夜雨聆风
OpenClaw 创始人亲授:我是怎么用 AI 把工作效率翻倍的
我最近看到一条推文，136K 浏览，543 点赞，说的是 OpenClaw 的创始人 Peter Steinberger 分享了他的实际工作流。他的原话是：”每次循环都快多了，所以我用更少的精力交付了更多的东西。”
这句话听起来有点鸡汤，但当我深入了解他的做法后，发现这哥们是真的把 AI 用到了极致。
一个人，一个月，6600次提交
先说个数据：Peter Steinberger 在 2026 年 1 月，一个人提交了超过 6600 个 commits。你没看错，是一个人。
他自己说：”从 commits 数量看，这像是一个公司。但不是，这就是一个家伙坐在家里玩。”
OpenClaw 现在是 GitHub 上增长最快的仓库之一，Google 搜索量比 Claude Code 和 Codex 加起来还多。而这一切，都是他一个人搞出来的。
怎么做到的？
核心理念：设计循环，而不是手动提示
Peter 的核心观点很简单：不要手动提示 coding agents，要设计循环（loops）来提示你的 agents。
这是什么意思？
大多数人用 AI 编程的方式是这样的：打开 Claude Code 或 Codex，输入一个提示词，等它生成代码，检查一下，再输入下一个提示词。这是”手动模式”。
Peter 的做法是这样的：设计一个自动化循环，让 AI 自己不断地计划、执行、测试、改进。你只需要在关键时刻介入。
他把这叫做”循环工程”（Loop Engineering）。
具体怎么做？
Peter 的工作流可以总结为三个步骤：
第一步：密集计划
他会花大量时间跟 AI 对话，讨论架构、设计、技术选型。这个阶段不是让 AI 写代码，而是让它帮他思考。
他说：”我会挑战 AI 的想法，让它重新考虑，直到我们达成共识。”
第二步：并行执行
一旦计划确定，他就把任务分配给多个 AI agents 同时执行。他通常会同时运行 5-10 个 agents，每个负责不同的功能。
“我不会等一个 agent 完成再开始下一个。我会立即开始计划下一个功能。”
第三步：架构审查
他不审查代码，而是审查架构。团队讨论只关注系统架构和重大决策，不关注代码细节。
“我不看代码，我只看结果。”
10 个关键学习点
从 Pragmatic Engineer 对 Peter 的深度采访中，我总结了 10 个关键点：
1. 放弃完美主义：AI 生成的代码不会完全符合你的风格，接受它。
2. 闭环设计：让 AI 能够自己编译、lint、执行和验证它的工作。
3. “提示请求” > “拉取请求”：审查生成代码的提示词，而不是代码本身。
4. 架构 > 代码审查：讨论关注系统架构和重大决策，不关注代码细节。
5. 并行运行多个 agents：保持心流状态，同时运行 5-10 个 agents。
6. 密集计划，并行执行：花大量时间计划，然后并行执行。
7. 故意模糊提示：给模糊的提示，让 AI 探索意想不到的解决方案。
8. 本地 CI 加速：用 agents 本地运行测试，而不是等待远程 CI。
9. 关注设计，不关注数据搬运：大多数代码是”无聊的数据转换”，精力应该花在系统设计上。
10. 关注结果：在 AI 时代成功的是那些热爱交付产品的人，而不是热爱解决算法谜题的人。
角色转变：从程序员到架构师
Peter 的做法代表了一种角色转变：从程序员到架构师。
专注于高层结构、可扩展性、模块化和技术债务。他不写代码，他设计系统。
他说：”软件工程没有死，恰恰相反。角色演变成了系统架构师和质量守门员，设定方向并确保项目凝聚力。”
这听起来有点抽象，但其实很具体。他的日常工作是：
• 跟 AI 讨论架构设计
• 把任务分配给多个 AI agents
• 审查架构决策
• 协调多个 agents 的工作
他不做的事情：
• 写代码
• 审查代码
• 调试代码
• 等待 CI/CD
实际效果怎么样？
Peter 说：”我用更少的精力交付了更多的东西。”
具体来说：
• 速度：每个循环都很快，所以整体交付速度大幅提升。
• 质量：因为有自动化测试和验证，质量反而更高。
• 精力：他可以把精力集中在真正重要的事情上——设计和架构。
普通人怎么借鉴？
你可能会说：”这是 Peter Steinberger，他有 20 年的编程经验，我不一样。”
确实，他的做法有一些前提条件：
1. 你需要有架构设计能力：你得知道什么是好的架构，才能指导 AI。
2. 你需要有自动化测试：AI 需要能够自己验证它的工作。
3. 你需要有耐心：设计循环需要时间，不是一蹴而就的。
但即使你没有这些条件，你也可以从他的做法中学到一些东西：
从小循环开始
不需要一开始就设计复杂的循环。可以从简单的循环开始：
• 让 AI 写代码
• 让 AI 运行测试
• 让 AI 修复错误
• 重复
设计可验证的任务
AI 需要知道它做得对不对。所以，你需要设计可验证的任务：
• 有明确的输入和输出
• 有自动化测试
• 有清晰的成功标准
关注结果，不关注过程
不要纠结 AI 是怎么做的，只要结果是对的就行。
费用和成本
你可能会问：”同时运行 5-10 个 agents，费用会不会很高？”
确实，这是一个问题。Peter 承认：”如果你有无限的 AI token 预算，这很容易。但大多数人没有。”
不过，他提供了一些降低成本的方法：
1. 使用本地模型：对于一些任务，可以使用本地模型，比如 Ollama。
2. 使用更便宜的模型：不是所有任务都需要最贵的模型。
3. 设计高效的循环：减少不必要的调用。
我的实践
受 Peter 启发，我开始尝试在自己的项目中使用循环工程。
我的做法是：
1. 设计一个简单的循环：计划 -> 执行 -> 测试 -> 改进。
2. 从小任务开始：先在小任务上试验，然后逐步扩大。
效果怎么样？还在试验中，但初步感觉是：
• 速度确实快了：AI 可以并行处理多个任务。
• 精力更集中了：我可以把精力集中在设计上，而不是实现上。
• 质量有保障：因为有自动化测试，质量不会下降。
总结
Peter Steinberger 的做法代表了一种新的工作方式：从程序员到架构师，从手动提示到设计循环。
这不是适合所有人的做法，但它提供了一种思路：在 AI 时代，你的价值不在于你写了多少代码，而在于你设计了多少系统。
如果你也想尝试，可以从一个小循环开始，逐步扩大。记住，目标不是让 AI 替代你，而是让你专注于更重要的事情。