Velomask：游泳时也能远程写代码的AI编程调度平台

一边游泳一边写代码？这不是玩笑

Vibe Coding（氛围编程）的概念火了之后，开发者们一直在探索如何让AI代替自己写代码，而自己只需要动动嘴。这一概念由 Andrej Karpathy（前特斯拉AI总监、OpenAI联合创始人）在2025年初提出，他描述了一种全新的编程范式：开发者不再逐行编写代码，而是通过自然语言向AI描述意图，由AI完成实际的代码生成工作。开发者的角色从"编码者"转变为"指挥者"，核心能力从语法掌握转向需求表达和结果验证。

这一理念之所以能迅速在开发者社区引发热议，是因为它触及了软件开发长期以来的一个核心矛盾：开发者的大量时间花在了"将想法翻译成代码"这一机械性过程上，而非创造性的问题解决本身。从历史脉络来看，Vibe Coding 可以被视为编程抽象层级不断提升的最新阶段——从机器码到汇编语言，从汇编到高级语言，从高级语言到低代码平台，每一次跃迁都在降低"意图"与"实现"之间的转换成本。而 Vibe Coding 试图将这一成本降到接近于零：你只需要说出你想要什么，AI负责完成剩下的一切。这被视为软件开发民主化的重要里程碑，意味着不具备传统编程技能的人也可能参与到软件创造中来。

但有位B站UP主把这个理念推到了极致——他展示了如何在游泳池里，用手机给AI发送编程指令，游完一圈回来代码就写好了。

这背后的核心工具叫做 Velomask，一个基于互联网同步的远程 Coding Agent 调度平台。它的设计理念很简单：你在任何设备上发送任务，AI在云端节点上执行，所有设备实时同步结果。

Velomask 的核心工作流程

创建工作区并选择 Coding Agent

Velomask 的界面采用卡片式设计，每个卡片代表一个独立的工作区，对应不同的项目。创建新工作区时，你可以选择不同的 Coding Agent，目前支持 Claude Code、Codex 等主流方案。

这里需要理解 Coding Agent 与普通代码补全工具的本质区别。传统的代码补全工具（如早期的 GitHub Copilot）本质上是"自动补全的升级版"——它根据你当前正在编写的代码上下文，预测接下来的几行代码。开发者仍然是主导者，AI只是加速了打字过程。而 Coding Agent 则是一类能够自主完成编程任务的AI代理系统，具备理解项目上下文、规划执行步骤、读写文件、运行命令、自我调试等完整能力。

从技术架构上看，Coding Agent 通常基于 ReAct（Reasoning + Acting）循环运作：Agent 首先对任务进行推理和规划，将复杂目标分解为可执行的子步骤；然后通过"工具调用"（Tool Use）机制与外部环境交互——读取文件了解项目结构、执行终端命令安装依赖、编写并保存代码文件、运行测试验证结果。如果测试失败或出现错误，Agent 会分析错误信息并自动修复，形成一个完整的"计划-执行-验证-修正"闭环。这种自主性是 Coding Agent 区别于所有前代AI编程工具的根本特征。

Claude Code 是 Anthropic 推出的命令行编程代理，能够直接操作文件系统和终端，其优势在于对复杂代码库的深度理解能力和多步骤任务的规划能力；Codex 则是 OpenAI 推出的编程代理方案，基于 GPT 系列模型构建，在代码生成的广度和多语言支持方面表现突出。两者的共同核心特征是"自主性"——你给出目标，它自行决定实现路径，而不是每一步都需要人工确认。

选好 Agent 后，还需要选择模型（比如演示中用的 GPT-4 模型）和执行节点。平台支持指定任务发送到哪个计算节点上运行，如果你有多台服务器，可以灵活调度。

这种节点调度机制本质上是一种分布式任务编排架构——每个"节点"是一台运行着 Coding Agent 的服务器实例，拥有独立的文件系统和计算资源。当用户发送任务时，平台将指令路由到指定节点，Agent 在该节点的环境中执行代码生成、文件修改等操作。这种架构的精妙之处在于实现了"计算与交互的完全解耦"：用户设备（无论是手机还是电脑）只需要承担轻量级的消息收发，所有重计算——包括大语言模型的推理、代码的编译运行、测试的执行——都在云端节点完成。

实现这种实时同步的关键技术是 WebSocket 长连接协议。与传统的 HTTP 请求-响应模式不同，WebSocket 在客户端和服务器之间建立持久的双向通信通道，服务端可以主动向客户端推送消息。这意味着当云端节点上的 Agent 完成一个步骤或产生新的输出时，结果可以立即推送到所有已连接的设备上，无需客户端反复轮询。这也是为什么一部手机就能胜任"发送编程任务"这一操作的技术基础——手机端的计算负载几乎可以忽略不计，它只是一个指令发送和结果接收的终端。

工作目录支持原始目录和 Workspace 两种模式。

发送任务然后去游泳

整个操作流程极其简洁：

1. 在手机上打开 Velomask，进入对应项目的工作区
2. 用自然语言描述需求，比如"新增一个用户登录界面和注册界面"
3. 点击发送，系统自动创建工作区并开始执行
4. 把手机放到泳池边，去游泳

