节目信息

《Pragmatic Engine》 | 整理时间：2026年1月30日
版本: 剪辑版

本期嘉宾：Peter Steinberger (OpenClaw/Clawbot 作者，PSPDFKit 创造者)
主持人：Ben Halpern

---

节目简介

本期节目采访了 OpenClaw（原名 clawbot）作者 Peter Steinberger，探讨了 AI 时代软件开发的深刻变革。Peter 分享了他从 PSPDFKit 创始人到职业倦怠，再到回归并用 AI 技术重塑开发流程的完整心路历程。节目深入讨论了为什么代码审查已不再必要、拉取请求应改称为”提示请求”，以及闭环原则如何区分高效的 AI 系统编程与糟糕的氛围编码。

---

核心话题讨论

话题 1：从 PSPDFKit 到职业倦怅的创业历程

Peter: “我来自奥地利的农村地区，性格一直内向孤僻。直到家里有位计算机爱好者客人来访，我对他使用的那台机器产生了浓厚兴趣，从此便爱上了科技。”

Peter: “我开发了 PSPDFKit，这款 PDF 框架被超过十亿台设备所使用。随后我遭遇职业倦怠，出售了股份，并在三年内淡出科技行业。”

Peter: “那段时期，我几乎每个周末都在工作，作为 CEO，你本质上是承重的腰带，因为其他人无法处理或管理的事情都必须由你来解决。即使发生再严重的事情，我也无法公开谈论。一家大型飞机公司因软件崩溃导致航班停飞，那是一个非常特别的周末。持续一段时间后，我开始相信问题并不一定源于工作过度，而更多来自对项目失去信念或存在过多冲突。”

💡 要点: Peter 分享了从技术少年到成功创业者的完整路径，以及最终导致职业倦怠的真实原因——不是工作过度，而是失去信念和团队冲突。这个过程让他选择在成功后退出行业三年。

---

话题 2：AI 时代的回归与认知重构

Peter: “当我三年后重新坐回到电脑前，我发现一切都变了。我错过了一切——GitHub Copilot、CloudCode、Cursor。我就像个新手，需要在我不熟悉的技术栈里搜索最基础的内容，这真的让人感到痛苦。”

Peter: “于是我回来了，心想天哪，这 AI 到底是什么。人们为何轻视这种人工智能技术？我拿了一个庞大的侧边项目，开发了一个浏览器扩展，将 GitHub 仓库转换为一个 1.3 兆字节的 Markdown 文件，拖入 Claude，它自动生成了 400 行的规范，然后输入构建命令。”

主持人: “AI 声称代码已具备生产就绪能力，结果却崩溃了。这是一个相当有趣又无害的故事，但我个人不会信任由人工智能生成并自我验证的代码。”

Peter: “当我操作 MCP 时，它完成了一些操作，虽然不算完美，但确实产生了效果。对我来说，那一刻堪称震撼，简直不可思议。从那一刻起，我有几个月时间严重失眠，几乎无法入睡。”

💡 要点: Peter 在离开三年后重新面对技术世界，经历了从困惑到震撼的转变。AI 工具让他看到了无限可能，但也带来了失眠般的兴奋。这种体验让他重新定义了软件开发的方式。

---

话题 3：不读代码的编程哲学

Peter: “我的上一篇博客文章是关于我承认自己会打包代码的分享，同时我不阅读代码。这在过去听起来很荒谬，但现在成了我的工作方式。”

Peter: “大多数应用程序的运作方式是数据以某种形式从 API 进入，你对其进行解析、打包成另一种形式、存储到数据库中，此时又是一种不同的形式。数据再次以不同形式输出，例如 HTML。你做的就是持续地在应用程序的不同阶段对数据进行处理和转换。”

Peter: “总有有趣的部分，但我无需关注按钮的对齐方式，也无需在意使用了哪个 Tailwind 类。许多细节很枯燥，而其他一些细节则很有趣。我认为这更多关乎系统架构，而非逐行阅读每个文件。”

