为什么需要一个"AI 项目经理"

问题的根源不是 AI 模型不够强，而是 AI 的上下文窗口有限。你要么让它记住代码细节，要么让它记住业务背景，两者很难兼得。直接用 AI 写代码，它要么懂代码但不懂业务，要么了解需求但写不出好代码。

Elvis 的方案是分两层：

  • AI 项目经理（Zoe）：记住所有业务信息——客户画像、历史需求、尝试过的方案、成功和失败的经验。这些信息存在 Obsidian 笔记里，Zoe 随时调取。
  • AI 程序员（Codex、Claude Code、Gemini）：只管写代码。Zoe 负责把业务需求"翻译"成详细的技术任务说明，分配给合适的 AI 程序员。

这个架构和 Stripe 最近公开的内部系统一模一样，区别是 Stripe 的系统要几十万美元，Elvis 的跑在自己电脑上，成本是零头。

实战案例：从开会到上线，70 分钟

用一个真实例子看这套系统怎么运作：

10:00 — 客户打电话说，每次都要重新设置配置太麻烦，想复用之前的设置。Elvis 没打开编辑器，而是跟 Zoe 聊了几句。因为会议记录都自动存在笔记里，Zoe 已经知道这个客户的背景。方案很快确定：做个模板功能。

10:15 — Zoe 开始执行。它做了三件事：给客户账户充值解除限制（有管理员权限）、从数据库调出客户现有配置数据、创建一个 AI 程序员并给出详细任务说明。

10:20 — AI 程序员在独立工作区里开工：写代码、跑测试、提交。

10:30-11:00 — Elvis 去散步。一个自动脚本每 10 分钟检查一次进度：AI 还在工作吗？代码提交了吗？测试通过了吗？卡住就自动重试，最多 3 次。

11:05-11:15 — 代码提交后，三个 AI 审查员依次检查：Codex 找逻辑错误和边界情况，Gemini 找安全和性能问题，Claude Code 做最终验证。三个 AI 直接在代码下面写评论。

11:20 — Elvis 手机收到通知："功能 #341 做好了，等你审查。"测试全过，三个审查员都批准，还附了界面截图。他花 5 分钟看了截图和关键评论，点了确认，功能上线。

全程 70 分钟，Elvis 实际动手不到 15 分钟。

成本算账

Elvis 每月 API 开销：

  • Claude API：100 美元
  • Codex API：90 美元
  • 合计：190 美元/月（刚起步可以从 20 美元/月开始）

硬件方面，他最初用 16GB 内存的 Mac Mini，能同时跑 4-5 个 AI 程序员，但每个 AI 都需要独立工作空间和依赖包，内存很快吃紧。后来换成 128GB 内存的 Mac Studio（3,500 美元一次性投入），稳定运行 15-20 个 AI 程序员。

对比传统方案：要达到同样的产出（日均 50 次提交），需要 2-3 个全职程序员，年成本 20-30 万美元。Elvis 的系统年成本 5,780 美元，省了 95% 以上。

搭建指南：五个关键步骤

步骤一：选工具

  • AI 项目经理：OpenClaw（免费开源）
  • AI 程序员：至少配两个，各有专长
    • Codex：适合复杂逻辑、后端代码、跨文件修改，慢但靠谱，Elvis 90% 的任务用它
    • Claude Code：速度快，适合前端界面和 git 操作
    • Gemini：设计感强，适合生成界面设计稿

Zoe 会根据任务类型自动选择——计费系统的 bug 给 Codex，按钮样式调整给 Claude Code，新页面设计从 Gemini 开始。预算有限的话，先从 Codex + Claude Code 起步。

步骤二：建业务知识库

这一步最容易被忽略，但决定了整套系统的上限。AI 项目经理的价值就在于它记住了 AI 程序员看不到的东西。

用 Obsidian、Notion 或任何笔记工具，持续记录：

  • 客户信息：谁是谁、做什么业务
  • 会议记录：客户说了什么、为什么要这个功能
  • 决策历史：试过什么方案、为什么失败
  • 成功经验：哪种方式有效

当 AI 程序员失败时，Zoe 不会机械重试，而是结合业务上下文重新说明任务。比如直接告诉 AI："客户要的是 X 不是 Y，这是他们在会议上的原话。"

两周的积累就能形成初步知识库，这个投入回报比极高。

步骤三：设置自动监控

你需要知道 AI 在做什么，但不能每 5 分钟就去问（API 调用太贵）。

Elvis 的方案：每个 AI 程序员开工时，在一个 JSON 文件里创建记录——任务内容、工作分支、当前进度。一个脚本每 10 分钟跑一次，检查可观察的状态（代码有没有提交、测试有没有通过），而不是去问 AI"你在干嘛"。只在连续失败 3 次或卡住超过 30 分钟时才发警报。

第一版可以很简单：每 15 分钟检查一次，任务超过 1 小时没完成就发邮件提醒。

步骤四：让系统越用越聪明

大多数 AI 工作流的问题是任务说明不会进化。Elvis 的改进是让 Zoe 根据失败原因动态调整——分析是信息不够、方向错了还是需要澄清，然后用业务知识重写任务说明。

更进一步，Zoe 会主动找活干：

  • 早上扫描错误日志，发现 bug 就自动创建 AI 程序员去修
  • 会后扫描会议记录，标记功能需求并分配任务
  • 晚上扫描提交历史，创建 AI 去更新文档

每次成功的经验都会被记录："这种任务说明适合计费功能""Codex 需要提前知道数据结构"。随着时间推移，任务说明越来越精准，失败率持续下降。

步骤五：三重代码审查

人工逐行审查太慢，直接上线 AI 写的代码太冒险，三重审查是平衡点：

  • Codex：最彻底，找逻辑错误和边界情况
  • Gemini：免费，找安全和性能问题
  • Claude Code：偏谨慎，只看它标记为"严重"的问题

Elvis 还加了一条规则：改了界面就必须附截图，否则测试不通过。这让他能在 5 分钟内完成审查——看截图就知道改了什么，不用打开预览环境。至少配两个审查员，推荐 Codex + Gemini（Gemini 免费）。

系统的边界

Elvis 很坦诚：复杂的架构决策、跨多个服务的大改动、需要深度专业知识的 bug，还是要他亲自处理。AI 程序员擅长的是"任务明确的中小型工作"——给定清晰的输入和预期输出，它们能一次搞定。

但工作性质的转变是实实在在的。以前每天写代码 6 小时、开会 2 小时；现在定义需求 1 小时、审查代码 2 小时、开会 2 小时，剩下的时间思考战略或者休息。产出反而更高了。

10 分钟快速启动

最快的上手方式：把整套需求描述给 OpenClaw，让它自动搭建。它会创建脚本、设置目录结构、配置监控程序。核心文件包括：

  • .clawdbot/active-tasks.json：任务记录表
  • scripts/monitor-agents.sh：监控脚本
  • scripts/spawn-agent.sh：启动 AI 程序员的脚本
  • .clawdbot/context/：业务知识库目录

第一次运行时系统会问你用哪些 AI 模型、代码在哪里、怎么访问数据库，回答完就能开始工作。

Elvis 说得好：不要把 AI 当廉价员工，要把它当力量放大器。你做最重要的事——理解客户、定义产品、做架构决策；AI 接管重复性的编码、测试、文档工作。这套系统的核心不是省钱，而是让一个人能做到原来一个团队才能做到的事。