一名零基础的产品经理，仅凭6周时间和1万元预算，通过62,376次与ClaudeCode的对话交互，竟独立开发出具备长期记忆和自进化能力的AI桌面应用『阿布』。这款应用不仅能操作本地文件、抓取网页数据，还实现了7×24小时自动化运行和跨平台集成。本文将完整拆解这段从技术小白到AI开发者的奇幻旅程，揭秘8.5万行代码背后的高效工作流与避坑指南。
3月1日那天，我跟ClaudeCode发了9,259条消息，一天，从早到晚。那天是阿布（Abu）的首个版本发布。
从那天起的6周时间里，我用ClaudeCode写了一款叫阿布的AI桌面应用。到今天为止，8.5万行代码、386个文件、222次commit、1,362个测试。
作为一个不懂技术、不会编程的产品经理，我写代码的方式是描述需求，让Claude帮我写。这6周里我跟ClaudeCode总共交互了62,376条消息、45,004次工具调用，花了大约1万块钱（订阅5,740+API5,000+）。
如果你也「想用AI写自己的工具但不知道从哪开始」，或者「看到别人发产品很心动但觉得自己不行」，我想把我这6周经历的完整链路拆开给你看。一个真实案例、一套可复用工作流、一些避坑经验。
6周以前我也是从”我不会编程”开始的。
这篇文章会讲这些事：
1.我做了一款什么产品：阿布能干什么、使用场景、当前规模
2.我的工作流：从需求到代码到上线，5步循环怎么跑
3.用好ClaudeCode：CLAUDE.md、/plan、/insight、/simplify等我每天在用的功能
在3号馆的小米展区，主题被直接命名为“TheNewViewofAI”。展台分为“AIToday”和“AITomorrow”两个区域，一边是已经量产上市的终端产品和场景应用，一边是芯片、机器人、未来终端等偏技术储备的展示。
4.工作示范：从0加一个”让阿布操作浏览器”的功能，完整演一遍
5.怎么做UI：怎么让AI写出审美在线的界面
6.怎么可持续构建：分支纪律、版本管理、提交检查，附真实事故
7.怎么写测试：1,362个测试是怎么长出来的，附注册表实践
8.怎么评估：自建eval框架的思路、23个评测case、跨模型对比
9.几件让我重新理解AICoding的事：4个真实故事
10.能做到什么程度：边界、成本、给小白的6条建议
跟着这篇实战记录走一遍，你也能用ClaudeCode从0做出自己的产品。文末我也放上了阿布源码以及设计文档，你可以从中学习。
1.我做了一款什么产品
我做的东西叫阿布（Abu），一个AI桌面应用，你用自然语言告诉它要做什么，它在你的电脑上替你做。
阿布具备性格自定义、长期记忆、自进化能力，可写文档、做报表、操控电脑和浏览器，支持多Agent（智能体）并行和定时任务运行，所有数据本地运行。
常见的使用场景：
操作本地文件。发票整理，读取开票时间和金额，批量重命名并汇总统计。Excel数据分析，不用写公式，自然语言描述需求直接输出新表。跨文件信息提取，从多份合同里摘出付款条款，整理成对比表格。
网页数据抓取。让阿布替你看网页、提取信息、填表单。它直接操作你已经登录的浏览器，不需要重新登录任何系统，不需要你懂爬虫。
7×24小时自动化。接入飞书、钉钉、Slack机器人，有人在群里@阿布它就自动处理。支持定时任务，比如每月第一个工作日自动跑一份数据汇总。
自进化。阿布不是一个用完就忘的工具，它会根据聊天内容自动Review并沉淀为记忆，还能根据对话上下文自动创建定时任务和Skills技能卡片。你教它一次“每月第一个工作日帮我跑数据汇总”，它自己会把这件事变成一个定时任务+一张技能卡片，下次不用你再说。用得越多，它越懂你。
说完场景，说说阿布在技术上做到了什么程度。这些听起来像是一个工程团队干的事，但确实是我一个PM用ClaudeCode搭出来的：
双协议LLM适配：同时支持Anthropic（Claude）和OpenAI协议，一套代码接两套API，retry、成本统计、错误分类全部统一
OS级沙箱：macOS用Seatbelt（苹果自家的进程隔离）、Windows用ConstrainedLanguage，不是在应用层“假装”安全，是操作系统层面真的把危险操作拦住
ComputerUse+5层安全防御：AI能看屏幕、点鼠标、敲键盘。但有敏感app黑名单、危险按键拦截、全局停止快捷键、会话超时、双中止通道，5层独立兜底
MCP协议：对接外部工具服务器的标准协议，支持stdio和HTTP两种传输。阿布的浏览器操控就是通过MCP接入的
多Agent编排：主Agent可以把大任务拆给多个子Agent（Subagents）并行执行，每个子Agent独立上下文，完成后汇总
