3 分钟速览：核心概念

本文是什么？

这是一份完整的动手实录。它不堆砌概念，不罗列功能清单——而是还原我坐在电脑前，启动 Claude Code，借助 GLM 5.1 作为 Coding Plan Provider，联合 Superpowers 工作流，从零开始开发一套 Go API Server 脚手架的完整过程。

最终产物：一个具备用户注册、登录鉴权、受保护接口的 RESTful API 服务，可以直接当作任何 Go 后端项目的起点。

为什么需要这篇文章？

前 20 篇文章已经覆盖了 Claude Code 的安装、配置、Skills、MCP、Hooks 以及 Superpowers 理论……但一直缺少一样东西——一个端到端的、从 0 到 1 的实战案例。

你可能浏览过 Superpowers 的七阶段流程图，但心底仍有不少疑惑：

• 头脑风暴阶段 AI 究竟会提出哪些问题？
• Writing Plans 产出的任务清单到底长什么样？
• Subagent 驱动开发时，代码是如何逐块生成的？
• 碰到 bug 时，systematic-debugging 怎么介入？

本文就来逐一回应这些困惑。

能帮你解决什么？

• 看完了 Superpowers 理论却不知如何落地
• 想用 Claude Code 搭建 Go 后端项目但缺少参考路径
• 想了解 GLM 5.1 作为 Coding Plan Provider 的真实表现
• 需要一套可复用的 Go API 脚手架作为后续项目的起点

Claude Code 编码执行

引言：AI编程步入自主代理时代

2025到2026年间，AI编程工具完成了一次根本性跃迁：从“辅助补全”进化为“自主执行”。过去，我们习惯在 IDE 中向 AI 助手索要代码片段；如今，以 Claude Code 和 OpenClaw 为代表的新一代框架，正在重新定义“AI驱动开发”的内涵。

Claude Code 由 Anthropic 推出，是一款扎根终端的 AI 编程代理；OpenClaw 则是开源社区中热度最高的自主代理框架，能将各类 AI 模型与你的数字生活工具串联起来。当这两者相遇，会催生出怎样的生产力？本文就带你深入拆解这一组合如何搭建真正高效的智能开发工作流。

认识 Claude Code：终端原生的AI编程代理

设计哲学

Claude Code 于2025年初问世，彻底打破了“IDE嵌入式AI辅助”的固有范式。和 Cursor、Windsurf 等需要图形界面的插件不同，Claude Code 直接运行在你的终端中，通过命令行与开发者交互。

这种“终端优先”的设计思路带来了三个鲜明优势：

• 零上下文割裂：无需离开终端即可完成所有编码相关操作
• 深度系统耦合：可直接读写文件系统、执行 git 命令、运行 Shell 脚本
• 全程透明日志：每个步骤都被清晰记录，便于回溯与审计

关键能力一览

基于官方文档与实战测试，Claude Code 的核心能力可归纳如下：

1. 完整的代码库理解

Claude Code 不仅能读懂当前文件，更能整体感知你的代码仓库。它可以：

• 分析模块依赖与结构层次
• 理解架构模式与设计意图
• 执行跨文件的语义解析和修改建议

2. 智能化的文件编辑

覆盖多样化的编辑操作：

• 创建、修改、删除文件
• 重构代码架构
• 自动修复漏洞和性能瓶颈
• 生成与维护测试用例

3. 命令执行与流程自动化

支持直接调用终端命令：

• 运行构建脚本与测试套件
• 操作 git 工作流（提交、推送、分支管理等）
• 承担部署与运维任务

4. 子代理机制

面对大型项目时，Claude Code 可以“孵化”多个子代理分头处理不同模块。主代理负责调度，子代理并行推进，整体处理效率得到明显提升。

“I’m a solo developer. I don’t write code — Claude Code does.”

