所有人都在说 AI 会写代码。可它真能帮你做出一个跨平台、能远程控制、还端到端加密的软件吗？我用一台云服务器和一个 AI 帮手，认真试了一次——结论既兴奋，又清醒。

AI 实践 · 工程复盘 · 一个人造软件　|　约 8000 字　|　含封面 + 6 张示意图

写在前面：这不是一篇炫技教程，而是一份很诚实的复盘。在「人人都说 AI 会写代码」的今天，我用 AI 当帮手，从零做了一套能在 Mac、Windows、iPhone 之间互相远程控制的软件——对标的就是向日葵、ToDesk。AI 让我起步快得不真实，可真正把它从「能连上」做到「稳得住」，才是这趟旅程真正的主角。而这中间的落差，恰好就是今天 AI 编程的能力边界。

一、远程控制，真有看上去那么简单吗

远程控制，听起来是个早就被解决的问题。向日葵、ToDesk、TeamViewer，下载、登录、授权，几分钟就能在手机上看到家里电脑的屏幕，点点划划像在本地操作一样。我也一直这么以为，直到我决定亲手做一个。

我想做的原因有两个。第一个很朴素：我想要一套「中继服务器是我自己的、画面不经过任何第三方」的远控。第二个更像一场赌气式的好奇——这两年所有人都在喊 AI 会颠覆编程，那我就想亲自验证一个问题：AI 时代，一个不算大神的人，借助 AI，到底能做出多复杂的软件？

而远程控制，恰好是检验这个问题的绝佳试金石。它不像一个待办清单 App 那样可以一个人糊弄出来，它横跨了操作系统的权限体系、实时视频的编码解码、复杂网络的穿透、鼠标键盘的注入、设备之间的安全配对，还有最后的打包分发。几乎一个「完整软件」该有的硬骨头，它一根都没落下。

做下去我才发现：远程控制根本不是一个「把屏幕画面发出去」的小工具，它是一套伪装成 App 的、小型的实时操作系统。

二、AI 帮我把原型跑起来，快得不真实

刚开始的体验，简直让人飘飘然。把 AI 当副驾驶，搭骨架的速度快得离谱：在阿里云上立起一个充当「中间人」的中继服务器，让 Mac 当被控端去采集屏幕、把画面发出去，让手机当控制端去接收画面、把点击发回来，再用一个房间号加访问码把两边配上对。原型很快就连起来了，我第一次在手机上看到家里 Mac 的桌面时，差点以为：原来做软件这么简单。

我搭的整体结构：云服务器只当「中间人」，负责把两台设备接起来、转发数据，但看不到你屏幕上的任何内容。

然后，现实开始一个接一个地打脸。Windows 端能连上服务器，画面却一直是黑的；Mac 明明在系统设置里授权了，App 却还固执地提示没授权；高级一点的画面解码，在某些电脑上直接报错崩掉；控制端一连进来，被控端的画质设置竟然莫名其妙地自己变了；画面有时像卡在某个窗口上动不了；iPhone 上画面小得可怜，手指一点就点偏到隔壁。

这些问题，AI 在我动手之前，一个都没提醒过我。它们不在任何「快速上手」的教程里，而是埋在「跑起来之后」的真实世界里。原型阶段那种「我上我也行」的轻飘飘，在第一次把软件发给朋友试用、对面回我一句「怎么是黑的」的时候，碎得干干净净。

我后来才慢慢体会到，做软件这件事，真正的难度曲线长得很反常：前面 20% 平得像散步，AI 推着你几小时就走完；后面 80% 陡得像爬墙，而且每一步都没有路标。原型让你产生「快做完了」的错觉，可那条横在「能演示」和「能交付」之间的鸿沟，才刚刚露头。

AI 能让你「开始」，几乎是免费的。但它不会提前告诉你：真正的工程量，全藏在「开始」之后。

三、第一个暴击：连上了，却一片漆黑

所有问题里，最折磨人的是黑屏。控制端屏幕上清清楚楚写着「已连接」，被控的电脑也显示在线，房间号、访问码、地址全都核对过无数遍，可那块屏幕，就是黑的。

我和大多数人一样，第一反应是去怀疑显示出了问题，去怀疑解码器坏了。那一晚，我对着接收画面的那段逻辑改了又改、删了又加，试了不下二十种写法，黑屏纹丝不动。最崩溃的不是修不好，而是我连「到底是哪一环坏了」都不知道——就像房间里一片漆黑，你却不知道是灯泡坏了、是没插电、还是整栋楼都停电了，只能闭着眼睛瞎摸。