Skills技能系统：把重复性SOP沉淀成Markdown格式的技能卡片，AI自动识别何时激活
4种触发器引擎：HTTPwebhook、Cron定时、文件变更、IM消息，四种方式触发Agent执行
IM多平台集成：飞书（WebSocket长连接）、钉钉（eventcallback）、Slack（socketmode），一套抽象层适配三个平台
文件化记忆系统：Agent的长期记忆不是塞进一个大文件，而是文件化目录结构，自动迁移、跨设备同步
自建Eval框架：23个评测case，跨provider对比工具选择准确率，结构化报告可追踪趋势
1，362个自动化测试：76个测试文件，8秒跑完，覆盖工具安全、消息归一化、数据迁移、IM去重等
几个数字：
开发周期：6周（3月2日→4月12日）
代码规模：386个源文件，约8.5万行（7万行TypeScript+4，000行Rust+1.5万行测试）
ClaudeCode交互量：62，376条消息，45，004次工具调用
总花费：约1万元（订阅5，740+API5，000+）
峰值日：3月1日，单日9，259条消息
看到这你可能会想，这些东西我也能做到？能。这些功能不是我一次性设计出来的，是一周一周长出来的。每一个听起来很”工程”的东西，背后都是一个具体的产品需求+一段跟Claude的对话。后面我会一步步拆给你看怎么做到。
2.我用ClaudeCode写代码的工作流
这一节是核心干货。我把”我每天怎么做”拆开给你看，你看完可以直接照着来。
2.1一个功能从想到做完，我做的几件事
5步循环：想清楚→写一段需求描述→让Claude写→我review→跑测试+真机验证。
听起来简单，但重点在比例。我花在“想”上的时间，比花在“写”上多得多。Claude写一个功能可能10分钟，但我想清楚”这个功能到底要解决什么问题、用户使用链路是什么”可能要一个晚上。这个比例跟传统开发完全反过来了。
2.2多窗口并行：一个人同时推多个模块
这是我用ClaudeCode之后发现的最大提效点。
传统开发一个人一次只能写一个模块，你在写A的时候，B、C只能排队。，但ClaudeCode不一样。你可以同时开多个终端窗口，每个窗口跑一个独立的ClaudeCodesession，并行开发不同模块。
我经常的状态是：左边窗口让Claude写IM适配层，右边窗口让它写工具安全规则，中间窗口在跑测试。三条线同时推进，我在它们之间切换做review。等A窗口的代码写完我还没review完，B窗口已经出了初稿。
这种工作方式有几个要注意的：
模块之间要解耦。两个窗口同时改同一个文件会冲突。所以并行开发的前提是你把功能拆成了不会互相踩脚的模块
CLAUDE.md是共享的。所有窗口都会读同一份CLAUDE.md，所以你的规范和纪律会被统一遵守
最后统一跑一遍测试。并行写完之后，关掉多余窗口，在主窗口跑一遍全量测试确认没有互相影响
说实话这种体验很接近”我是一个技术负责人，手下有三个工程师同时在干活”。只不过三个工程师都是Claude，不需要开会对齐。
2.3不止让AI想技术，要让它先想产品方案和用户链路
这是我做阿布最深的一个体会。
很多人用ClaudeCode的方式是：”帮我加一个XX功能”。Claude马上开始写代码。可能写得还挺对，但做出来之后你会发现”好像不是我想要的”。
问题不在Claude，在你。你跳过了”想清楚用户场景”这一步。
我的做法是：每次加新功能，第一段对话完全不提技术。我会先聊：
用户什么时候会用到这个功能？
用户做这件事之前在哪、做完之后到哪？
用户怎么知道“做对了”？
有什么边界是不能碰的？
想清楚这些之后，技术方案自然就会浮出来。如果跳过这一步，Claude会默认用”技术上最合理”的方案，但技术上最合理的方案往往不是产品上最合理的。
后面工作示范那节我会用一个真实案例详细演给你看。
2.3怎么向Claude描述需求
我用一个简单的公式：
作为[角色]，我想要[功能]，以便[价值]。
比如：”作为一个要整理发票的运营，我想要一个能批量读取发票图片并按日期重命名的功能，以便我每月不用手动处理30张发票。”
这不是什么高级技巧，就是UserStory的标准格式。但你会发现，你把这段话写清楚的过程本身就在帮你想清楚。写不出来的地方就是你还没想清楚的地方。
反例：如果你只说”帮我做一个发票功能”，Claude可能做出一个全自动的发票识别系统——又大又复杂又不是你要的。
2.4怎么做迭代：不是”重写”，是”理解了再改”
阿布不是一次性写完的，每个功能都经过好几轮迭代。我觉得迭代过程要使用文档记录问题、预期功能，我会在Claude开发间隙，自己去写文档记录。