一个完全不会写代码的人，却做出了整个 Claude Code 社区争议最大的工程框架。

如果你在 Claude Code 的世界里待得足够久，一定听过 GSD（Get Shit Done）这个名字。

GitHub 上 35000+ Star，npm 周下载量过万，Reddit 和 Hacker News 上永远吵成一锅粥——有人用它从零搭出完整 SaaS 产品并成功上线，也有人痛骂烧了一周 API 额度只产出了 500 行代码。

今天这篇文章，我不想列功能清单。咱们坐下来好好聊聊：这个框架到底解决了什么痛点，为什么评价会这么撕裂，以及——它究竟适不适合你。

不会写代码的人，却造出了最强框架

GSD 的作者叫 Lex Christopherson，网名 TACHES，GitHub 上叫 glittercowboy。他的自我介绍特别有意思：“House music producer & AI guy”——一个做电子音乐的，硬是搞出了 Claude Code 社区最复杂的工程化框架。

他的起点很简单：他自己完全不写代码，一切开发都交给 Claude Code。但在重度使用过程中，他撞上了一个要命的问题——上下文腐败（Context Rot）。

什么是上下文腐败？

你跟着 Claude Code 密集聊了两个小时后，上下文窗口眼看就要被塞满。这时候你能明显感觉到，Claude 产出的代码质量在滑坡——开始敷衍、省略错误处理、跳过边界情况。不是模型突然变蠢了，而是它一次要记住的东西太多，注意力已经涣散了。

就像你让一个人同时牢记 50 件事，还要求他写出一篇好文章——根本不可能。

Lex 的应对方案暴力但极其有效：绝不让单个 Agent 扛下所有工作，每项子任务都给一个全新的 200K 上下文窗口。

不久前，Claude Code 的产品负责人 Boris Cherny 发布了一系列推文，毫无保留地分享了 Anthropic 内部团队都在使用的高效方法。深入理解并实践这些方法后，会发现绝大多数用户实际上只发挥了 Claude Code 不到 20% 的潜力。从中提炼出的五个核心技巧，能够切实让你的 Claude Code 使用效率成倍增长。

01

Plan Mode 与无人值守模式：先规划，再执行

许多人在使用 Claude Code 时习惯直接把需求丢给它，让它立刻开始编写代码。结果往往方向跑偏，只能推倒重来，既消耗 Token 也浪费时间和精力。

Claude Code 内置了一个 Plan 模式，只需要按下 Shift+Tab 即可切换。在该模式下，Claude 不会直接动手写代码，而是先梳理整体思路、把待执行的步骤逐条列出，供你审查。待你确认无误之后，再切换回普通模式让它执行。每次复杂任务都遵循“Plan 模式出计划 → 人工确认 → 执行”的流程，虽然前期多花十分钟对齐，却能有效避免后续数小时的反工。

Boris 的团队中甚至有人采取了更严格的方式：让第一个 Claude 写出计划，然后启动第二个 Claude 以“高级工程师”的身份来审查该计划，只有审核通过才开始实际编码。

而当任务范围非常明确，中间无需你做任何判断（例如批量格式化文件、统一修改代码风格等），可以直接使用无人值守模式：

claude --dangerously-skip-permissions

这条命令会跳过所有权限确认步骤，让 Claude 全自动完成整个流程，体验十分顺畅。

02

用 CLAUDE.md 让工具越用越理解你的习惯

CLAUDE.md 是一个很容易被忽略，但使用后会后悔没有早点用起来的功能。每次开启新会话，总有一些项目规范需要重新交代，比如“使用 ES modules”“测试代码中不要使用 mock”“分支命名格式为 feature/工单号”等。重复输入这些信息非常繁琐。

将 CLAUDE.md 文件放在项目根目录下，Claude 每次启动都会自动读取其中的规则，一次写入便长久生效。Boris 团队还有一个很值得借鉴的习惯：当 Claude 犯了一次错误，你纠正后，在对话末尾加上一句“把刚才学到的内容更新到 CLAUDE.md 中，下次不要再犯同样的错误”。Claude 会自动将这次的经验写进去，以后每次启动都能复用。久而久之，CLAUDE.md 就成了一份能够记住你所有偏好的“活文档”。

王国维在《人间词话》里提到，古今之成大事业者，必经三种境界。文学我不在行，但混了一段时间AI编程社区之后，我发现AI编程这件事同样存在三重境界——可惜绝大多数人卡在第二层，还浑然不觉。