主持人: “那拉取请求呢？你还做代码审查吗？”

Peter: “我已经不做代码审查了。我认为拉取请求应该改称为提示请求（Prompt Request）。因为现在的代码是 AI 根据提示生成的，我们审查的不是代码本身，而是生成代码的提示。”

💡 要点: Peter 提出了颠覆性的观点：在 AI 时代，代码审查变得不再必要，重要的是审查生成代码的提示。他关注系统架构而非实现细节，这代表了软件工程范式的根本转变。

---

话题 4：闭环原则与高效 AI 编程

Peter: “我如何让模型始终具备验证自身工作能力，从而自动引导我采用更优的架构？这就是闭环原则的重要性。”

Peter: “以我上一个项目为例，文档非常完善，我本人并未编写任何代码，完全不写测试，而是专注于撰写文档，详细说明模型设计与权衡取舍，说明这样做的原因，然后清晰地写出来。每次设计功能时，编写文档都是流程的一部分，测试也同样如此。”

Peter: “我一直在思考如何建立反馈闭环，如何让 AI 始终具备验证自身工作的能力，从而自动引导我采用更优的架构。这种闭环原则将高效的 AI 系统编程与糟糕的氛围编码区分开来。”

主持人: “那么你认为为什么仍有一群经验丰富的开发者坚持反对人工智能能够完成大量这类工作呢？”

Peter: “我看到一篇博客文章，作者测试了大约五到六个模型。他只是写了一个提示词，然后输入到 Claude，点击发送，把输出结果运行，代码无法编译，因此感到失望。当然不会奏效，你以为我第一次就能写出毫无缺陷的代码吗？那些模型本质上是我们集体人类知识的幽灵，它们不可能一次就完全正确，这正是需要建立反馈闭环的原因。”

💡 要点: Peter 强调了闭环原则在 AI 编程中的核心作用——让 AI 能够验证自身工作，建立反馈机制，而不是期望一次生成完美代码。这区分了高效的 AI 编程和糟糕的”氛围编码”。

---

话题 5：软件开发模式的根本转变

Peter: “我可以只用 30% 的人就运营一家公司。但找到达到这种水平的人可能相当困难。你需要的是真正资深的工程师，他们不仅深刻理解自己所构建的内容，同时也能从容地进行任务委派。”

Peter: “我不相信先规划好所有内容，然后一次性完成开发的瀑布模式。在真正动手构建之前，怎么可能清楚知道自己究竟想要打造什么？你在构建过程中学到的许多东西，都会反过来影响你对系统最终形态的思考。”

Peter: “对我来说，这就像一个循环，你不可能直接走上山，而是要绕行，有时候会偏离路径，但最终总会到达顶峰。”

Peter: “即使团队中有新入职的员工或实习生，你给他们分配任务，他们工作一两天后，再分配下一个任务，这并不是一两天的事，我们讨论的其实是几分钟的时间。即使任务耗时较长，最多也不过十几二十分钟，而且你并非在单纯等待，同时还有其他任务并行运行。”

主持人: “这意味着编程成本的降低改变了开发模式？”

Peter: “是的。现在编程成本变得极其廉价，我可以直接丢弃代码或者重新运行。我的构建模型通常非常高效，很少需要回滚或返回修改，基本上就是直接进入下一步。就像雕琢一样，我深爱着这个过程，就像从一块石头开始，不断削去不同部分，逐渐地，雕像便从大理石中显现出来。”

💡 要点: AI 让代码编写的成本变得极其廉价，这改变了软件开发的基本模式。不再需要详细的前期规划，而是通过快速迭代、持续反馈来雕琢产品。这种探索性的开发方式更符合软件的本质。

---

话题 6：OpenClaw/Clawbot – 下一代 AI 个人助理

Peter: “四五月期间，我曾希望拥有一位高度个性化的助理，而不是那种只会给你发送早安邮件的普通助理。”

Peter: “没有人能真正深入了解我，不会只是在我见完朋友回家后突然提醒我，’嘿，那次会面怎么样’，也不会在某天早上醒来时说，’嘿，你已经有三周没给托马斯发消息了，我注意到他现在就在城里，因为我查看了他的 Instagram 账号’。”