但我踩过一个大坑：直接说”帮我重构XX模块”，Claude不知道之前的代码为什么这么写，上来就改，结果把之前踩过的坑又重新踩了一遍。
现在我的习惯是，每次大改之前，先让Claude写一段“迭代分析”：
第一步：「先读一下这个文件，告诉我它现在的设计是什么、为什么这么做」
第二步：「如果我要加XX功能/改XX行为，有哪些方案？每个方案的利弊和风险是什么？」
第三步：我看完它的分析，觉得它理解对了，才让它开始写
这个多出来的5分钟回报非常大。Claude理解了上下文之后，生成的代码质量高很多，而且不会把之前的修复”无意识地撤销”。
2.5我怎么review它写的代码
说实话，我看不看得懂语法？大致能看懂，但这不是重点。
我review的时候真正在看的是4件事：
逻辑对不对：不是语法层面，是“这段逻辑跟我想的需求一致吗”。Claude经常写出来的代码“能跑”但“不是我要的”
边界条件有没有想到：比如“如果用户传了空字符串会怎样”。这是AI最容易漏的
跟其他模块的耦合影响：Claude看不到全局，它不知道改了这个文件会不会影响另一边。我会问它：“这段改动会影响哪些模块？有没有breakingchange？”
安全和用户体验：哪些路径不能碰、哪些操作需要用户确认、交互细节是不是顺畅
关键实践：我几乎不会一次就通过。一个方案或一段代码，我通常会review2-3轮。第一轮看大方向对不对，第二轮看边界和耦合，第三轮看细节。每一轮我都会把问题直接丢回去让Claude解释或修改：
「这段逻辑在XX情况下会怎样？」
「这个改动会影响XX模块吗？影响的话怎么处理？」
元股证券:ygzq.hk「这个方案的风险是什么？有没有更稳的做法？」
不要怕多问几轮。Claude不会不耐烦，而且每多问一轮，它给出来的方案就更完善。很多bug不是写出来的，是review没抓住的。多轮review的成本远低于事后修bug。
反过来，Claude比我强的地方：算法选型、性能优化、跨平台兼容这些事我都听它的。术业有专攻。
这倒是让我重新理解了产品经理的价值——在AI能写所有代码的时代，PM真正的工作不是不写代码，而是知道什么时候不能让AI自由发挥。
2.6出了bug我怎么跟它聊
三条原则：
第一，把报错原文贴回去，不要描述。不要说”有个地方报错了”，直接把终端里的errortrace粘过去。Claude能从报错信息里定位问题比你用文字描述精准得多。
第二，让它先解释根因再修。不要一上来就说”修一下”。先让它分析bug是怎么产生的，确认分析对了再动手。否则它可能只是在”糊”一个补丁，根因没解决。
第三，修完之后让它顺便写一条测试。提示词：「这个bug你刚才修了，请写一个最小的测试用例覆盖它」。这件事几秒钟，但6个月之后当Claude又要”优化”这段代码时，那条测试会拦下它。
3.用好ClaudeCode的几个功能
ClaudeCode不只是一个”帮你写代码的聊天框”。它有一些功能如果你不知道就会错过，知道了效率会翻倍。
3.1CLAUDE.md：你和Claude之间的合同
这是我觉得ClaudeCode最值钱的功能。
在项目根目录放一个叫CLAUDE.md的文件，每次Claude开始工作都会先读它。你在里面写什么，Claude就会遵守什么。
我的CLAUDE.md现在有273行，里面写了这些事：
技术约束：用什么框架、什么语法不许用（比如不许用enum，要用联合类型）
命名规范：变量用英文、UI文字用中文、commitmessage中英双语
踩过的坑：比如「必须用npmruntauri：dev（冒号），空格版会污染正式数据」。这条是我被坑过一次之后加上去的
分支纪律：禁止在main上直接开发，所有工作在dev分支
核心心法：每次踩坑就更新一条。你的CLAUDE.md会越长越厚，Claude的表现会越来越好，因为它每次都在读你所有的”教训”。
3.2/plan：先想清楚再让它写
输入/plan，Claude进入”只规划不动手”模式。它会列出方案、分析利弊，但不会写一行代码。
我的工作流：复杂功能先/plan出方案→我审→同意之后再让它写。这样避免”它写了500行代码然后你说不是我要的”的尴尬。
3.3/insight：每月让AI看看你怎么用它
这是一个分析你过去30天使用ClaudeCode数据的功能，它会生成一份报告，告诉你”你的工作模式是什么、摩擦点在哪、CLAUDE.md应该加什么规则”。
我自己每个月跑一次/insight，然后把它给的建议直接应用到CLAUDE.md里。相当于让Claude帮你回顾”你跟它的协作效率哪里可以提高”。