先看两组数字让你清醒一下：84% 的开发者已经用上了AI编程工具。可独立评估机构METR的一项对照实验显示，让16位经验丰富的程序员用AI完成246个任务时——他们反倒慢了19%。

更黑色幽默的是，这些参与者自认为快了20%。

工具越来越强，人类反而越干越慢，还自我感觉良好。毛病不在工具上，在思维模式上。

你觉得自己用上AI之后，是快是慢？到留言区坦白交代吧。

我用Claude Code做了大半年的日常开发，又参考了Google的Addy Osmani、Steve Yegge、Peter van Hees等人总结的AI编程成熟度模型，加上Claude Code创建者Boris的亲传心法，消化下来，将整个演进路径简化成三层境界。

不多不少，就三层。多了你记不住，也没那个必要。

第一重境界：让AI替你写代码

你目前的做法

打开IDE，装好Copilot或Cursor，AI开始在光标后面弹出灰色代码提示。你按Tab采纳，Esc拒绝。偶尔打开侧边对话窗口，丢一句"帮我写个解析JSON的函数"，然后把生成的代码粘进工程里。

也可能你已经用上了Claude Code，但使用方式还是老一套：打开终端，给一句含糊的需求，等AI吐出代码，瞄一眼能编译就算通过。

这个层次的特征

Peter van Hees把这类人称为"提示员"和"计划员"——AI在你手里就是个打字加速器。把需求往聊天框一扔，AI甩回来一坨代码，你复制粘贴、改改就上线。

这一层有毛病吗？没有。尤其在写CRUD、生成样板代码、查API语法的时候，确实能省下不少时间。

但问题恰恰在于，84%的开发者都停在原地。

Google DORA 2024研究里有一条扎心的结论：AI采用率每提高25%，交付速度反而下降1.5%，系统稳定性下降7.2%。AI协作提交的Pull Request，出问题的概率是人类独立完成的1.7倍。

为什么会这样？因为这一层有一个致命伤——van Hees称之为**“上下文近视”**。

你的每一条提示词都是孤立的。AI不知道你的系统架构长什么样，不知道上周你为什么选了方案A而不是方案B，不知道哪些模块之间存在隐藏的依赖。它只能看见当前这段对话，然后从统计概率最高的选项里挑一个答案递给你。

Addy Osmani概括得直截了当：

“如果你给LLM一个含糊的需求，让它直接开写，它很可能产出一段’十个开发者在零沟通的情况下各写各的’风格的代码——逻辑重叠，架构混乱，连方法命名都对不上。”

怎么判断自己在这一层

问自己一个问题：上一次你让AI写代码之前，先动手写过一份规格说明文档，是什么时候？

如果答案是"从来没写过"——恭喜，你就在这一层。

突破的方法

不是让你去啃什么高深的提示词工程。核心只有一条：在动手写代码之前，先把需求想透。

用Claude Code的话，可以这样起步：

我想做一个用户登录模块。在开始写代码之前，请先问我问题，
直到你完全理解所有细节为止。然后把讨论结果整理成 spec.md。

这一步看起来慢，实际上省下的调试时间比你想象的多得多。Addy Osmani管这叫"15分钟内的瀑布"——快速的结构化规划，让后面的编码顺畅无比。

一旦你开始在Claude Code里维护CLAUDE.md文件，开始为项目写规格文档，开始在让AI写代码之前先写好测试——你就已经望向第二层了。

第二重境界：让AI替你干活

你正在做的事情

你不再去IDE的聊天侧边栏闲聊了。你直接打开终端，跟Claude Code对话，告诉它"按spec.md实现Step 3"，然后它自己读文件、改代码、跑测试、修Bug，你只需要在旁边盯着。

用Boris（Claude Code创建者）的话说——他30天完成了259个PR，每一行代码都由AI亲自编写。

这个层次的特征

Steve Yegge的8级模型里，这一层对应第4到第5级：开发者不再逐行审查AI写的每行代码，而是看着AI在干什么——关注方向是否正确，而不是每行代码写得对不对。

