夜雨聆风当 OpenClaw 用半天时间重构了我的网站，程序员这个职业有点微妙了
作者注： 这不是一个"AI 取代程序员"的焦虑故事，而是一个 20 年程序员老登，亲历 AI 编程从"看得见代码"走向"看不见代码"的真实记录。
适合谁读： 想了解 AI 编程发展到哪一步了、担心程序员职业前景、对 AI + 开发感兴趣的朋友。
我的角色转变：从程序员到产品经理
作为一个写了 20 多年代码的程序员，我对 AI 编程是持开放和欢迎态度的。2023 年底开始用 AI 工具自动生成代码片段；后来用了 Cursor、Windsurf、Trae等，新项目有一大半是 AI 完成的；再到去年用 Claude Code，基本上不写代码了，整天对着屏幕输出需求，然后按 Yes，代码自动运行，我去测试，把结果告诉它，它再改，不断循环直到完成。
这个过程，我的角色在变：程序员 → 验收员 → 产品经理。
编程开发逐渐从"看得见代码"变成了"看不见代码"，但本质上还是在和 AI 持续交互，只不过以前敲的是代码，现在敲的是自然语言（或者语音对话）。
这次不一样：公园草地上用手机开发
但是这次 OpenClaw 的做法，让我发现 AI 编程又往前进了一大步：我设定好目标和要求，然后让主 Agent 带领一个由设计师、开发者、QA、安全员等 AI Agent 组成的开发团队，以及一个全部由 AI 组成的用户群，在我基本不去全程跟踪的情况下，自己设计、开发、测试、使用、反馈，不断迭代，最终完成了产品的开发。当然中间过程我还是会咨询和查看，以及提出我的建议和要求，我并不是做甩手掌柜，但确实减少了很多参与时间。
对比一下：2024 年用 Cursor 开发，花了 2 周；2026 年用 OpenClaw，一个周末下午在公园草地上，用手机完成。效率差了十几倍，质量反而更高。
我并不是想表达 AI 已经可以代替程序员了，但确实那种只会前端或者后端，或者只会 CRUD（增删改查，简单重复的数据操作）的初级程序员，AI 是可以取代的。
人的价值：设计师而非监工
另外，人的作用不是变成监工，而是设计师。
设计师的价值在于：看得见全貌，知道什么该做、什么不该做；能给出清晰的方向，让 AI 知道往哪里走；能判断好坏，设定质量标准。这些决定了 AI 产出的上限。
说白了：你的审美决定了你给 AI 喂的方向，方向对了，产出才好。
Harness Engineering：看不见不代表失控
前面我说到软件开发从"看得见代码"走向"看不见代码"，但看不见不代表失控。
最近有个概念叫 Harness Engineering（约束工程），说的就是怎么让 AI 在看不见代码的情况下依然稳定输出。核心就是三点：约束、尝试、迭代。
这正是我用 OpenClaw 开发的方法：设定边界，让 AI 在里面探索，不断迭代升级。效果很好。
关于Harness Engineering，我将在后期深入实践后，再和大家分享。
未来方向：10 人 + 若干 AI = 超过人力的产出
对于 AI 来说，只要结果好，过程未必重要。但对于人来说，过程的跟踪和把控，在关键节点上授权和指引，这个方法才会更好。
最近我一直在研究人与 AI 的团队协作，通过敏捷开发的看板沟通，既能实现过程跟踪，也可以在关键节点给 AI 指引。我的目标是：10 个人的团队 +10 个 AI Agent，能干出超过 20 人的产出——不是简单的加法，而是乘法效应。
俗话说的好：开发不够，AI 来凑嘛。
现在我来简单说说我是怎么用 OpenClaw 来重构网站的。
第一步：组建 Agent 团队
我安装了一个叫 agency-agents 的技能（GitHub: msitarzewski/agency-agents），这里面有 100+ 个预设好的 Agent：产品经理、设计师、开发、测试、安全、文案……基本上一个完整开发团队该有的角色它都有。这是最近除了OpenClaw之外，最火的github repo之一。
我不需要自己去一个个配置这些 Agent，装好技能之后，告诉主 Agent 我要做什么，它会自动从这 100+ 个 Agent 里挑出合适的角色，组成一个临时团队。这次重构网站，它拉了产品经理、设计师、前端、后端、QA、安全员，组成了一个临时团队。
第二步：AI 用户群测试
我让主 Agent 带领一群由 AI Agent 扮演的真实用户，模拟实际使用场景。这批"用户"有不同的画像：有懂技术的程序员、有不懂技术的小白、有挑剔的产品经理、有注重效率的老板。它们在系统里真实操作，打分反馈，找问题。