3.4/simplify：让AI自己review自己
每次写完一个大功能之后，我会跑一遍/simplify。它会扫描你改过的代码，找复用机会、质量问题、效率优化点，然后自动修。
你可以理解为”让Claude做自己的代码审查”。它写代码时是在往前赶，/simplify时是在回头看。这两步节奏配合起来，代码质量比”只管写不管审”好很多。
3.5/btw：不打断工作流的随手提问
有时候你在写一个功能写到一半，突然想问Claude一个不相关的问题，比如”这个API的参数是什么意思”。直接问的话会打断当前的开发上下文。
/btw解决这个问题。它开一个”旁白通道”，你随便聊什么都不影响当前的代码开发。聊完了回到主线继续写。像是在结对编程的时候侧过头问搭档一句话。
3.6/resume：第二天接着写
ClaudeCode的上下文在你关闭之后就没了。但如果你昨天写到一半，今天想接着来，输入/resume就能恢复上一次会话的上下文。
跨设备、跨时间段的开发，这个命令非常救命。
4.工作示范：从0加一个”让阿布操作浏览器”的功能
上面讲了方法论，这节用一个真实案例演一遍。
4.1起心动念
某天我想让阿布”帮我整理需求管理系统里的待评审需求清单”。阿布当时只能读本地文件，没法看网页。我心里想，能不能让AI也操控浏览器去获取数据？
4.2先想产品方案，不想技术
按照前面说的，我跟Claude的第一段对话完全没提技术。聊的全是用户场景：
用户什么时候需要让AI操作浏览器？填表、数据抓取、操作内部系统后台
用户希望AI看到的是什么？用户已经登录的页面，不是干净浏览器
用户怎么知道AI做对了？要看见过程
用户的隐私边界在哪？哪些Cookie不能碰
想清楚这些之后，一个核心设计决策自然浮出来——必须接入用户已有的浏览器，复用用户的登录态。不能启动一个新的浏览器实例。
这一步如果跳过，Claude默认会推给我Playwright方案：启动一个干净的Chrome、用户得重新登录，跟ComputerUse没本质区别。产品方案不对的时候，技术写得再漂亮也是白做。
4.3让Claude帮我拆解方案
想清楚用户场景之后，我跟Claude说的大概是这个意思：「我想让阿布能操作用户正在用的浏览器，不是打开一个新的，而是直接操作用户已经登录的那个。你帮我想想这件事要拆成哪几块来做。」
Claude给了我一个方案，拆成了三件事。我看了一下觉得合理：
第一件：做一个Chrome浏览器插件。装在用户的Chrome里，它能看到用户打开的所有网页，能帮阿布点按钮、填表单、提取页面上的文字。你可以理解为伸进浏览器的一只”手”。
第二件：做一个中间桥接程序。这个程序负责在阿布和浏览器插件之间传话。阿布说”帮我点一下那个按钮”，桥接程序翻译成浏览器插件能听懂的指令，然后把结果传回来。Claude用的是MCP协议（一种让AI调用外部工具的标准协议），一共封装了17个操作：截图、点击、填写、提取表格等等。
第三件：写一份Skill说明书。这份”说明书”是给阿布自己看的，告诉它”什么时候应该用浏览器工具、17个操作各是干什么的、用错了怎么办”。没有这份说明书，阿布虽然有了工具但不知道什么时候该用。
这三件事Claude帮我拆的。我做的事情是：看它拆得对不对、有没有漏、用户视角通不通。比如我追问了一个问题：「用户装这个插件复不复杂？能不能做到一键装好？」这种问题Claude自己不会主动想到。
4.4跟Claude怎么聊这个需求
拆完方案之后，我分三轮跟Claude聊，每轮解决一件事。
第一轮，我大概这么说的：「我要做一个Chrome浏览器插件，用户装上之后，阿布能通过它看到用户打开的网页、帮用户点按钮和填表单。先帮我把这个插件写出来。」
Claude写完之后会生成一份”通信格式”的定义（就是插件和外部程序之间怎么传消息的约定）。
第二轮，我把这份定义贴给Claude，说：「现在帮我写桥接程序。它要能跟刚才那个插件对接，把阿布的指令翻译成插件能执行的操作。对接的格式就按刚才那份来。」
第三轮，我说：「现在帮我写一份Skill说明书，教阿布什么时候用浏览器工具、什么时候不该用、每个操作是干什么的。」
关键技巧就一个：先让Claude定好“两边怎么对话”的规则，再分别写两边的代码。这样写出来的东西自然能对上，不会出现”插件发的消息桥接程序听不懂”的情况。
4.5写出来后我怎么验证
真机测试：
把Chrome插件手动装到浏览器里
启动桥接程序
让阿布“打开一个网页、提取标题”
看是不是真的能跑通