为什么同样是调用 Codex，别人能用一段提示词直接落成整个模块，而你却总是在细节上反复拉扯？差距就藏在提示词的写法里。本文融合 OpenAI 官方 Codex Prompting Guide 与一线开发者的实战沉淀，系统梳理出 30 个经过高压验证的先进 Prompt 模板，覆盖从项目启动、代码审阅、缺陷排查、结构重整到部署发布的全部阶段，拿来就能用。

根基概念速通

一次好 Prompt 的四根柱子

OpenAI 官方强调，每一条高质量的 Codex 提示都应具备四个关键要素：

Codex 与 Claude Code 关键差异速览

本文阅读指南

请根据你当前面临的开发任务，在下方对应分类中定位模板，将 [方括号] 内的占位内容替换为自己的实际场景，直接粘贴进 Codex 对话即可启动。

做自媒体的人都知道，评论区是洞察用户真实需求的重要窗口。可无论翻阅自己的笔记评论，还是挖掘对标博主的评论区，靠纯人工去一条条翻，效率实在太低，很多运营者只能眼睁睁看着那些藏在评论里的选题灵感、产品反馈慢慢流失，却根本没有精力深挖。

为了帮大家解决这个痛点，我们基于扣子（Coze）搭建了一套自动化工作流，只需一键，就能自动抓取小红书热门笔记的全部评论，并且同步写入飞书多维表格里。先来看下效果：

通过这个工作流，一次运行就能批量采集多篇笔记的评论，所有数据自动汇入飞书表格，再也不用逐页翻看。下面，我们就一步步来拆解整个搭建过程。

一、搭建自动采集小红书评论的工作流

1. 新建工作流

首先，登录扣子平台（复制链接进入）：
https://www.coze.cn/space/7512405357499711528/library

进入后，点击左侧「资源库」，再选择「资源」→「工作流」，然后点击新建。

根据提示填写一个清晰的工作流名称，比如“小红书评论自动采集”。

2. 配置采集评论的核心流程

（1）设置「开始」节点
将开始节点按照下图配置即可，主要定义输入参数，后续我们会传入cookie、笔记链接列表等信息。

（2）添加「循环」节点
在开始节点之后拖入一个「循环」节点，它的作用是逐条处理我们提供的多个笔记链接，实现批量采集。

添加方式如下：

接着，设置循环节点的参数，让它遍历传入的笔记链接数组。

（3）在循环体内部依次添加4个子节点

• 节点1：「采集评论」插件
  在循环体内插入一个“采集评论”插件节点。这一步负责调用小红书接口，根据单条笔记链接抓回对应评论数据。

  ① 搜索并添加插件：

  

  ② 插件的参数设置如下图所示，主要是传入当前循环项的笔记链接和cookie。

  

• 节点2：「IF选择器」
  在插件节点后接上一个「IF选择器」，用于过滤掉没有任何评论的笔记，避免空数据写入表格。

  左右滑动查看配置：

  

  

• 节点3：「代码」节点
  在IF选择器的“否则”分支（即存在评论时）后面，添加一个「代码」节点。它的作用是对插件返回的原始数据进行清洗、格式化，整理成我们需要的字段结构。

  代码节点的参数如下：

  

• 节点4：「飞书多维表格」插件
  最后，在代码节点之后放置一个飞书多维表格的“添加记录”插件，将处理好的评论数据逐条写入预设的表格。

  ① 添加对应的飞书插件：

  

  ② 设置插入记录的参数，将代码节点输出的每个字段映射到飞书表格的对应列。

  

（4）连通结束节点
最后，将整个循环节点连接到「结束」节点，并简单设置结束的输出，比如返回“采集完成”。

这样，整套自动采集工作流就搭建完成了。接下来，我们需要准备好让它跑起来所必需的几个素材。

二、运行前的准备工作

运行工作流前，需要准备好以下四样东西：

1. 小红书cookie（用于身份校验）
2. 待采集的小红书笔记链接（可以是一条或多条）
3. 飞书多维表格（用于存放采集结果）
4. 飞书表格的链接（配置应用时使用）