转机来自一个我顺手做的小东西——我给服务器加了一个「体检接口」，它能告诉我每个房间最真实的状态：被控端在不在线、它到底往外发了多少帧画面、最后一帧是什么时候发的。这个当时随手加的小功能，后来成了整个项目里我最庆幸做过的决定。

我一看就傻了。被控端明明显示「在线」，可它发出去的画面帧数，是 0。

「已连接」是世界上最具迷惑性的三个字。它只说明两台电脑握了个手，根本不代表有任何一帧画面，真的在它们之间流动过。

黑屏排查地图。「已连接」根本不代表有画面，关键要看被控端这一秒到底有没有在往外吐画面。

顺着这条线查下去我才发现，「黑屏」其实是好几种完全不同的病，只是症状长得一样：有时是屏幕录制权限没被系统真正给到；有时是系统采集屏幕的功能中途停了，却没有自动自救；有时是高级编码用不了，又没有及时退回到最朴素的兼容方案。而最阴险的一种，是控制端本来只想「表达一下自己的偏好」，却被错当成了一道命令，把被控端的画质给「遥控」着改掉了。

从那以后，我把黑屏排查固化成了一条铁律：先别急着怀疑显示和画面，先冷静地问一句——被控端这一秒，到底有没有在往外吐画面？把这条链路一节一节拆开看，黑屏就从一句模糊的抱怨，变成了一个可以精确定位的工程问题。

四、我才真正明白，远控根本不是「投屏」

投屏只需要一条路：把画面送过去就行。但远程控制，要同时跑通三条路，缺一条都不行。

·画面链路，让你「看得见」——采集、压缩、传输、还原、显示，一条龙不能断。

·控制链路，让你「点得到」——你在手机上点的那个位置，要被精确翻译成远端电脑某一个像素上的一次真实点击。你把画面放大、拖动之后，下一次点击还得依然准。

·观测链路，让你「查得出」——上面任何一条断了，你都得能第一时间知道是哪儿断的。

远控不是投屏：必须同时跑通「看得见」「点得到」「查得出」三条链路，缺一条，用户就说不能用。

有意思的是，几乎所有人（包括一开始的我）都只盯着第一条：画面好不好看、清不清晰。可真正决定一个远控「能不能用」的，往往是后两条。画面再清楚，点不准也是废的；出了问题两眼一抹黑、连哪坏了都不知道，那就更没法修。

用户说「不能用」的时候，十有八九不是因为画面不好看，而是因为点不准，或者根本不知道哪里坏了。

这里我做的一个最关键的决定，说出来特别朴素：所有的坐标，我都不用具体像素，而是用「占整块屏幕的百分比」来表达。比如「屏幕正中间」就是横竖各百分之五十。这样一来，不管远端是台小破屏还是 5K 大显示器，中途有没有换过分辨率，控制都不会错位。一个看似不起眼的选择，却把「控制」和「屏幕尺寸」这两件事彻底解耦了。

而手机端的「点得到」，又是另一座大山。鼠标天生精准，手指却又粗又胖；屏幕又小，画面缩成一团，想点中一个小按钮几乎是抽奖。于是我得让用户能像看地图一样双指放大、按住拖动画面，可一旦放大、平移之后，「手指点的位置」和「远端真正该响应的位置」之间的换算，就得重新算一遍，错一点就点偏。把缩放、平移、裁剪和那套百分比坐标拧成同一套逻辑，我前后返工了好几次，才让 iPhone 上「看到哪、点到哪」这件最基本的事，变得理所当然。

五、画质、流畅、延迟，凭什么不能我全都要

做实时画面，绕不开一个残酷的三角：画质高、延迟低、什么破设备烂网络都能跑——这三样，很难同时拿满。

高级的视频编码方案，画质好、还省流量，但它太挑环境，跨平台时经常是「这台电脑能压，那台电脑却解不开」。而最老实巴交的图片方案，哪里都能显示、出了问题一眼就能看出来，缺点是费流量、帧率一高就容易卡。传输方式也是同理：一种简单、稳定、出问题好排查；另一种延迟更低、但实现复杂得多。