第一次跑就遇到两个坑：一个是插件和桥接程序之间的身份验证没对上（连不上），另一个是某些网页内容是动态加载的，插件去找的时候页面还没渲染完。都是”我本地测通了、换个网页就翻车”的经典场景。
修复之后我做了跟每次一样的事，让Claude给这两个坑各写了一条测试。
做这个功能让我意识到一件事。做“让AI操作工具”类产品，最难的不是让工具能跑，而是让AI知道什么时候该用。所以那份Skill说明书比代码本身更重要。一个看起来是”技术功能”的需求，从想到做完，技术只占30%，70%是想清楚用户场景和工具边界。
5.怎么让AI写出审美在线的UI
这是小白最容易踩的坑之一。你让Claude写UI，它默认给你的是灰色背景、蓝色按钮、Bootstrap既视感。不是Claude不会写好看的，是你没告诉它”什么叫好看”。
5.1怎么给AI描述”审美”
三种方式：
贴截图。找一个你喜欢的产品（Linear、Vercel、Notion），截一张图发给Claude，说”这个风格”。它能从截图里识别出颜色、间距、圆角、字体的感觉。
定designtoken。颜色、间距、圆角、字体先约定好，写进CLAUDE.md。阿布的designtoken是：主色用克莱因蓝系、背景用柔白、文字用温暖灰、圆角8/12/16三档。每次Claude写新组件都自动套用。
指定参考库。”用shadcn的组件风格”、”间距参照AppleHIG”。一句话就能框定审美范围。
关键：不要说“做漂亮一点”。这句话对AI来说没有任何信息量。你要给具体参照。
5.2约定一旦定下来，AI会自己保持一致
这是一个”复利效应”。你在CLAUDE.md里定好designtoken之后，后面每加一个组件、每做一个页面，Claude都会自动套用同一套视觉语言。你不用每次都重复说”用那个蓝色”。
几轮迭代之后，它甚至能理解你的审美偏好。比如我偏好暗色主题、毛玻璃质感、细边框，它后来自己做出来的东西就已经很接近我想要的了。
AI不会变美，是你要教它什么叫美——但你只需要教一次。
6.怎么可持续构建
很多人用AI写代码的方式是”一口气写完、扔上去就跑”。这在做demo的时候没问题，但如果你想做一个能持续迭代的产品，从第一天就需要一套框架。
我在做阿布的过程中摸索出来的框架大概是这样的，5条纪律，覆盖从”每天开始写代码”到”发版给用户”的全链路：
纪律1：分支隔离。dev分支写代码，main分支给用户。绝不在main上直接开发。
纪律2：版本号同步。发版时所有版本号一起改，不能漏。
纪律3：提交前检查。build能过、lint没报错、测试全绿，才允许commit。
纪律4：commit纪律。每个有意义的变更单独commit，格式conventionalcommits，中英双语。
纪律5：发版清单。版本号→merge到main→打tag→push→写changelog。
听起来像是”正确的废话”，但每一条都是事故教出来的。下面讲几个我真实踩过的坑。
6.1一个关于main分支的事故
某次发完版之后，我忘了切回dev分支，直接在main上继续写代码了。等我发现的时候已经在main上提交了好几个commit，跟dev的代码产生了冲突。
那一次手动解决合并冲突花了不少时间。修完之后我做了一件事，把这条规则写进了CLAUDE.md：
禁止直接在main上开发或pushcommit。所有工作在dev分支进行。
每次开始工作前必做：
1.gitbranch–show-current——确认当前分支
2.如果在main，先gitcheckoutdev
3.gitpullorigindev——拉取最新代码
从那以后Claude每次开始工作都会先检查当前分支。CLAUDE.md不只是约束你自己，也是约束AI的。
6.2三处版本号没同步，发版翻车
阿布有三个地方存版本号：package.json（前端）、src-tauri/tauri.conf.json（Tauri配置）、src-tauri/Cargo.toml（Rust构建）。发版时三处必须同时改。
有一次我只改了package.json的版本号，忘了改另外两处。结果构建出来的安装包版本号对不上，自动更新检测失效，用户那边怎么都收不到新版本。
修完之后这条也进了CLAUDE.md：
三处版本号必须同步更新：package.json、src-tauri/tauri.conf.json、src-tauri/Cargo.toml。
然后发版流程也被固化成了一个清单：
1.确保dev分支build+lint+test全绿
2.三处版本号同步更新
3.gitcheckoutmain&gitmergedev
4.gittagvX.Y.Z
5.gitpushoriginmain–tags
