我用GLM-5.1做了两个App,一个人干了一个小团队的活

上周，智谱发了一条公众号说全体coding plan用户可以用上最新的旗舰模型GLM-5.1了，包括Lite用户。没有预热，没有发布会，直接让你用。我当时正在用OpenClaw给自己的开源阅读器加功能。

看到这条消息十分惊喜，因为我的Lite套餐也能用上了，我立马把配置文件里的模型切换成了glm-5.1，继续干活。

事情就是从这次切换开始变得不一样的。

先说背景

我之前写过几篇关于OpenClaw的文章。简单讲，OpenClaw是一个开源的AI中层管理工具，你用聊天软件给它发消息，它去调度你电脑上的AI工具干活。我一直拿它搭配Claude Code来做一些开发任务。

但这次我换上了GLM-5.1，因为Coding Plan的价格比其他方案便宜太多，而且我想亲自试试这个模型到底行不行。

结果这一试，我在接下来几天里，用它做了两个完整的App。

给阅读器完善了一套AI系统

我之前做了一个开源的AI阅读器叫PaperTok Reader。我一直想给它的AI能力加上AI记忆和全书索引以及图片解释等功能，但工程量太大，这些功能要是我自己做，至少要排几周的开发周期。

光是AI记忆系统这一个模块，就涉及会话内上下文、每日日记、长期记忆三层结构，还要做候选记忆的审阅机制，防止没用的信息写进记忆库。全书索引要做文本分块、向量化、语义检索和引用回链四个环节。图片解析和快捷指令又各自是独立的功能模块。按照AI的粗略估算，这些功能加起来涉及大约15到20个独立的功能模块，如果按传统开发节奏，一个3人小团队大概需要3到4周才能完成。

我把需求发给OpenClaw，让GLM-5.1来做。

第一个让我意外的地方出现了。它没有直接开始写代码，而是先花了几分钟做了一份完整的技术方案。它把AI记忆系统拆成了数据模型层、服务层、ViewModel层和视图层，每一层的职责写得很清楚，然后按照依赖关系排好了开发顺序。

这个行为跟之前用的模型完全不同。以前的模型拿到需求就开始写，如果写到一半发现架构有问题再推倒重来，反复几次人就疲了。GLM-5.1拿到任务之后先想了一会儿，然后才动手。就这一个区别，后面省了很多返工的时间。

它开始一步一步推进。先搭数据结构，再写服务层逻辑，然后做ViewModel的状态管理，最后把视图层接上。中间有一个地方，候选记忆写入长期记忆的时机控制出了问题，会话上下文和长期记忆发生了冲突。它自己看了报错日志，分析了原因，调整了写入时机的判断逻辑，改完之后继续往下走。全程我没有介入。

AI记忆做完之后，我继续让它做AI全书索引功能。这个功能的核心是对一整本书进行embedding检索，用户问一个问题，AI能在整本书里找到相关的段落，给出有依据的回答，并且能指回具体的章节位置。

GLM-5.1用了大概两个多小时把这套链路跑通了。中间它做了一个我觉得挺聪明的决定，把引用回链的定位精度和检索速度做了一个权衡，选择了一个在移动端体验最好的方案。这种主动做取舍的能力，是我在之前用其他模型时比较少见到的。

后面我又让它做了AI图片解析和快捷指令两个模块。图片解析让用户可以把截图、拍照、图表直接发给AI进行分析。快捷指令让用户在iOS系统的任何地方都能通过分享面板把内容发给阅读器的AI助手，省去了复制粘贴的繁琐操作。快捷指令这个模块还做了冷启动防丢单的处理，即使App没有打开，分享过来的内容也会先排队，等App启动后再发送。整个阅读器的AI升级，GLM-5.1前后持续运行了大约二十几个小时，累计新增和修改了大约21000行代码。这些功能加在一起，PaperTok Reader变成了一个有记忆、能检索整本书、能理解图片、能接收系统级输入的AI阅读助手。

让视频和音频变成可以对话的知识材料

做完阅读器的升级，我开始做第二个工具。

我平时会看大量的播客和视频课程。最大的痛点是，看完之后很多内容记不住，想回顾的时候又不知道关键信息在哪个时间点。传统的播放器只解决了看和听的问题，但在学习和研究的场景里，我真正需要的是理解和对话。

所以我想做一个工具，能把视频和音频的内容转成文稿，然后围绕文稿进行AI问答。你可以问它，这段视频的核心观点是什么，作者在第几部分讨论了某个概念，帮我把这一段整理成结构化摘要。AI的回答能指回文稿里的具体位置，点一下就能跳到对应的时间点。