画质、流畅、兼容性的取舍。稳定的秘诀不是堆最高配，而是给每一种高级方案都留一条能用的退路。

踩了一圈坑之后，我的结论不是「全都上最高配」，而是一句更朴素的话：每一种高级方案的背后，都必须留一条随时能顶上的退路。高级的失败了，就自动、悄悄地退回到那个虽然朴素但一定能用的方案，连接绝不中断。用户甚至不需要知道刚刚发生过一次「降级」。

这其实是一种被很多人忽略的产品观。我们总爱追求「最优解」，可现实世界里设备五花八门、网络飘忽不定，「最优」往往意味着「最脆」。真正成熟的系统，是允许自己「不完美地活着」的——宁可这一刻画质糙一点，也好过直接黑屏给用户看。把「优雅地降级」当成一等公民来设计，而不是出了事再打补丁，是我这趟最受用的一课。

稳定，从来不是「永远不出错」。稳定是「出错之后，用户根本察觉不到」。

六、最反直觉的一课：宁可丢画面，也不让延迟堆积

这一条我想单独拎出来讲，因为它彻底改变了我对「实时」两个字的理解。

直觉会告诉你：每一帧画面都是辛辛苦苦采集、压缩、传过来的，当然要尽量都送到，一帧都别浪费。但在实时桌面这件事上，这个直觉是错的——旧的画面，一文不值。

打个比方。你在看一场直播球赛，网络突然卡了一下。你是想看那段「完整、但慢了半分钟」的回放，还是想直接跳到「此刻最新」的画面？所有人都会选后者。远程控制，正是这样：用户要的永远是「现在」，而不是「刚才」。

所以我让服务器做了一件听起来很「狠」的事：当某个用户网速跟不上、画面开始在他那头积压时，服务器不排队，而是直接把还没来得及发出去的旧画面扔掉，只保留最新的那一帧。宁可掉帧，也绝不让延迟像滚雪球一样越堆越大。这一改，操作的跟手感天差地别。而且它还顺手送了我一个礼物：哪个用户在大量丢帧，就说明他的网络扛不住了，正好可以自动给他降画质。

这件事最让我感慨的地方在于，它和我们的本能是反着来的。我们从小被教育「不要浪费」「善始善终」，可在实时系统里，最优雅的做法恰恰是「果断地放弃」。想清楚「什么东西过期了就该立刻扔掉」，比拼命「想留住一切」要难得多，也高级得多。很多让人头疼的卡顿，根子都不在网速，而在于有人舍不得丢掉那些早已没用的旧数据。

在远控里，「流畅」比「完整」重要得多。让用户的每一次操作都跟手，比一帧都不丢，值钱一百倍。

七、你点一下鼠标，远端到底发生了什么

这部分最容易被忽略，却是「控制」二字的灵魂。你在手机上轻轻一点，这个动作要漂洋过海，最终变成远端那台电脑里一次「系统级」的真实点击——注意，不是模拟，而是要让那台电脑的操作系统真的相信：有人就站在它面前，按下了那一下。

在这里，我踩了一个又蠢又典型的坑。一开始为了「保险」，我把每一次点击，都往系统里投递了两遍，想着多投一次总没坏处。结果就是——双击变成了四击，打字时每个字都蹦出来两个。删掉那行「多此一举」的代码，世界瞬间清净了。这种坑，没有任何文档会告诉你，AI 也不会，你只能自己撞上去、疼一次。

键盘则更加琐碎。打中文、打 emoji 是一条处理路径，按回车、删除、方向键是另一条，而 ⌘C、⌘V、⌘Z 这种组合键又是第三条。三条路都得分别照顾周全，少做一条，用户就会在某个瞬间骂街：「怎么连复制粘贴都不行？」我光是为了让「在手机上打一段中文、远端能原样出现」这件听起来天经地义的小事跑顺，就反复调了好几轮。

这些细节没有一个是「亮点」，你做对了，没人会夸你；可只要错一个，用户对整个软件的信任就会瞬间崩塌。远控这类软件最残酷的地方就在这儿：它不靠某个惊艳功能取胜，而是靠成百上千个「本该如此」的细节，一个都不能掉链子。这恰恰是 AI 最难帮上忙的部分——它能帮你实现功能，却很难替你守住那种「差一点都不行」的体感。