1. 获取小红书cookie

用浏览器打开小红书并登录账号：https://www.xiaohongshu.com/
按F12进入开发者模式，然后按下图步骤在网络请求中找到cookie值并复制保存。

2. 准备笔记链接

直接将目标笔记的地址复制出来，可以是单条，也可以用换行或逗号分隔多条链接，在运行时会作为数组参数传入。

当许多人还在为 OpenClaw（龙虾）的 Token 消耗苦恼时，AI 圈又丢出一枚重磅炸弹——Hermes Agent 正式登场。名字和那个卖包的奢侈品牌一样，团队这样命名，似乎在暗示：龙虾界的爱马仕来了。

上线不到两个月 GitHub 星标突破 5 万，单日最高新增 6400 星，持续霸榜全球开源榜单第一。

Hermes Agent 为什么会这么火？一句话总结：它并非一次性对话助手，而是一个越用越像你、越用越懂你的 Agent。

它就像是进化版的龙虾，主打永久记忆和自动成长——不会忘记你教过它的任何东西，还能自己学会你的使用习惯，时间越久，契合度越高。

它能自动总结技能（skill）：当你交给它一个复杂任务，执行完成后会自动沉淀提炼，生成可复用的 skill 文件。下次遇到类似问题，不必重新分析，直接调用，瞬间搞定。

Hermes 还原生支持个人微信：私聊群聊都能用，信息全覆蓋。当然，飞书、钉钉、企微这些主流平台也同样支持。

接下来，我将一次性为你讲清楚：Hermes Agent 凭什么火、怎么安装、适合哪些场景。

01

Hermes Agent 为何突然爆火？三大核心功能揭秘

用过 OpenClaw（俗称龙虾）的朋友都知道，这玩意真的很烧 Token，成本并不低，直接劝退了一波用户。

从我自己的亲身体验来看，完成相同任务，Hermes Agent 的 token 消耗大约只有 OpenClaw 的二十分之一。

不过这里要说明一点，任务的 token 消耗因人而异。有些人给 Hermes 的任务过于复杂，导致它实际也没比 OpenClaw 便宜多少。但无论具体能省多少，OpenClaw 的高成本始终是用户的痛点，毕竟不是人人都预算宽裕。

那为什么 Hermes 的 token 消耗会比 OpenClaw 低那么多呢？

关键就在于它的三个核心能力：

第一，Skill 自己长

这也是 Hermes 最值钱的地方。

整个闭环只有四步：执行任务 → 自动复盘 → 生成 Skill → 下次直接调用。

▌ 核心要点

md2wechat 是一款基于 Go 语言开发的命令行工具，能够将 Markdown 直接转换为符合微信公众号规范的排版样式，并自动上传到草稿箱。该项目在 GitHub 上已获得 2100+ 星标，内置 40 余种主题、43 个结构化排版模块，且可对接 Claude Code、Codex、OpenClaw 等 AI 写作助手。免费模式即可覆盖大部分需求，API 模式则提供更完整的专业能力。

初识 md2wechat：它到底解决了什么问题

如果你正在运营公众号，一定对这样的场景不陌生：在微信编辑器中反复调整两小时，换个手机预览却发现样式完全错乱。又或者，你早已习惯用 Typora / Obsidian 等工具在 Markdown 中写作，发布时却不得不把内容粘贴到编辑器里，再逐项调整格式。

md2wechat 正是为终结这类痛点而生。你只需继续保持 Markdown 写作的习惯，剩下的排版、转换、上传草稿箱全部由它接管。全过程在命令行中完成，根本无需打开浏览器。

这样一来，写作与发布之间的断层被彻底打通，创作者得以把精力重新聚焦在内容本身。

哪些人最适合它？

长期维护公众号的创作者、技术团队里负责内容输出的运营人员，以及借助 AI 辅助撰稿却被排版问题拖慢节奏的朋友，都是这款工具的理想用户。反过来，如果你只在手机上写作，或对排版完全没有个性化要求，可能并不需要专门安装一个命令行工具。

