https://yistar.jiezeng2004.me 关注遗传发育与生物信息学，并把真实 AI 协作问题做成可控、本地优先、可审计的工具。 zh-CN https://yistar.jiezeng2004.me/build-log/vibe-coding-real-cost https://yistar.jiezeng2004.me/build-log/vibe-coding-real-cost Sun, 01 Feb 2026 00:00:00 GMT Vibe Coding 这个概念很吸引人：跟着感觉走，让 AI 帮你写代码。但在实际项目中，我发现"跟着感觉走"的成本并不低。 真实成本包括： 验证成本AI 生成的代码需要人工审查。不是所有代码都能一眼看出问题，有些 bug 需要运行测试甚至手动测试才能发现。上下文成本AI 不理解你的完整项目上下文。它可能用错库版本、忽略已有的约定、或者重复实现已有功能。边界成本AI 可能越界修改不该改的文件，或者引入不必要的依赖。没有明确的工作区限制，风险会放大。审计成本当 AI 产出出现问题时，你需要能够回溯：这段代码是谁生成的？基于什么上下文？修改了哪些文件？ 我的解决方案是建立验证流程： 每次 AI 生成代码后，先审查 Diff运行现有测试，确认不破坏已有功能对关键路径进行手动测试保留任务链路证据 Vibe Coding 的"vibe"不应该替代严谨的工程实践。AI 让编码更快，但验证环节不能省略。 这正是 PatchWarden 的核心理念：让 AI Agent 的产出可审计、可验证、可回滚。 https://yistar.jiezeng2004.me/build-log/chatgpt-local-agent-collaboration https://yistar.jiezeng2004.me/build-log/chatgpt-local-agent-collaboration Thu, 01 Jan 2026 00:00:00 GMT 经过几个月的实践，我逐渐形成了一个 ChatGPT 与本地 Agent 的协作模式。 ChatGPT 擅长的部分： 需求讨论和方案设计多种方案的比较和权衡概念解释和知识查询代码审查和逻辑推理 本地 Agent 擅长的部分： 在实际代码库中执行修改批量文件操作运行测试和验证生成结构化的 Diff 报告 我的工作流是： 在 ChatGPT 中明确需求，讨论多种方案确定最终方案后，用结构化格式描述任务将任务交给本地 Agent 执行审查 Agent 产出的 Diff 和验证报告决定是否接受修改 这个过程中，人始终是决策者。AI 是工具，不是替代者。 失败的经验同样重要。有些任务我高估了 Agent 的理解能力，导致执行结果偏离预期。有些任务我没有足够清晰地定义边界，导致 Agent 修改了不该改的文件。 这些失败让我更清楚地认识到：AI Agent 协作的核心不是让 AI 做更多，而是让人想得更清楚。 https://yistar.jiezeng2004.me/build-log/why-patchwarden https://yistar.jiezeng2004.me/build-log/why-patchwarden Mon, 01 Dec 2025 00:00:00 GMT 在日常使用 ChatGPT 讨论代码方案时，我发现一个反复出现的问题：讨论阶段和执行阶段是割裂的。 ChatGPT 能给出很好的方案建议，但它无法直接在我的本地代码库上操作。而本地的 Codex、Claude Code 虽然执行能力强，但缺少讨论阶段的上下文。 我把方案复制给本地 Agent 执行时，常常遇到： 工作区范围不明确，Agent 可能修改不该改的文件执行结果缺少结构化的验证报告整个过程没有可追溯的审计记录 PatchWarden 就是为了解决这个问题。它在 ChatGPT 和本地 Agent 之间建立一个受控通道：提取任务、限定范围、执行、返回 Diff 和验证报告。 这不是一个通用的远程 Shell，而是一个有明确边界的任务执行框架。每个步骤都有记录，每个修改都可回溯。 做这个工具的过程本身也是对"人与 AI Agent 如何协作"这个问题的一次实践探索。