画面再清晰，只要点歪一次、打字重一次，用户立刻就走。输入的「准」，和画面的「顺」，从来是同等重要的两件事。

八、它凭什么敢说「连我自己的服务器都偷看不了你」

这是我整个项目里最在意、也觉得最该讲清楚的一点。一个能看你屏幕、能动你鼠标、能敲你键盘的软件，安全是底线中的底线。也正因如此，很多人对市面上的远控软件，心里总有一根刺：我的屏幕画面，到底经过了谁的服务器？

我的中继服务器虽然是我自己的，但我从设计的第一天起，就没打算让它「看得见」内容。用大白话来说：画面和指令，在离开你这台电脑之前，就已经被一把「只有你和对方那两台设备才算得出来」的钥匙锁死了。而这把钥匙，是用「房间名 + 你的口令」在你本地现场算出来的，根本不会上传到任何地方。

结果就是：服务器收到的，全是一堆它自己也解不开的乱码。它能帮你把这堆乱码转发给对方，能验证你有没有权限进这个房间，但它永远不知道你屏幕上到底有什么。

服务器可以转发，但不该窥视；可以验票，但不该替你做主。这是我给这套系统划的安全底线。

光「看不见内容」还不够，安全这件事是个无底洞。谁有资格进这个房间？口令是不是该能随时换？我人在外地，家里的 Mac 开着机，怎么让它在没人值守的情况下，依然只认我、不认陌生人？我把口令存成了「算得出、却反推不回原文」的形式，连我自己的服务器都拿不到你的明文密码；房间、设备、权限层层校验，少一层我都不敢往外发。这些东西用户永远不会注意到，可一旦缺了，整个软件就不配被信任。

这其实也是「自己动手」的意义之一。用商业软件，你是把「可信」这两个字，交给了厂商去保管；而自己做，你能把它，重新攥回自己手里。在一个越来越在意「我的数据到底去了哪」的时代，这种踏实，本身就值回票价。

九、在 Mac 上，「我授权了」不等于「真的授权了」

如果你以为权限就是弹个框、点一下「允许」就完事，那 macOS 会专门给你上一课。在 Mac 上，「屏幕录制」权限决定了你看不看得见画面，「辅助功能」权限决定了你控不控得了鼠标键盘——而且这俩是分开的，互不相干。

我无数次遇到这样的场景：用户（包括我自己）斩钉截铁地说「我明明已经授权了」，可软件还是一口咬定没权限。一开始我以为是用户操作错了，后来才明白，这背后是更深的东西。

在 Mac 上，「屏幕录制」决定你看不看得见，「辅助功能」决定你控不控得了，签名还会影响系统认不认你。

真相往往是：你在系统设置里看到的那个 App，和此刻真正在运行的那个，系统可能压根不认为它俩是同一个东西——只要这个软件没有正规的「身份签名」、被反复重新编译过、或者从不同的位置启动过，系统就可能把它当成一个陌生人，之前给的授权自然也就不算数了。

所以「签名」这件听起来无比枯燥的事，其实直接决定了系统认不认你。不打算上架，不等于就不需要签名——只要你想把这个软件分享给别人安装，正规签名就是绕不过去的基本功。这一课，也是 AI 不会主动提醒、只能靠真实分发时撞得头破血流才学会的。

权限和签名，还只是「分发」这座冰山露出水面的一角。下面还藏着 Windows 那边杀毒软件的误报、安装包双击之后一闪而过的尴尬、不同系统版本之间细微的脾气差异……每一个都不难，但每一个都得真有人在真实机器上踩过，才会知道它的存在。这些活，没有光环、没有成就感，却恰恰是「一个能演示的玩具」和「一个敢给别人用的软件」之间，最实打实的距离。

在 Mac 上做这类软件，权限不是一个弹框那么简单，它本身就是你这个软件「能力的边界」。

十、AI 写得出代码，却写不出「踩过的坑」

走到这里，该回到最开始的那个问题了：这一路，AI 到底帮了我多少？

答案是：非常多。它让我从「不太会」到「原型能跑」的速度，快得不真实。查文档、写样板代码、把一个模糊的想法翻译成第一版能运行的东西，这些又脏又累的活，它干得又快又好。没有 AI，我大概率在「搭起第一版」这一步，就因为畏难而放弃了。