主持人: “这就是你开发 Clawbot 的初衷吗？”

Peter: “是的。Clawbot（后更名为 OpenClaw）是一个基于 Claude 构建的个人助理项目，它能够真正理解我的生活和工作，提供高度个性化的服务。它不是那种通用的 AI 助理，而是深度集成了我的个人数据和工作流程。”

Peter: “这个项目在社区中反响热烈，增长速度超乎想象。我从未见过一个社区项目能如此快速地爆发式增长。”

💡 要点: OpenClaw/Clawbot 的核心理念是打造真正个性化的 AI 助理，它能够主动理解用户的生活状态、社交关系和工作需求，提供超越传统助理的智能服务。这种深度个性化的 AI 助理代表了未来的方向。

---

话题 7：MCP – 工作操作系统的安全协议

主持人: “你提到了工作操作系统和 MCP，能详细解释一下吗？”

Peter: “MCP（Model Context Protocol）是工作操作系统引入的身份认证机制，使团队能够为 AI 代理设定明确的权限边界，实现企业级的安全性。”

主持人: “为什么需要这样的机制？”

Peter: “传统的认证机制并未为 AI 代理场景设计。你需要为代理可访问的数据范围及可执行的操作设定明确边界，无需共享敏感的 API 密钥。如果你正在构建 AI 能力功能，又希望快速共享同时不牺牲安全性，MCP 提供了完美的解决方案。”

Peter: “比如在我的个人助理项目中，AI 需要访问我的日历、邮件、社交媒体等数据，但我不希望它能够执行某些敏感操作。MCP 让我能够精确控制 AI 的权限范围。”

主持人: “这在企业环境中特别重要吧？”

Peter: “绝对重要。企业需要为 AI 代理设定严格的权限边界，确保它们只能访问必要的数据，只能执行特定的操作。这正是 MCP 解决的核心问题——在不牺牲安全性的前提下，让 AI 代理能够有效工作。”

💡 要点: MCP（Model Context Protocol）是 AI 时代的企业级安全协议，它为 AI 代理设定了明确的权限边界，解决了数据安全和访问控制的问题。这对于构建可信赖的 AI 系统至关重要。

---

话题 8：命令行工具 vs MCP – 技术选择的权衡

主持人: “我注意到你在项目中大量使用命令行工具，为什么这是唯一的选择，而不是 MCP 呢？”

Peter: “每样东西都有对应的命令行工具，比如谷歌、我的床、灯和音乐。目前命令行工具的效率要高得多。”

Peter: “模型在使用 bash 方面表现非常出色。想象一下，如果你有一个更强大的服务，模型可以请求获取可用的命令列表，然后返回大约五百个命令，接着它必须从这些命令中挑选一个合适的参数。”

主持人: “但 MCP 似乎提供了更结构化的方式？”

Peter: “确实，但存在局限性。模型必须发送一段精确的查询数据，才能获取返回的 JSON 数据。然后你输入’给我伦敦的天气’，系统会返回天气、温度、风速、降雨等五十多个信息项，而我其实只关心是否下雨。”

Peter: “你的上下文中却充斥着大量冗余信息。相比之下，如果是命令行工具，我只需使用 grep 和 cursor 过滤器来精准获取所需内容。”

主持人: “那 MCP 的未来发展方向是什么？”

Peter: “这正是当前企业正在构建的方向——让 MCP 不需要在上下文中预先加载，而是能够动态发现并决定使用哪一个。但我仍然无法轻易编写脚本，比如要求获取所有温度超过 25 度的数据，然后仅筛选出其中相关信息，并将其打包为一条命令。”

💡 要点: 命令行工具在当前阶段比 MCP 更高效，因为它们允许精准过滤数据，避免上下文被冗余信息污染。MCP 的未来在于动态发现和更灵活的数据处理能力。

---

话题 9：Porter 工具 – 桥接 MCP 和命令行

Peter: “我开发了 Porter 这个工具，它是一个小型 TypeScript 库，能够将 MCP 转换为命令行工具。所以基本上你只需将其打包即可。”