这个工具我叫它MediaTalk。

MediaTalk的搭建，涉及5个核心模块。它需要一个基于VLC的播放引擎来兼容各种媒体格式，一个基于WhisperKit的端侧转写模块把音视频变成文字，一个文稿管理系统来组织转写结果，一个上下文装配模块从文稿里抽取和用户问题最相关的片段，最后还有一个完整的AI对话层把这些能力串起来。

我把整个需求描述发给了GLM-5.1，它做的第一件事还是先输出技术方案。它把整个App拆成了五个核心模块，按照依赖关系画好了开发路径，然后一个模块一个模块地推进。MediaTalk的整条开发链路，我跟GLM-5.1对话了12次，持续运行了大约18个小时，累计生成了约1600行代码，覆盖了从播放引擎到AI对话的完整功能骨架。从播放引擎到转写链路到文稿管理到AI对话，整条链路跑通之后，MediaTalk已经具备了一个可用产品的骨架。

长程任务这件事，为什么重要

做完这两个App之后，我回过头来想，这次的体验跟之前到底有什么不同。

我总结了一下，核心区别在四个字，长程任务。GLM-5.1在这一点上给我的感受确实不太一样。

它记得前面做了什么。开发阅读器AI记忆模块的时候，它在第七步还能准确引用第二步定义的数据结构。开发MediaTalk的时候，它在做AI对话层的时候还记得播放引擎层的接口定义。

它知道现在在哪一步。每完成一个阶段，它会自己回顾进度，确认当前状态，然后规划下一步。不需要我说，该做下一个模块了。

它能处理中途出现的意外。开发过程中遇到的报错、冲突、兼容性问题，它自己排查、自己修复、自己继续。不是那种遇到问题就停下来问你怎么办的模式。

这三个能力加在一起，就是长程任务能力。它意味着你可以给AI一个完整的目标，它自己拆解步骤、持续推进、处理异常、最终交付结果。两个App加起来，GLM-5.1累计持续运行超过40小时，单次最长的长程任务一次在后台持续运行了5个多小时，跨越了30多个开发步骤，生成了约2万行代码。这个工作量放在传统开发模式下，大约相当于一个3人开发团队一个月的产出。当然，后续的打磨和测试还需要不少时间，但从零到一的搭建阶段，确实被大幅压缩了。

智谱官方把GLM-5.1定位为面向长程任务的开源第一模型。我不好说它和所有模型比起来处在什么位置，但就我自己的使用体验来看，在开源模型里面，能稳定完成这种跨十几个步骤、持续好几个小时的完整开发任务，GLM-5.1确实给了我一些之前没有过的体验。

一点实际的建议

如果你也想试试GLM-5.1，有几件事需要注意。Coding Plan的全体用户现在都可以用了，包括Lite用户。但你需要手动切换模型。在你使用的Coding Agent的配置文件里，把模型名称改成glm-5.1就行了。比如用Claude Code的话，去修改配置文件里的模型参数。

如果你搭配OpenClaw使用，体验会更好。你可以用手机发消息给OpenClaw，让它调度GLM-5.1去执行开发任务，然后你去做别的事情。等它做完了会把结果汇报给你。这种工作模式特别适合长程任务，因为你不需要一直盯着屏幕等它。

另外，给GLM-5.1布置任务的时候，尽量把需求描述得完整一些。它的长程规划能力很强，但前提是你得把目标说清楚。你给它一份详细的需求文档，它能自己拆解成十几个步骤然后一口气做完。你给它一句含糊的描述，它也只能给你一个含糊的结果。工具放大的是你的能力，也放大的是你的混乱。这句话我在之前的文章里说过，放在这里依然适用。

写在最后

现在这两个App的核心功能已经跑通了，后续我也会把它们都进行开源和详细的软件使用介绍。

一个人，一个GLM-5.1，一个OpenClaw，几天时间，累计生成约2万行代码，做了两个完整的iOS App。这个工作量放在以前，可能需要一个小团队花几周才能完成。

我知道有人会说，你做的这些东西能不能上生产环境还不好说。确实，后面还有大量的打磨、测试和优化要做。但关键的转变已经发生了。从零到一的那个最难的阶段，AI帮我跨过去了。

以前AI像一个聪明的实习生，你让它做什么它做什么，但你得一直在旁边盯着。现在GLM-5.1更像一个干了几年的工程师，你给目标，它给交付。至少在我这两个项目里，它做到了。

这个变化的速度比我预想的要快。

GLM-5.1的Coding Plan全体用户都能用。如果你有想做但一直没动手的项目，现在可能是一个好的时机。记得在配置里手动把模型切换成glm-5.1。

我们下期见。