我给 10 个 Claude Code 打工 — 胡渊鸣 Ethan

来源: 微信公众号「胡渊鸣 Ethan」| 日期: 2026-02-14 原文: 我给 10 个 Claude Code 打工 精读日期: 2026-02-24

作者背景

胡渊鸣（Ethan Hu），清华姚班 → MIT 计算机图形学博士（开发 Taichi 语言，28K stars）→ 创立太极图形 → 转型 Meshy AI（3D AI 全球市场份额第一）

关键数据：$30M ARR，近 24 个月持续 30% MoM 增长，湾区南部增长最快的 AI 公司之一。

核心问题

用 Vibe coding 开发一个「只给自己用的 CEO 支持软件」（文档写作 + 邮件 + 会议安排），过程中发现真正的问题变成了：如何把 Agentic Coding 的速度提高 10 倍。

10 个提速阶段

Step 1：从 Cursor Agent 到 Claude Code

• Cursor 依赖图形界面，远程麻烦
• Claude Code 纯 CLI，iPhone SSH 可访问
• 可用时间从 8h → 24h
• 数据点：用 Cursor + 3h 重设计了一套 GPU DSL（cuBLAS 80-90% 性能），同样的事以前需要 3 周 → 100 倍产出提升

Step 2：找个 Container（EC2 + 权限全开）

• 痛点：CC 每几十秒要问一次 permission，无法做到「AI 干活，我干别的」
• 方案：在 EC2 上跑 CC，使用 --dangerously-skip-permissions
• 效果：一个 prompt 让 CC 连续干 ~5 分钟，大幅提升 CC 利用率
• 提示：让 CC 自己写每小时自动备份数据库的功能（踩过坑）

Step 3：Ralph Loop — 让 CC 不停地干活

• 来源：PingCAP CTO Dongxu 吃饭时提到
• 原理：CC 从任务列表取任务 → 干完 → 取下一个 → 循环到列表为空
• 实现：用 CC 写了一个 CC 启动器，干完自动启动新的 CC
• Prompt 模板：「干活；干完退出（exit）」，「干活」的定义写在 CLAUDE.md

Step 4：Git Worktree 并行化

• 每个 worktree 独立开一个 CC 实例
• 5 个 CC 并行，每个 5 分钟一个 commit → 实现 1 分钟/commit 的节奏
• GitHub 成了他唯一还会打开看内容的地方

Step 5：CLAUDE.md + PROGRESS.md — 让 AI 长记性

• CLAUDE.md：架构说明、行为规则（少改，容易改坏）
• PROGRESS.md：让 CC 自己总结经验教训，「同样的错误下次不要再犯」
• 绝大部分内容都是 CC 自己写的

Step 6：干掉 SSH，开发界面变成手机网页

• 痛点：SSH 下 CC 不停刷新 terminal，巨卡；手机屏小操作难
• 方案：写了个 CC Web Manager，用 claude -p [prompt] --dangerously-skip-permissions 把 CC 变成非交互式组件，Python subprocess 调度
• iPhone Safari 包装成 App，随时打开

Step 7：用 CC 写管理 CC 的程序

• 关键参数：--output-format stream-json --verbose
• Manager 通过 JSON log 实时监控子 CC 实例的状态和问题
• 调试过程：初始成功率 ~20%，最终优化到 ~95%（具体原因不明，CLAUDE.md/PROGRESS.md/task dispatcher 共同作用）
• 核心洞察：有闭环反馈的任务对 AI 来说是简单任务。未来只要能端到端获得反馈的事，AI 都能搞定

Step 8：自然语言编程（语音输入）

• 给所有输入框加上语音识别 API
• 走在路上、Uber 里、睡前都能 vibe code
• 额外洞察：2026 年，任何人类学英语的速度都赶不上 AI 翻译能力提升的速度 → 与其培训英语，不如投资 AI 翻译工具

Step 9：给开发中心加 Plan Mode

• CC 的 Plan 模式在任务开始时明确意图，防止跑偏
• 在 CC 任务管理器里封装 Plan mode，支持批量 kick off 然后统一 review

Step 10：坚持不看除 CLAUDE.md 以外的代码

• 杜绝对 AI 的 micromanagement
• 把时间花在：更好地提问、第一性原理定目标、如何给 AI 铺路、版本控制与测试驱动、不断提高自己的杠杆
• 领导者的核心工作变成：Context, not control

两个大洞见

1. 标准化软件的终结

• 软件开发成本 → 趋近于零
• 「共性需求摊分成本」的 SaaS 商业模式前提不复存在
• 每个有一定开发能力的人都会选择定制软件而非标准化软件
• PM 的工作被重新定义：「聚合 100 个客户共性需求」不再需要
• 工程师的工作被重新定义：从写代码 → 给 AI 铺路（框架、环境、Reward），让 AI 在闭环中驰骋

2. 人类的黄昏

• AI 7x24 工作 + 理性直接（不用照顾自尊心）→ 沟通更接近事实
• 管 AI 比管人更能提高领导力：目标不清晰的问题 5 分钟内就有反馈，领导力成长速度也是 100 倍
• AI 技术发展速度 > 任何一个人类专心学习的速度 → 需要重新审视「学习」的意义
• Headcount → Token count
• 人类必须回答：「我们到底还有什么独特的价值」

Actionable Takeaways（对我的参考价值）

1. Ralph Loop + 并行 worktree 是提升 CC 吞吐量的核心，我目前还是单线程用 CC，有提升空间
2. PROGRESS.md 模式：让 CC 在每次大任务后自己总结经验沉淀，比只靠 CLAUDE.md 更灵活
3. 闭环是关键：能让 AI 端到端获得反馈的任务，成功率会大幅提升
4. Plan Mode 批量化：当有很多并行任务时，先批量走 Plan Mode 统一 review，再并发执行
5. 不要 micromanage AI：把时间花在目标定义和杠杆放大上，而不是看代码

精读于 2026-02-24