但你回头看看前面那九节——黑屏到底卡在哪一层、为什么会双击变四击、延迟为什么越堆越高、权限为什么时灵时不灵——这些真正让我熬夜、让我成长的难题，AI 几乎都没有「主动」告诉过我。不是它不懂，而是这些坑，全都藏在「运行起来之后」，藏在真实的设备、真实的网络、真实的权限组合里。你必须自己一头撞上去，疼过一次，才知道下一次该向 AI 问什么问题。

AI 让「开始」变得几乎免费。但「把一个东西，做到真能用」的那 80%，依然要靠人，一脚一个坑，自己趟出来。

更微妙的一点是：AI 给你的答案，永远是自信满满的。它不会跟你说「这里我也不确定」「这个坑你上线后才会遇到」。它把每一段代码都写得理直气壮，于是「判断它对不对」的责任，百分之百落回到你身上。它越能干，你就越需要有那双能看穿「它这次是不是在一本正经胡说」的眼睛。

我后来想明白了：AI 没有消灭工程师，它只是把门槛，从「会不会写代码」，挪到了「知不知道该做什么、能不能判断哪里出了错」。它把体力活包圆了，于是「懂系统、懂取舍、懂用户体验」的判断力，反而变得比以前更值钱。会提问的人、能验收的人、知道一个东西「差在哪」的人，在 AI 时代不是被淘汰，而是被放大。

十一、所以，AI 时代一个人能做多复杂的软件

回到标题里那个问题。我的答案是：比你以为的要复杂得多，但也比那些标题党吹的，要苦得多。

从「原型能跑」到「产品能用」，中间隔着的这一长段，才是 AI 现在还替你走不完的路。

一个人，加上一个 AI，确实能搭出一套横跨三个操作系统、有实时画面、有端到端加密、还能无人值守的远程控制原型。放在五六年前，这是一个小团队、好几个月的工作量。从这个意义上说，AI 带来的，是一次实打实的「个人能力跃迁」。

但是，「原型能跑」和「产品能用」之间，还隔着一整段很长的路：隔着正规的签名与公证，隔着根据网络好坏自动调节画质的能力，隔着无数个只有真实用户才能撞出来的边界情况。AI 能帮你把这段路走得更快，却不能替你把它走完。真正的杠杆，从来不是「AI 替我做」，而是「我借着 AI，把我自己能驾驭的复杂度，往上狠狠抬了一大截」。

AI 不会让人人都变成工程师。但它会让那些「想做、敢做、还能做判断」的人，一个人，顶过去的一整个团队。

结语：掀开「简单」，看看底下到底有什么

回头看，这套远控对我最有价值的产出，根本不是某个具体的功能，而是我终于看清了一件事：我们平时用得无比顺手的每一个「简单」软件背后，都是一整套被精心藏起来的复杂。

向日葵、ToDesk 们，把这些复杂藏得太好了，好到我们理所当然地以为，它本来就该这么简单。直到你自己，从一个空文件夹开始，把它从零搭一遍，才能真正掂出「稳定可控」这四个字，沉甸甸的重量。

而 AI，让一个普通人，第一次有机会亲手去掀开这层「简单」，看看它底下究竟藏着什么。这件事本身，就足够让人兴奋了。

我也常常被问：那到底还要不要学技术？我的体会是，比以往任何时候都更要——只不过学的重点变了。过去你得把时间花在「怎么把这行代码写对」，现在 AI 替你扛走了大半；可「这个东西到底该怎么设计、为什么会卡、哪里藏着雷、用户为什么会嫌弃」这些判断，依然得长在你自己脑子里。AI 把「执行」变便宜了，于是「品味」和「判断」变贵了。这对真正热爱做东西的人，是天大的好消息。

如果你也正打算用 AI 折腾点什么，我想说两句心里话：别被「几分钟做出一个 App」的神话骗了，也别被「AI 啥也做不成」的唱衰劝退。真实的答案，永远在这两个极端的中间——而且，它比任何一个极端，都要有意思得多。挑一个你真正想要、却一直觉得「太难、算了」的东西，借着 AI，认真做一次。你大概率做不出第二个向日葵，但你一定会对手里那些「简单」的软件，生出全新的敬意。

⚠️ 说明：文中涉及的服务器地址、密钥、访问码等敏感信息均已隐去。本文讲的是工程思路与真实体会，不代表当前成品已达到商业软件的全部成熟度。