6.在GitHub创建Release
每次发版我让Claude按这个清单走，它比我自己记得牢。
6.3提交前检查：build+lint+test三连
这也是被坑出来的。有一次我改了一段代码，什么都没检查就提交了，结果代码有语法问题，整个应用构建失败。
现在的规则是，每次提交代码之前必须跑三样检查：
第一，编译检查（build）。让程序试着把你的代码”翻译”成计算机能跑的版本。如果代码里有语法错误、类型写错了，这一步就会报错。相当于”你写的东西能不能被机器读懂”。
第二，规范检查（lint）。自动扫描你的代码有没有违反预设的编码规范，比如变量命名不统一、有未使用的代码、格式不对。相当于”你写的东西符不符合团队约定”。
第三，测试检查（test）。跑一遍全部1,362个测试，看有没有哪个功能被你这次改动”误伤”了。相当于”你改完之后，原来能用的东西还能不能用”。
三样加起来不到20秒。20秒换一个”不会把有问题的代码推上去”的保证，我觉得这是做产品最便宜的保险。
6.4commit节奏和双语message
每个有意义的变更单独commit，不要积累一大堆一次性提交。格式用conventionalcommits：feat:新功能/fix:修bug/refactor:重构/docs:文档/test:测试。
我还有一个习惯，commitmessage写中英双语。英文在上面给社区开发者看，中文在下面给我自己6周之后看。举个真实例子：
feat(computer-use):sensitiveappblocking+dangerouskeyinterception
每个操作前检查前台app和按键组合安全性。敏感app用bundle_id匹配（跨语言）。
你可能觉得”我又不开源”，但我跟你说，gitlog是你未来最好的回忆。你3个月后想知道”我当时为什么改了这段代码”，就靠commitmessage。
Claude不会自动管这些纪律，你得替它想。但好消息是，你只需要把规则写进CLAUDE.md一次，之后每次它开始工作都会自动遵守。这套框架本质上就是你和AI之间的流程合同。
7.怎么写测试
我原来根本不写测试。「测试是个文件、跟代码放一起」这种事是做阿布之后才知道的。现在阿布有76个测试文件、1,362个用例，跑全量8秒。下面讲我的实践——不是”正确的做法”，是”我被坑出来的做法”。
7.1为什么写：Claude会反复修同一个bug
这是我开始写测试的直接原因。Claude在改一段相关代码的时候，会把之前的修复”无意识地”撤销，因为它没有那次修复的记忆。一条测试就是用来对抗这种遗忘的：下次它想”简化”这段代码，测试会立刻变红。
7.2怎么让AI帮你写
我的做法极简：每修一个bug，让Claude顺便写一条最小测试。提示词就一句：「这个bug你刚才修了，请写一个最小的测试用例覆盖它」。几秒钟的事。
测试文件和源码放同一个目录，chatStore.ts旁边就是chatStore.test.ts。约定一旦定下来，Claude自己会保持一致。
7.3真实实践：版本注册表
举一个我觉得最有价值的测试实践。
先说背景：阿布会把用户的设置、对话历史、定时任务等10类数据存在用户的电脑本地。问题是，我经常会让Claude改这些数据的格式（比如加一个新字段、改一个字段名）。每次改格式，都必须同时做一件事：写一段”把老格式自动转成新格式”的代码（叫migrate），否则老用户打开Abu就会因为格式对不上而崩溃。
我被这件事坑过一次之后（参见前面”搞炸用户数据”那个故事），做了一个机制：把所有会被存到本地的数据模块，登记在一张清单里。
这张清单大概长这样：设置（已改16次）、对话（已改4次）、定时任务（已改3次）、触发器（已改4次）…
清单有什么用？它跑两个自动检查：
第一个检查：版本号对不对。每次改格式都要把版本号+1。如果有人改了格式但忘了+1，检查会报错。
第二个检查：有没有漏登记的。自动扫描所有存在本地的数据，只要发现有数据不在清单里（说明有人加了新数据但忘了登记），立刻报错。
第二个检查是真正救命的。它意味着，只要Claude悄悄加了一个新的会被存到本地的数据类型，但忘了登记和写migrate，提交代码的时候就会被自动拦下来。
“设置”这类数据在短短6周里改了16次格式。如果没有这张清单，这16次里有任何一次忘了写格式转换，都会让一批用户的本地数据炸掉。
这个做法的核心启发是：最好的测试不是测“功能对不对”，而是测“我有没有忘了某件事”。
7.4测试分布：76个文件都在守护什么
按模块分：工具系统10个文件、IM集成8个、LLM适配7个、Agent引擎7个、上下文管理5个、数据持久化10个、跨模块集成4个。