这个过程是迭代的：测试 → 发现问题 → 修改 → 再测试 → 再反馈。有时候一轮迭代要跑十几轮，直到这批"用户"的评分达到我设定的标准。
第三步：关键节点干预
当然，OpenClaw 的 subagent 有轮数限制，跑到一定程度它会停下来。所以我会在关键位置再发信息给它，给点指点和修改方向。比如："登录流程的报错提示不够友好，改一下"、"个人中心的加载速度有点慢，优化一下"。
这种干预不是微观管理，而是在关键节点上给方向。
就像带团队，你不用告诉每个程序员怎么写代码，但你要告诉他们做什么、为什么做、做到什么标准。
使用 OpenClaw 的不足和限制
说了这么多好处，也要说说目前发现的不足。
不足一：不如 Claude Code 即时获取信息
Claude Code 你可以在电脑前，看着它运行，可以随时Esc，总之，还是处于半黑盒的状态。OpenClaw 使用Subagent是多 Agent 协作，有时候一个任务的输出需要等下一个 Agent 处理完才能看到，中间的状态不够透明，而且不管是飞书还是Telegram，对话聊天的方式总不如终端Terminal获取的信息全，主要还是图个方便。如果你想实时知道进展，不如 Claude Code 方便。
不足二：大型项目还有待验证
这次重构的是用户系统，规模不算大。如果是做一个完整的产品，或者团队协作开发，OpenClaw 的 Agent Team 模式能不能 hold 住，还需要更多测试。这是下一步要验证的方向。
不足三：一个问题会反复出现
修好了，过一会又回来了。AI 生成的代码有时候缺乏"记忆"，一个 bug 今天修了，明天换个地方又冒出来。有时设计的挺好，但有时迭代下来，会又变的比较丑，总之，有点像开盲盒，不确定性有点高。
解决方案：用 Git 管理每一次提交。
每次小改动都 commit，遇到问题就回退，不需要了就保留。这样不管 AI 怎么折腾，代码始终在版本控制里，不会失控。
下篇预告：Human-Agent-Collaboration-Kanban
这次重构让我开始思考一个问题：人和 AI Agent 团队，怎么在同一个系统里协作？
现在的做法还是我在中间当"翻译"：我给主 Agent 指令，主 Agent 分配给其他 Agent，我再去看结果反馈。
下一步我想试试的是：用看板（Kanban）把人和 AI Agent 放在同一个工作流里。
人负责：任务分配、进度跟踪、关键决策AI Agent 负责：具体执行、测试、文档看板负责：可视化进度、自动提醒、状态同步
目标是：小规模团队 + 若干 AI Agent，能在同一个看板里协作，产出超过人力的效率。
这个方向我在探索中，下篇文章详细讲。
总结
这次重构经历，让我对 AI 编程有了更深的认识：
第一，AI 编程的范式已经变了。 从"人写代码"到"人写需求"，从"看得见"到"看不见"。这不是危言耸听，是正在发生的事实。
第二，程序员不会被取代，但会被重新定义。 只会 CRUD 的程序员会被淘汰，但设计师、决策者、沟通者不会被取代。人的价值不在于写代码的速度，而在于对业务的理解、对美的判断、对风险的把控。
第三，Harness Engineering 是关键。 约束、尝试、迭代，这是让 AI 可靠工作的核心方法。看不见不代表失控，好的设计能让 AI 稳定输出高质量结果。
第四，过程和结果都重要。 对 AI 来说，只要结果好。但对于人来说，过程的跟踪和关键节点的把控，才能让 AI 发挥最大价值。
最后说两句
我不是来贩卖焦虑的。
AI 不是洪水猛兽，也不是万能灵药。
它是一件趁手的工具。能帮你省时间、减少忘事、让信息好找一点，就够了。
不要焦虑于"别人都用 AI 了，我还没开始"。
从一件小事开始试，感觉有用就继续，没用就换个方向。
给想开始用 AI 编程的朋友：
1. 先从 Claude Code 或 Cursor 开始，门槛低，容易上手 2. 有一个具体项目再试 OpenClaw，不然配置好了也不知道干啥 3. 别怕，AI 不会取代你，但会用 AI 的人会取代不会用的人
OpenClaw 也好，Claude Code 也好，归根结底就是三件事：它记得住你，懂你的偏好，能自动帮你干事。
花点时间配置好，你会发现：原来 AI 可以这么贴心。
就这样。
— END —
