你有没有遇到过这种情况：每次让 AI 写代码，都要从头解释一遍背景。“这个功能是给谁用的？” “为什么要这样设计？” “上次客户怎么说的？” 解释完一轮，AI 写出来的代码还是不对，你又得重新调整。反反复复，还不如自己写。
Elvis 是个独立开发者，最近他分享了自己的真实案例，不直接让 AI 写代码，而是让一个“AI 项目经理”来管理一群“AI 程序员”。
而且他的 AI 项目经理（叫 Zoe）还会主动干活。Elvis 开完客户会议去散个步，回来就收到通知：“7 个功能做好了，等你审查。”
他的工作从“敲代码”变成了“做决策”，只需要看看截图、点点确认，功能就上线了。
这篇文章里我会把整套系统拆开给你看，包括它怎么运作、要花多少钱、普通人怎么复制。
为什么要有个“AI 项目经理”？
很多人以为，用更强的 AI 模型就能解决问题。
其实不是。
因为AI 的“记忆力”是有限的。你要么让它记住你的代码，要么让它记住你的业务背景，两个不能兼得。所以直接用 AI 写代码效率低，它要么懂代码但不懂你的业务，要么了解需求但写不出好代码。
Elvis 的解决办法很聪明：分两层。
第一层是 AI 项目经理（Zoe），她记住所有业务信息：客户是谁、他们要什么、之前试过什么方案、哪些成功了哪些失败了。这些信息都存在 Obsidian 笔记里，Zoe 随时能查。
第二层是 AI 程序员（Codex、Claude Code、Gemini），他们只管写代码。Zoe 会把业务需求“翻译”成详细的任务说明，分配给合适的 AI 程序员。程序员只看代码，项目经理负责大局。
这个架构和 Stripe（硅谷大公司）最近公开的系统一模一样。区别是，Stripe 的系统要几十万美元，Elvis 的系统运行在他自己的电脑上，成本只是零头。
Elvis 用这套系统开发真实产品已经 4 周了。客户提需求，他当天就能交付。速度快，客户付费意愿就高，这直接转化成收入。
真实案例：从开会到上线只用 70 分钟
接下来我用 Elvis 的一个真实例子，展示这套系统怎么工作。
上午 10:00 - 客户打电话
客户说：我们团队想复用之前设置好的配置，每次都要重新设置太麻烦了。
Elvis 没有打开编辑器写代码，而是和 Zoe 聊了几句。因为所有会议记录都自动保存在笔记里，Zoe 已经知道这个客户是谁、做什么业务、之前提过什么需求。很快确定方案：做个模板功能，让客户能保存和重用配置。
上午 10:15 - Zoe 开始安排
Zoe 做了三件事：
给客户账户充值，立即解除限制（它有管理员权限）
从数据库里调出客户现有的配置数据
创建一个 AI 程序员，给它详细的任务说明（包括客户背景、现有数据、技术要求）
上午 10:20 - AI 程序员开工
AI 程序员在一个独立的“工作区”里开始干活：写代码、跑测试、提交代码。进度实时记录在一个文件里。
上午 10:30 到 11:00 - Elvis 去散步
一个自动程序每 10 分钟检查一次：AI 程序员还在工作吗？代码提交了吗？测试通过了吗？如果卡住了或失败了，系统会自动重试（最多 3 次），并给出更详细的说明。
上午 11:00 - 代码提交完成
AI 程序员完成代码，创建了一个“待审查”的提交。但 Elvis 这时还不会收到通知，因为还没完全做好。
系统定义的“做好”标准是：代码提交了、没有冲突、测试全通过、三个 AI 审查员都批准了、有界面截图（如果改了界面的话）。
上午 11:05 到 11:15 - 三个 AI 审查员检查代码
三个不同的 AI 开始审查代码：
Codex：检查逻辑错误和边界情况（最靠谱）
Gemini：找安全问题和性能问题（免费还好用）
Claude Code：做最后验证（有点过于谨慎，Elvis 只看它标记为“严重”的问题）
三个 AI 直接在代码下面写评论。
上午 11:20 - Elvis 收到通知
手机收到消息：“功能 #341 做好了，等你审查。”
