彼得·斯坦伯格在一个小实验室里用简单的提示让AI生成可运行原型，几周后就成了全球现象，OpenClaw就这样诞生了。要是不读这篇文章，你可能没法搞懂为啥以后的团队里大家会越来越像产品设计师，而不是像以前那样整天敲代码。他把对AI和开源结合的好奇心变成了实实在在的项目，用Codex这种模型快速从想法变成了原型，还通过开源吸引了全球的人来帮忙。 其实这也不是特例，很多行业现在都在从手工写代码变成用提示来干活。提示这东西可不是偷懒的捷径，而是指挥AI干活的语言。一般的流程是：把问题说清楚，让AI写出草稿代码，在本地或者沙箱里跑跑看行不行，根据结果再改改提示词，最后合到主分支里去。像Codex这样的模型主要负责在原型阶段多造几个候选方案，这样开发者就能把精力花在琢磨架构、用户体验和边界条件这些关键问题上。 不过开源也带来了麻烦：一方面是大家热情高、迭代快；另一方面质量参差不齐、方向容易跑偏，甚至还得防着安全漏洞。为了管住风险，OpenClaw搞了结构化的贡献指南和严格的代码审查流程，用模块化的架构来缩小攻击面。还有就是把所有外部生成的代码都放进沙箱里跑，只给最小的权限执行。 关于技术上的难题，其实解决起来也简单。安全方面得把调用令牌和模型纳入审计链条里去，还得在CI流程里加上对AI产物的自动检查。想扩展得好就得在调用成本、控制并发和缓存策略之间找平衡，常见的做法是边缘缓存和请求批处理。要想让人能上手快，就得有完善的示例工程、分级别文档还有友好的UI界面。但这里面有个现实的权衡：隔离得越严实体验就越差；门槛降得越低治理成本就越高。 角色也变了：以前都是代码工匠的工作变成了现在的提示工程师、验证者还有系统设计师。要学的新技能也变多了：提示怎么设计、怎么审查AI的输出、安全意识以及怎么自动化测试AI搞出来的东西。合作节奏也快多了，大家都在维护一个共享的提示库和例子库。 项目能不能长久活下来不光是技术问题，还有模式问题：找赞助、企业支持或者弄个双许可证收钱都是办法。不过项目太依赖某个大模型平台也有风险——万一人家策略变了或者不给用了怎么办？所以得准备好几条路——分散模型供应并且保留本地的备用方案。 这里有10条立马就能用的建议：先在小范围试试提示生成代码再测试修正这套流程；建好提示库和模板还得做好版本控制；在CI里加AI产物的静态和运行时测试；给外面来的贡献设定个最低合入标准；给令牌用设定个额度并纳入审计流水线；所有外部生成的代码都放进沙箱最小权限执行；缓存模型的输出来省钱还能降低延迟；准备好几条模型供应的策略以防某条路不通；用分级别文档和示例工程降低新手上手难度；定期办点线下或者线上的活动来维持大家的热情。 总的来说就是把重复的活交给AI去干，把判断的活留给人类来做。虽然很多项目都会用这种提示驱动的工作流，但怎么管怎么教才是关键。千万别怕当那个第一个懂提示的人——他要么把你取代了，要么把你变成团队里最值钱的人。多试试、多学学、多贡献点才是现在最实在的生存法则。