一个命令行工具，接管公众号发布全流程

安装过程非常轻量。对于 macOS 用户，一行命令即可完成：

brew install geekjourneyx/tap/md2wechat

其他平台则提供了 npm、go install、install.sh 等其他便捷安装方式。

基本工作流十分简洁：用 Markdown 写完文章，运行 md2wechat 触发转换，精美排版即刻生成，最后自动上传至微信草稿箱。全程都在终端内完成，公众号后台的编辑器无需打开。

相较于市面上其他 Markdown 转换工具，md2wechat 有一个显著优势：在 API 模式下，同一份 Markdown 总是产生完全相同的排版（确定性输出），而不是每次都依赖 AI 重新生成。这对于需要批量发布、团队协作的场景来说，显得格外关键。

43 个排版模块：像搭积木一样营造视觉层次

项目中提供了 43 个高度结构化的排版模块，你可以通过类似 :::block hero、:::block callout、:::block timeline 的语法，在 Markdown 中直接调用。想插入一个醒目的引用块？只要写一行 :::block callout，不用手动调整任何样式。

就在上周，谷歌低调发布了旗下最新模型 NanoBanana 2。它一上线便登顶 Arena 文生图排行榜首。

说实话，AI 生图领域迭代太快，多数时候我已经很难再感到兴奋。但 NB2 的确有些不同——它的基座模型从 Gemini 3 Pro 换成了 Gemini 3.1 Flash，推理速度更快、成本更低，画质却几乎没有下降，而且最关键的一点是：基本不再需要反复“抽卡”。

那么，新晋生图王者到底带来了哪些改变？我简单整理了一下：

作为普通用户，NB2 又能为我们的日常创作提供哪些便利？下面我将总结出五个最新玩法，并附上提示词，同时也会介绍在没有特殊网络环境下使用 NB2 的方法。

五种全新创作玩法，一次看懂

1、一键生成极宽幅图像

此次 NB2 新增了 4:1、1:4、8:1、1:8 等超宽或超窄画面比例，再加上原有的 1:1、16:9、9:16、4:3、3:4、3:2、2:3 等比例，设计场景的灵活度大幅提升。

特别是 8:1 和 1:8 这类极宽画幅，非常适合制作电商详情页 Banner、装修全景图、商场围挡、户外广告和游戏侧边背景，能带来强烈的沉浸感。

比如我生成一张太阳系主题的图片：

提示词：太阳系，比例：8：1

还能模仿《清明上河图》的画风来创作现代城市风俗图：

提示词：模仿清明上河图的风格，画一张现代的【城市】的风俗画，8:1比例，2K。

1:8 的超窄比例同样震撼。

提示词：万米深潜。画面构想：这是一场向海洋极深处的坠落。最上方是波光粼粼的海面和一艘小船；往下是游动着巨大蓝鲸；继续往下光线急剧变暗，出现沉船和发光水母；到了画面的最底部，是一个几乎占据整个屏幕宽度的、潜伏在海沟里的不可名状的克苏鲁巨兽张开的深渊巨口，而上方正有一个极小的潜水员在缓缓下落。比例1：8

2、生成微缩模型

NB2 只需简单的提示词就能生成细节丰富的微缩模型效果。比如我用广州地标做一个建筑模型：

提示词：一张广州的街景地图放置在木质桌面上，地图上浮现出广州的逼真微缩模型，以及广州塔（小蛮腰）、石室圣心大教堂、陈家祠、白云山与绿植、熙熙攘攘的街头集市、复古有轨电车和天空中漂浮的彩色灯笼。

再用上海外滩做一座 3D 微缩城市：

提示词：上海外滩 3D 等距微缩城市景观，采用微缩移轴摄影风格，高度还原东方明珠塔等建筑细节，运用柔和的影棚灯光、黏土和树脂材料，并在城市中心融入大型 3D 风格化汉字“外滩”。

3、实时搜索生图

NB2 新加入了搜索功能，可以实时从互联网获取知识和参考图来生成图像。比如我让它根据未来五天广州的天气帮我搭配衣服：

提示词：根据未来五日广州的天气给我搭配衣服，生成一张图片。

还可以直接输入：介绍一下 Nano Banana 2 图像生成模型的核心亮点