其中用例最多的几个：工作流提取器80个case（消息流解析规则多到吓人）、路径安全42个（每条对应一个目录穿越/敏感路径场景）、消息归一化30+个（覆盖各种”模型可能返回的奇怪消息形态”）。
每一个数字的背后都有一个真实的事故。我不会为了”覆盖率”去写测试，只会在被坑了之后写。
7.5跑得越快越好
阿布1,362个测试跑全量8秒。这个数字很关键，如果跑一次要5分钟，我大概率就懒得跑。8秒意味着我每次提交前都会跑一遍，提交前检查不会变成负担。
6周，从0到1,362个测试。不是因为我爱写测试，是因为不写真的会翻车。测试是我跟Claude之间的合同——你想改什么都可以，但这些东西不能动。
8.怎么评估
AI产品有一件事跟传统软件不一样：你不知道它今天是不是变笨了。
你换了模型、改了prompt、加了新工具，怎么知道效果是变好还是变差？传统软件测试是”输入A期望输出B”，AI产品是”输入A期望模型做出大致正确的判断”，这种事没法精确断言。
我做了一件当时觉得”是不是太工程了”的事，自己搭了一个评估器。做完之后发现这可能是阿布里最值钱的一部分基础设施。
8.1构建思路：从”我想知道什么”倒推
搭eval的第一步不是写代码，而是想清楚”我到底想知道什么”。
配资炒股排行我最担心的问题是：阿布有26个内置工具，用户说一句话，模型选对工具了吗？比如用户说”帮我看看桌面的文件列表”，模型应该选list_directory还是run_command？用户说”把这段文字写进note.txt”，模型应该选write_file还是edit_file？
这个”选工具”的准确率直接决定产品体验。选错了，用户等半天发现阿布做了一件完全不相关的事。
想清楚要评估什么之后，设计就自然了：
输入：一句用户消息（比如”帮我看看~/Documents/report.md的内容”）模型行为：模型决定该调哪个工具、传什么参数判断标准：必须调的工具调了没有？禁止调的工具有没有误调？参数传对了没有？
这三条判断标准就是eval的核心，不需要真的执行工具，只看模型”选了什么”，不看”做得怎么样”。
8.2我的真实实践：23个评测case
我给阿布写了23个评测case，分成8个类别：
文件操作（4个）/搜索（8个）/命令执行（4个）/多步任务（2个）/记忆（2个）/网页（1个）/知识（1个）/代理委派（1个）
每个case长这样（用大白话讲）：
Case：file-read-01用户说：「帮我看看~/Documents/report.md的内容」期望：模型必须调用read_file工具难度：easy
Case：file-edit-01用户说：「把src/config.ts里的API_URL从localhost改成production.api.com」期望：模型必须先调read_file（先看看文件内容），不能直接调write_file（不然会覆盖整个文件）难度：medium
你看，定义这些case不需要懂代码，需要的是“想清楚什么情况下算对”。这是PM的强项。
按难度分：13个easy、8个medium、2个hard。先把简单的覆盖全，再逐渐加难的。跟做产品一样的优先级思路。
8.3跨provider对比：同一组case跑在不同模型上
eval最有价值的用法是：同一组23个case，分别跑在Claude、OpenAI、国产模型（比如MiniMax）上，对比通过率。
跑的方式很简单，一行命令：
tsxsrc/eval/run.tstool-selection–provideranthropic–modelclaude-sonnet-4-20250514
换一个provider就换一下参数：
tsxsrc/eval/run.tstool-selection–provideropenai–modelgpt-4o
结果会自动生成一份报告，按类别和难度拆开看通过率。两份报告还能diff，你一眼就能看到”换了模型之后哪些case变差了”。
8.4eval不是工程师的专利
先说eval这个词。Eval是evaluation（评估）的缩写，在AI行业里指的是：写一组“考试题”来测AI做得对不对。就像老师出一套试卷考学生一样，你出一套试卷考你的AI产品。
具体怎么做？三步：
第一步，出题。想几个典型的用户场景，写下来。比如”用户说帮我看看桌面的文件列表”。
第二步，写标准答案。每道题写清楚”AI应该做什么才算对”。比如这道题的标准答案是”AI应该调用读取目录的工具，不应该去执行命令”。
第三步，让AI答题，自动判分。把题目喂给AI，看它选的工具跟标准答案对不对。对了就pass，错了就fail。跑完23道题出一份报告，一眼看到通过率。
