用Claude从零构建操作系统:EMBER在真实笔记本上运行的全过程

开发者借助Claude,在数天内用AI协作从零构建出能在真实笔记本运行Doom的类DOS操作系统EMBER。
一位开发者将闲置联想Yoga笔记本作为测试平台,以Claude为主要编程工具,在几天内从零构建出一个名为EMBER的类DOS操作系统。系统实现了图形桌面环境、键鼠触屏支持、文件管理器、DOS程序兼容层,并能运行Doom等经典游戏,还通过软件模拟还原了Sound Blaster声卡与PC喇叭的硬件行为。开发过程并非"一键生成",而是"描述目标→AI实现→真机测试→记录失败→继续迭代"的循环。作者的核心感悟是:代码生成可以外包给AI,但方向判断、硬件验证与技术取舍依然不可或缺地属于人。EMBER项目展示了AI辅助开发在系统级编程领域的真实潜力与边界。
一位开发者把一台闲置的联想Yoga笔记本翻了出来,想看看Claude能走多远——目标是从零打造一个类DOS的操作系统,并且要能从U盘启动、跑在真实硬件上。几天之后,这个被命名为EMBER的系统真的跑起来了,能运行Doom、支持触摸屏、还实现了Sound Blaster声卡模拟。这个项目在Reddit上引发热议,也让人重新思考AI辅助编程的边界。
从一堆崩溃开始的迭代循环
第一个可用版本来得出乎意料地快,但绝非“一次成型”。早期构建问题一大堆:图形显示错乱、没有鼠标、没有键盘、没有声音,还有各种硬崩溃。
作者总结出的核心工作流非常朴素:描述目标 → 让Claude实现 → 编译 → 在真实硬件上启动 → 拍照/记录失败 → 继续迭代。这套循环没有任何魔法,靠的是不断把失败反馈喂给模型,再让它修正方向。

这一点值得特别注意:所谓“AI写操作系统”,并不是按一个按钮就产出成品。真实的开发过程充满了在物理硬件上验证、复现bug、否定错误方案的反复劳动。
EMBER现在能做什么
经过几天迭代,EMBER已经具备了一个相当完整的桌面操作系统雏形。作者列出的功能清单包括:
- 自有的启动流程与图形环境
- 键盘、USB鼠标、触摸板、触摸屏支持
- 屏幕虚拟键盘 / 平板模式
- 文件管理器、音频播放器、资源监视器
- DOS程序兼容层
- 运行Doom、Alley Cat、波斯王子等DOS游戏
- 完整的Sound Blaster声卡模拟
- PC喇叭(PC speaker)模拟
- UEFI启动支持的早期进展
对于一个几天时间、主要由AI生成代码的项目来说,这份清单的完整度确实令人意外。它已经不只是“能启动”,而是有了可用的图形界面和实际应用生态。
声音:这个项目最有意思的部分
作者认为声音支持是整个项目里最有趣的环节。最初Doom能跑,但完全没有声音。
第一步的临时方案是从源码重新编译Doom,让它直接调用笔记本的实际音频硬件。但这只解决了单个游戏的问题。随后团队走得更远——实现了真正的Sound Blaster硬件模拟,这样那些预期存在Sound Blaster声卡的未经修改的DOS游戏,就能正常发声了。
他们还实现了PC喇叭模拟,让那些依赖经典PC扬声器发声的老游戏也能工作。这意味着Doom和其他DOS游戏不再需要任何特殊的音频处理来出声——它们看到的就是一套“真实”的声卡环境。
性能瓶颈与缓存机制
性能是另一个大麻烦。项目一度出现拖动窗口或播放音频就把CPU占满的情况,图形界面卡顿到几乎不可用。
经过几个小时的调试,Claude实现了一套内存缓存机制,彻底改变了系统响应速度。同样的老硬件上,GUI从极度迟缓变得非常流畅。这类底层优化往往是操作系统开发中最考验功力的部分,能在AI辅助下解决,说明模型不仅能生成功能代码,也能参与性能层面的架构调整。
向UEFI迈进
EMBER最初依赖传统BIOS服务,这把它限制在了较老的硬件上。团队已经开始推进UEFI支持,让Ember能在只支持UEFI的新机器上启动。
作者坦言这个问题尚未完全解决,但已经取得了实质进展。这也符合整个项目“持续迭代、逐步扩展硬件兼容性”的调性。
AI辅助开发的真实体验
作者最大的感悟是:用这种方式使用AI,完全不是“按按钮、收软件”那种体验。
我大部分时间花在决定系统应该做什么、在真实硬件上测试、发现失败、否决糟糕的方案、引导下一步实现。没有人手动敲出这里的大部分代码,但仍然得有人来决定这个操作系统应该成为什么样子。
这句话点出了当前AI编程的核心分工:代码生成可以外包,但方向判断、验证和取舍依然属于人。AI承担了大量繁重的实现工作,而开发者的价值转向了产品定义、测试反馈与技术决策。
项目的源码目前已公开在GitHub(Made-In-Basement/ember),作者也放出了一段视频,展示从最初崩溃的启动画面到Doom运行、硬件支持、触摸屏、平板模式、性能问题直至当前EMBER GUI的完整历程。
这个项目意味着什么
EMBER并不是要取代任何主流操作系统,它更像是一次关于“AI能力边界”的公开实验。从裸机启动、驱动适配到声卡模拟,这些历来被认为门槛极高的系统级工作,如今可以在人机协作下几天内跑出可用成果。
对开发者而言,真正的启示或许在于工作方式的转变:把重复性的编码交给模型,把精力集中在架构判断和真实环境验证上。AI没有让操作系统开发变得毫无门槛,但确实大幅压缩了从想法到可运行原型的距离。
相关推荐

MIT衍生公司将塑料废料变身高韧性建筑材料
MIT衍生初创公司Atlas Building Composites将塑料废料转化为高韧性建筑与基础设施部件,探索塑料回收的高价值产业化出路。本文解析其技术路径与产业意义。

CCPS采样法:保留推理多样性,无需微调提升LLM表现
arXiv新论文提出Chopthin-Consensus Power Sampling(CCPS),通过保留推理多样性的重采样与语义多数选择机制,在不进行任何训练的情况下提升大语言模型推理准确率,最高绝对增益达10.6个百分点。

HardFlow算法:让生成式AI满足安全关键场景的硬约束
HardFlow是一种新算法,旨在让生成式AI在安全关键场景中严格遵守硬约束条件,同时保持高质量输出。本文解析其核心思路、技术难点与在机器人、工程设计等领域的应用前景。