这时测试全过了，三个审查员都批准了，还有界面截图。Elvis 花 5 分钟看了看截图和关键评论，点了“确认”。功能上线。
从会议结束到功能上线，总共 70 分钟。Elvis 实际工作时间不到 15 分钟。
这让我意识到，AI 的价值已经不只是“写代码更快”，而是让你从“执行者”变成“决策者”。你不用盯着屏幕敲代码，只需要定义需求、审查结果、做最终决定。
成本对比：190 美元 vs 15 万美元
Elvis 每月花费：
Claude API:100 美元
Codex API:90 美元
总计：190 美元/月
如果你刚开始试，可以从 20 美元/月起步。
硬件方面，Elvis 最初用的是 16GB 内存的 Mac Mini，能同时运行 4-5 个 AI 程序员。但每个 AI 都需要独立的工作空间和依赖包，内存很快就不够用了。
所以他买了一台 128GB 内存的 Mac Studio（3,500 美元），能稳定运行 15-20 个 AI 程序员。这是一次性投入。
对比传统方案：雇一个全职程序员，年薪至少 10 万美元（约 8,300 美元/月）。要达到 Elvis 的产出（日均 50 次提交），需要 2-3 个程序员，年成本 20-30 万美元。
Elvis 的系统年成本：2,280 美元（API）+ 3,500 美元（电脑）= 5,780 美元。
节省 95% 以上。
但这里有个关键认知：不要把 AI 当“廉价员工”，要把它当“力量放大器”。
Elvis 做最重要的工作：决定产品方向、理解客户需求、审查代码质量、做架构决策。AI 接管的是重复性的编码、测试、文档工作。
这种分工让 Elvis 能专注于只有人类能做好的事：判断、创造、沟通。
怎么搭建：五个关键步骤
步骤 1：选择你的“项目经理”和“程序员”
你需要：
1 个 AI 项目经理：OpenClaw（免费开源）
至少 2 个 AI 程序员：Codex、Claude Code、Gemini（按需付费）
为什么要多个 AI 程序员？ 因为它们各有专长：
Codex：适合复杂逻辑、后端代码、跨文件修改。慢但靠谱，Elvis 90% 的任务用它。
Claude Code：速度快，适合前端界面和 git 操作。
Gemini：设计感强，适合生成漂亮的界面设计稿。
AI 项目经理 Zoe 会根据任务类型自动选择：计费系统的 bug 给 Codex，按钮样式调整给 Claude Code，新页面设计从 Gemini 开始。
你要做的：安装 OpenClaw，配置至少两个 AI 程序员的 API。预算有限的话，先从 Codex + Claude Code 开始。
步骤 2：建立“业务知识库”
这是最容易被忽略但最关键的一步。AI 项目经理的价值，就在于它记住了 AI 程序员看不到的信息。
Elvis 用 Obsidian 存储：
客户信息：谁是谁、他们做什么生意
会议记录：客户说了什么、为什么要这个功能
决策历史：我们试过什么、为什么失败了
成功经验：哪种方式有效
当 AI 程序员失败时，Zoe 不是简单重试，而是结合业务背景重新说明任务。比如：
“停！客户要的是 X，不是 Y。这是他们在会议上说的。”
“这是客户的邮件，看看他们公司做什么业务。”
你要做的：选一个笔记工具（Obsidian、Notion、甚至 Word 文档），开始记录：每次客户对话的要点、每个功能决策的原因、每次失败的教训。两周后，你就有一个初步的知识库了。
步骤 3：设置“自动监工”
你需要知道 AI 程序员在做什么，但不能每 5 分钟就去问（太贵）。
Elvis 的方案：用一个文件记录所有任务，用自动脚本定期检查。
每个 AI 程序员开工时，在一个 JSON 文件里创建一条记录：任务是什么、在哪个分支工作、进度如何。一个自动脚本每 10 分钟运行一次，检查：
AI 程序员还在工作吗？
代码提交了吗？
测试通过了吗？
这个脚本不问 AI“你在做什么”（太贵），而是检查可观察的状态。只在真正需要人工干预时（连续失败 3 次、卡住超过 30 分钟）才发警报。