系统会先检查目录是否存在于指定节点上，确认后开始调用 Codex 进行代码生成。整个过程完全自动化，不需要人工干预。

游完一圈回来，拿起手机解锁，打开APP就能看到结果。AI不仅完成了代码编写，还会把工作过程折叠展示——你可以展开查看详细的执行步骤，也可以收起来只看最终成果。

多设备实时同步：手机与电脑双向互通

真正的跨设备无缝体验

Velomask 最打动人的设计在于基于互联网的双向实时同步。在泳池边用手机发送的任务和查看的结果，回到家打开 MacBook 登录同一个网页，看到的内容完全一致。

演示中，UP主将手机投屏到电脑上进行了直观对比：手机上显示的"新增一个用户登录界面"任务及其结果，与电脑网页端一模一样。不仅历史聊天记录完整保留，你还可以在电脑上继续发送新的任务指令。

双向同步的实际验证

为了验证同步的实时性，UP主在电脑端发送了一个新任务——"新增谷歌登录"。发送后立即切换到手机端查看，任务状态和AI的回复内容在两端完全同步，没有任何延迟感。

这意味着你的开发工作流可以真正做到场景无缝切换：通勤路上用手机发任务，到公司用电脑接着改，回家用笔记本继续——所有上下文都在。这种体验类似于我们已经习惯的云文档协作（如 Google Docs 或飞书文档），但应用场景从文字编辑扩展到了软件开发。核心区别在于，同步的不仅仅是静态的文本内容，还包括动态的任务执行状态、Agent 的推理过程、以及云端节点上的文件系统变更——这对后端的状态管理和数据一致性提出了更高的技术要求。

回到电脑：从对话到代码的最后一公里

当你回到电脑前，Velomask 还提供了更深度的开发能力。点击右上角可以打开终端，由于是本地连接到节点，延迟极低。更关键的是，你可以直接用 VS Code 打开项目代码，在AI生成的基础上进行手动修改和调优。

这就形成了一个完整的开发闭环：

• 移动端：发送自然语言指令，查看执行结果，轻量级交互
• 桌面端：查看完整记录，继续对话，打开终端和IDE进行深度开发
• 云端节点：实际执行代码生成任务，存储项目文件

这个三层架构的设计哲学值得关注：它承认了AI编程在当前阶段的能力边界。AI擅长处理结构化、模式化的编码任务，但在架构决策、边界情况处理、性能优化等方面仍然需要人类开发者的判断。因此，Velomask 没有试图用AI完全替代开发者，而是构建了一个"人机协作"的工作流——AI负责初始代码生成的"重体力活"，开发者负责审查、调优和决策的"脑力活"。移动端和桌面端的分工恰好对应了这两种不同性质的工作。

对开发者的实际启示

这个方案的价值不仅仅是"游泳时写代码"这个噱头。它实际上解决了AI编程时代的一个真实痛点：AI执行任务需要时间，而开发者不需要盯着屏幕等待。

传统的 Cursor、Copilot 等工具要求你坐在电脑前，看着AI一行行生成代码。但当任务足够明确（比如"新增登录注册页面"），你完全可以把它交给AI，自己去做别的事。Velomask 这类工具让这种异步开发模式变得可行。

事实上，异步开发模式正在成为AI编程工具的重要演进方向。传统的AI编程助手采用"同步交互"模式，开发者必须实时在场，逐步引导AI完成任务。但随着AI Agent能力的增强，越来越多的任务可以"一次性描述、自动完成"。GitHub 的 Copilot Coding Agent 允许开发者通过 Issue 分配任务给AI，AI在后台自动创建分支、编写代码并提交 Pull Request；Devin（由 Cognition Labs 开发）则定位为"AI软件工程师"，能够独立完成从需求分析到部署的完整开发流程；Google 推出的 Jules 同样支持后台异步执行编程任务。这些产品的共同趋势是将AI编程从"实时辅助"推向"后台自主执行"。

这种模式的核心价值在于释放开发者的注意力资源。认知科学研究表明，"上下文切换"（Context Switching）是知识工作者生产力的最大杀手之一——每次从一个任务切换到另一个任务，大脑需要15-25分钟才能重新进入深度专注状态。传统的同步AI编程工具反而加剧了这一问题：开发者需要在"等待AI生成"和"审查AI输出"之间频繁切换注意力。而异步模式允许开发者将任务批量提交后，将完整的时间块用于代码审查、需求讨论、架构思考或其他创造性工作，甚至是休息和运动——就像视频中展示的游泳一样。

当然，这种方式更适合功能明确、边界清晰的任务。从任务复杂度的角度来看，编程任务大致可以分为几个层级：最底层是"模式化任务"，如 CRUD（增删改查）接口开发、标准UI页面搭建、样板代码生成，这类任务有明确的输入输出规范和成熟的实现模式，AI可以高度自主地完成；中间层是"组合性任务"，如功能模块新增、API集成、数据流改造，需要理解现有代码库但实现路径相对清晰；最高层是"创造性任务"，如系统架构设计、性能瓶颈诊断、复杂业务逻辑建模，这类任务需要深度的领域知识、权衡取舍和创造性判断，目前仍然高度依赖人类开发者。异步AI编程模式在前两个层级上效果最佳，而对于最高层级的任务，坐在电脑前与AI进行频繁的交互式对话仍然是更有效的方式。

但对于日常的CRUD开发、UI页面搭建、功能模块新增等工作，"发个消息然后去游泳"可能真的会成为一种新的开发方式。