你可能觉得”PM搞这个是不是小题大做”。但做完之后我发现，eval的本质不是技术，是“想清楚怎么判断对错”。
出题需要什么能力？
描述一个用户场景（PM天天干的事）
定义“做对了”长什么样（PM的核心能力）
定义“做错了”有哪些常见模式（PM的踩坑经验）
代码部分全是Claude帮你写的。你只需要想清楚那23道题应该考什么，这件事恰恰是PM最擅长的。
PM在AI时代真正不可替代的能力，是替模型定义”什么叫做对了”。
9.几件让我重新理解AICoding的事
6周里有4件事让我印象深刻。不是技术细节，是”我对AICoding的理解被改变了”的瞬间。
那一晚模型试图打开我的钥匙串。阿布有一个ComputerUse功能，模型能看屏幕、点鼠标。某天晚上我在dev环境跑测试，模型截屏看了一圈，然后在Spotlight搜索框里输入了”KeychainAccess”。那一瞬间我意识到，模型完全有能力打开我电脑上任何app。第二天我从早上写到深夜，连发5个commit，一次性加了敏感app黑名单、危险按键拦截、全局停止快捷键、会话超时。那是我做阿布以来最有”产品恐惧感”的一天。
我发了一次版搞炸了用户数据。改了一个字段名，我本地测了没问题就发版了。当晚用户说”打开是空白”。因为老用户存在硬盘上的是旧字段名，新代码读不到。从那以后我做了”版本号+migrate+注册表”三道锁，到现在设置数据结构已经改了16次，再没出过这种事。
在main分支上直接开发。发完版忘了切回dev，直接在main上继续写了好几个commit。等发现的时候已经跟dev冲突了。手动解决合并冲突花了不少时间。从那以后CLAUDE.md里多了一条硬规则。
3月1日单日9，259条消息。从stats里看到这个数字的时候我自己也吓了一跳。那天从早到晚就没停过，从一个空文件夹开始，到晚上已经有了一个能跑的桌面应用。那种”想法变成产品”的速度，以前是不可能的。
AICoding不是让你写代码更快——它逼你直面那些以前可以装看不见的问题。安全、数据迁移、分支管理——这些事你以前可以说”等有工程师了再想”，现在你就是那个工程师。
10.能做到什么程度+给小白的建议
说实话写到这里我自己也觉得有点不真实。一个产品经理，6周，8.5万行代码，一个有完整安全体系、跨平台（Mac+Windows）、1,362个测试、多模型适配、IM集成、浏览器操控的桌面应用。
但我想诚实地说一下边界。
能做到什么：一个从0到1的、真实可用的完整产品。不是demo，是能发版、有用户在用的东西。从产品设计到架构到实现到测试到发版，一个人全链路。
不能做到什么：极致性能优化（编译器层面的事我搞不定）、原创算法设计（什么时候该用BFS我不知道）、百万QPS级别的分布式系统（这不是一个人能做的事）。
需要付出什么：
钱：约1万元。订阅5，740+API5，000+。第一周会觉得烧得很快，别慌，节奏稳下来之后消耗会下降
时间：我这6周里有34天在写，平均每天4-6小时。峰值日干了一整天
心理建设：第一周会被Claude搞崩N次。报错看不懂、改了又坏、越改越乱。这是正常的。撑过第一周就好了
最重要的：愿意“想清楚”。Claude把“写代码”从瓶颈里拿掉了，但它没把“想清楚要什么”从瓶颈里拿掉。前者是工程师的事，后者一直是PM的事
想说给小白的你
如果你也想开始，这是我给过去自己的几条建议：
第一，先选一个你自己天天会用的小工具去做。不要做”大产品”，做”我自己每天会用的东西”。动力来自你自己的需求，做完了你就是第一个用户。
第二，第一周不写测试，找感觉。前期是做demo的阶段，写测试反而拖慢你。等你第一次被bug坑了再补，那时候你会自然而然地想写。
第三，成本会比你预期的高3倍。第一周烧1000块是正常的，别慌，ClaudeCode的消耗量跟你想象的不一样，Pro额度很快就不够用。
第四，从第一天就建CLAUDE.md。你跟Claude的每一次磨合都是在往这个文件里加一条”合同条款”。越早开始，后面越顺。
第五，不要追求一次性做大功能。一个一个加，每个加完都跑一遍测试。小步快跑比大步摔跤强。
第六，让Claude先想产品再想技术。这是我做阿布最深的体会。它默认会直接进入”怎么实现”，你要把它拉回来：”先告诉我用户是谁、场景是什么、做完之后是什么状态。”
你不需要学会编程，你需要学会跟一个会编程的伙伴说话。
阿布开源地址：https://github.com/PM-Shawn/Abu-Cowork配资平仓线
炒股配资排行提示：本文来自互联网，不代表本网站观点。