你要做的：创建一个简单的任务记录表（Excel 或 JSON 文件），写一个监控脚本。第一版可以很简单：每 15 分钟检查一次，如果任务超过 1 小时没完成，发邮件提醒你。
步骤 4：让系统“越用越聪明”
标准的 AI 工作流是：接任务 → 干活 → 提交结果 → 记录经验。但大多数系统的问题是，任务说明本身不会进化。
Elvis 的改进版让 Zoe 能根据失败原因动态调整任务说明。当 AI 程序员失败时，Zoe 会分析：是信息不够？方向错了？需要澄清？然后用业务知识重写任务说明，而不是机械重试。
更厉害的是，Zoe 会主动找活干：
早上：扫描错误日志，发现 4 个新 bug，创建 4 个 AI 程序员去修复
会后：扫描会议记录，标记 3 个功能需求，创建 3 个 AI 程序员去实现
晚上：扫描代码提交历史，创建 AI 去更新文档
Elvis 散步回来，手机通知：“7 个功能做好了。3 个新功能，4 个 bug 修复。”
当 AI 程序员成功时，经验被记录下来：“这种任务说明适合计费功能。” “Codex 需要提前知道数据结构。” 随着时间推移，Zoe 写的任务说明越来越精准。
你要做的：从简单的失败日志开始。每次 AI 失败，记录：任务是什么、为什么失败、你怎么修复的。一个月后，你会看到规律——某些类型的任务总是需要特定的信息。把这些规律教给你的 AI 项目经理。
步骤 5：设置“三重质检”
人工检查每个代码提交太慢，但直接上线 AI 写的代码太危险。三重审查是平衡点。
Elvis 用三个 AI 审查每次代码提交：
Codex：最彻底，找逻辑错误和边界情况
Gemini：免费，找安全和性能问题
Claude Code：有点过于谨慎，但能验证其他审查员的发现
三个 AI 直接在代码下面写评论，Elvis 只看标记为“严重”的问题。
他还加了一条规则：如果改了界面，必须附上截图，否则测试不通过。 这让他能在 5 分钟内完成审查，看截图就知道改了什么，不用打开预览环境。
你要做的：至少配置两个 AI 审查员（推荐 Codex + Gemini，因为 Gemini 免费）。让它们直接在代码下写评论。如果你的项目有界面，强制要求截图——这能节省 80% 的审查时间。
真实效果：从“敲代码”到“做决策”
但系统不是完美的。
Elvis 坦言，复杂的架构决策、跨多个服务的大改动、需要深度专业知识的 bug，还是要他亲自处理。AI 程序员擅长的是“任务明确的中小型工作”，给定清晰的输入和预期输出，它们能一次搞定。
但让我印象深刻的是工作性质的转变。
以前，Elvis 的一天：写代码 6 小时，开会 2 小时。
现在：定义需求 1 小时，审查代码 2 小时，开会 2 小时，其余时间思考战略或休息。
产出反而提高了，从日均 10-15 次提交到 50 次提交。
数据对比：
更重要的是心态转变。Elvis 说：
“不要把 AI 当廉价员工，要把它当力量放大器。我还是要做最重要的决策——产品方向、架构选择、代码质量标准。AI 接管的是我不想做、也不应该做的重复性工作。这让我能专注于只有创始人能做的事：理解客户、定义产品、建立信任。”
从管理代码到管理 AI 团队，他找到了一个人对抗大公司的方法。
10 分钟快速上手
如果你想复制这套系统，最快的方法是：把这整篇文章复制给 OpenClaw，告诉它：“帮我搭建这套系统。”
OpenClaw 会自动创建脚本、设置目录结构、配置监控程序。10 分钟搞定。
核心文件：
.clawdbot/active-tasks.json：任务记录表
scripts/monitor-agents.sh：监控脚本
scripts/spawn-agent.sh：启动 AI 程序员的脚本
.clawdbot/context/：业务知识库
第一次运行时，系统会问你：用哪些 AI 模型？代码在哪里？怎么访问数据库（只读）？回答这些问题，系统就能开始工作了。