从零打造AI编程Agent：一场Vibe Coding直播实录

一个雄心勃勃的起点：对标Cursor的"钢铁侠式"编程助手

这是一场从零开始的开发直播，创作者的目标颇为大胆——打造一款名为"Mayday"的编程Agent。按照他的描述，Mayday并不是Cursor的简单复刻，而是以电影《钢铁侠》中的Jarvis为灵感，试图做出"比Cursor更好"的东西。

最吸引人的设想在于交互方式。他计划让用户能够通过手机"呼叫"模型，模型也能主动"回电"：当代码出现问题时，Agent会打电话给开发者，念出可选方案，开发者选择后，任务便在远程继续执行。这种语音化、拟人化的编程助手概念，与市面上泛化的IDE工具形成了差异化定位。他明确表示，不想做一个"什么模型都塞进去"的通用工具，而是要在特定场景下做到更高层次。

整个项目的开发完全依托Claude Code Max计划展开。开场时他的用量显示"100 out of 100"，20倍额度，这为长时间的高强度"氛围编程"（Vibe Coding）提供了充足空间。

氛围编程（Vibe Coding） 是2025年初由Andrej Karpathy提出并迅速流行的概念，指开发者完全依赖AI生成代码，自己只负责提需求、看效果、给反馈，几乎不手动编写或深入阅读代码。这种工作方式的核心在于"感觉对了就继续推进"，而非传统意义上的逐行理解与调试。它降低了编程的技术门槛，但也带来新的挑战：当AI生成的代码出现深层bug时，不熟悉底层逻辑的开发者往往难以定位根因。Claude Code Max计划是Anthropic面向重度用户推出的订阅方案，提供更高的API调用额度与速率上限，专为长时间、高强度的AI辅助编程场景设计，20倍额度意味着用户可以在单日内发起远超普通用量的模型请求而不被限流。

模型选择的现实考量：Claude领先，Codex掉队

在直播过程中，创作者反复谈到当前主流编程模型的竞争格局，这部分内容对关注AI编程工具的开发者颇具参考价值。

他的核心判断是：Anthropic的Claude目前处于明显领先位置。他原本主用Codex（OpenAI系），但随着新模型陆续发布，Claude已经成为他更倾向的选择。他引用了一个观点——在基准测试上Claude是"两倍的智能"，并反复感叹Claude近期"状态火热"（popping off）。不过他也坦承Claude模型（尤其是Opus系列）响应速度明显慢于Codex，"用量更好，但也慢得多"。

对于成本敏感的任务，他推荐了一个有意思的实践策略：用便宜且快速的模型跑基础活。他多次提到"Luna"模型，称其每百万token仅约10美分，"又快又便宜还能干活"，适合在应用里充当"AI大脑"。他的原则很直接——"除非你要搭建非常安全的后端，否则就用能干活的那个"。有人嘲笑他用这类便宜模型，他的回应是：管用就行。

至于OpenAI，他的评价偏负面。他认为对方需要在智能层面大幅追赶，同时降低用量定价，"如果用量还是这么糟糕、模型又更弱，那永远玩不转"。

实战中的技术细节：多终端并行与权限管理

这场直播最真实的部分，是暴露了AI辅助编程在复杂场景下的种种痛点。

创作者希望Mayday能同时运行多个Claude Code终端（Agent），实现并行开发。他要求加入"工作树隔离（work tree isolation）"来避免多个Agent编辑同一文件时的冲突。但现实并不顺利——他反复遇到终端"卡死"的问题。经过排查，Claude给出的诊断是：被编辑的文件锁（claims）只有在stop hook触发或会话正常结束时才会释放，而被中断或强制杀死的进程两者都不会触发，导致文件锁一直滞留，其他Agent只能干等。

权限管理是另一个高频痛点。尽管开启了"auto mode"（自动模式），Agent仍不断弹出请求批准的提示，让他直呼"为什么开了自动模式还要问我"。他的解决方案是明确指令：除非是真正可能影响其他终端或损害项目的高风险操作，否则一律自动执行，无需审批。

还有一个被他戏称为"flash bang（闪光弹）"的交互设计失误：当Agent需要用户批准时，红色警示会覆盖整个屏幕而非仅标记单个终端，严重干扰工作。他最终把它改为仅让需要操作的终端边框显示闪烁的暗红色。

工作树隔离（Work Tree Isolation） 源自Git的git worktree功能，允许同一个代码仓库在多个独立目录下同时签出不同分支，各目录拥有独立的工作区状态。在多Agent并行开发场景中，每个Agent操作自己的worktree，可以避免直接在同一文件上发生写冲突。然而文件锁（File Lock）机制带来了新问题：Agent在编辑文件时会持有锁，正常退出时触发stop hook释放锁；但若进程被强制中断（kill），hook不会执行，锁便成为"僵尸锁"一直占用，其他Agent无法获取该文件的写权限，只能阻塞等待。这是多进程并发编程中的经典"资源未释放"问题，在AI Agent框架中因进程生命周期难以精确控制而更容易触发，通常需要引入心跳检测或超时自动释放机制来缓解。

语音输入与AI视频生成的尝试

除了核心的编程功能，创作者还为Mayday集成了语音转文字（TTS/听写）能力，希望用快捷键（如Control键长按）直接口述prompt。这个功能的调试过程相当曲折——识别不准、响应偏慢、热键冲突反复出现，他测试了不下十几次"testing testing"。他也提到了第三方工具Whisper Flow，但更倾向于自研一套TTS，以避免付费依赖。

一个意外亮点是AI视频生成。他用代码生成了一段产品宣传预告片，评价"视觉上简直疯狂"，仅音乐部分稍逊。他还提到了Hyperframes工具，称其"是有史以来最酷的工具"。这些尝试显示出，当下的AI工具链已经能让单人开发者在编程、设计、视频等多个环节快速产出。

Whisper 是OpenAI开源的语音识别模型，以高准确率和多语言支持著称；Whisper Flow 是基于Whisper构建的第三方桌面应用，专为macOS优化，支持系统级热键触发、实时转写并将结果直接插入当前输入焦点，是目前开发者群体中流行的"免双手"输入方案之一。创作者倾向自研TTS而非使用Whisper Flow，核心考量是避免第三方付费依赖和数据经过外部服务的隐私风险，同时自研方案可以更紧密地与Mayday的快捷键体系集成，减少应用间的切换摩擦。语音转文字在编程场景的主要价值是允许开发者在不打断思路的情况下快速口述长段prompt，尤其适合需要描述复杂需求或上下文时，打字速度本身成为瓶颈的场合。

一场真实的"氛围编程"缩影

这场直播最有价值的，不是最终产出了多完整的产品——事实上到结束时，Mayday仍处于早期阶段，核心的远程调用、语音交互等愿景尚未实现。它的意义在于真实呈现了"Vibe Coding"的工作状态：开发者更像一个指挥者，用自然语言向多个AI Agent下达指令，在它们彼此卡死、重复提问、理解偏差之间反复协调。

创作者在直播尾声选择结束，理由是接下来需要配置真实应用、处理敏感信息，不便在直播中进行以免泄露。整个过程既展示了AI编程Agent的巨大潜力，也诚实暴露了多Agent协同、权限控制、状态管理等尚未成熟的工程难题。对于想了解AI辅助编程真实体验的人来说，这是一份难得的一手记录。