拿走编辑工具）
• 现在：直接和模型对话
• 问问题、让它搜索、探索代码、一起创建计划
• 满意时写"build"或"write plan to docs/*.md and build this"

计划模式的本质

• 早期模型时代的黑客方案
• 那些模型不太擅长遵循提示
• 不是什么神奇的东西

---

十二、项目管理哲学

Issue追踪

• 试过Linear等追踪器，都没坚持
• 重要的想法立刻尝试
• 其他的要么记住，要么不重要
• 发现bug立刻提示（比写下来再切换上下文快）

批量更新

• 让agent在项目文件夹运行
• “找到我最近的所有go项目”
• 实现改动 + 更新changelog
• 每个项目自动升高patch版本号

---

十三、心态与平衡

竞争的价值

• 希望Anthropic推出Opus-5
• 竞争是好事

模型个性的重要性

• 爱Opus作为通用模型
• AI agent运行在GPT-5上不会有一半这么有趣
• Opus用起来"很愉悦"
• 技术能力不是唯一标准

享受构建的乐趣

“玩得太开心了在构建东西”

---

核心洞察总结

1. 速度的真谛：不是最快完成，而是一次做对，避免返工
2. 架构感知：不会因为用agent而消失，只是通过不同方式感知
3. 迭代哲学：构建-玩-感受-演进，而非完整规划后执行
4. 为agent设计：代码库结构为agent优化，而非为人类
5. 简单至上：直接提交main，不过度工程化，KISS原则
6. 立即处理：看到问题立刻解决，不积压
7. CLI优先：先做对核心，再扩展到其他形式
8. 模型个性：技术能力+使用愉悦度共同决定选择
9. 人是瓶颈：不是编码速度，而是思考和感受
10. 享受过程：构建本身就是乐趣

---

最终启示：Vibe Coding不是关于工具或技巧的堆砌，而是与AI建立一种新的协作关系——你负责感受、判断和方向，AI负责执行和实现。这种关系建立在信任、直觉和大量实践之上。