主持人: “这个工具解决了什么问题？”

Peter: “它让你能够充分利用 MCP 生态系统的同时，保持命令行工具的高效性。你可以使用任何 MCP，甚至可以通过手机直接操作。比如告诉它’使用 Versa MCP 来完成这些任务’，系统会自动跳转到网站，找到对应的 MCP，加载并按需调用。”

Peter: “目前在 Cursor 中虽然没有原生 MCP 支持，但通过 Porter，你可以无缝集成各种 MCP 服务。这大大提升了开发效率。”

主持人: “这听起来像是一个实用的解决方案。”

Peter: “是的，但仍然存在改进空间。比如现在使用 MCP 还需要重启 Cursor，这一操作非常不友好。随着免费人工智能的发展，我们终将解决这个问题，只是需要一些时间。”

💡 要点: Porter 工具巧妙地桥接了 MCP 和命令行工具的优势，让开发者能够在享受 MCP 生态系统的同时，保持命令行工具的高效性和精准性。这代表了务实的工程思维。

---

话题 10：Clawbot 的技术架构与未来展望

主持人: “能分享一下 Clawbot 的技术架构吗？”

Peter: “Clawbot 的核心是基于 Claude API 构建的，但真正的价值在于如何建立闭环。我一直在思考如何让模型始终具备验证自身工作的能力，从而自动引导我采用更优的架构。”

Peter: “我的上一个项目文档非常完善，我本人并未编写任何代码，完全不写测试，而是专注于撰写文档，详细说明模型设计与权衡取舍，说明这样做的原因。每次设计功能时，编写文档都是流程的一部分。”

主持人: “这就是你所说的闭环原则？”

Peter: “是的。这种闭环原则将高效的 AI 系统编程与糟糕的氛围编码区分开来。我一直在思考如何建立反馈闭环，如何让 AI 始终具备验证自身工作的能力。”

主持人: “对于想构建类似项目的人，你有什么建议？”

Peter: “不要期望一次就能生成完美代码。那些模型本质上是我们集体人类知识的幽灵，它们不可能一次就完全正确，这正是需要建立反馈闭环的原因。当你看到有人说’AI 生成的代码无法编译，所以很失望’时，要知道他们只是写了一个提示词，然后输入到 Claude，点击发送，把输出结果运行。当然不会奏效！你以为我第一次就能写出毫无缺陷的代码吗？”

Peter: “AI 编程的关键在于迭代、验证、再迭代。这就是闭环原则的核心价值。”

💡 要点: Clawbot 的技术架构体现了闭环原则的实践——通过文档驱动开发、持续验证和迭代优化，让 AI 系统具备自我改进的能力。成功的关键不是一次性完美，而是建立有效的反馈闭环。

---

📚 技术术语

• PSPDFKit: Peter 开发的 PDF 框架，被超过十亿台设备使用，是企业级 PDF 渲染的领先解决方案。
• OpenClaw/Clawbot: Peter 最新开发的 AI 个人助理项目，基于 Claude 构建，提供高度个性化的智能助理服务。它能够主动理解用户的生活状态、社交关系和工作需求，超越传统助理的被动服务模式。
• MCP (Model Context Protocol): 工作操作系统引入的身份认证机制，使团队能够为 AI 代理设定明确的权限边界，实现企业级安全性。解决了 AI 时代的数据安全和访问控制问题。
• 闭环原则 (Closed Loop Principle): 让 AI 模型始终具备验证自身工作能力的设计原则，通过反馈机制自动引导采用更优架构。这是区分高效 AI 系统编程和糟糕”氛围编码”的关键。
• 氛围编码 (Vibe Coding): 缺乏闭环验证的 AI 编程方式，只依赖 AI 生成代码而不建立反馈机制，往往导致质量不佳。
• 提示请求 (Prompt Request): Peter 对传统”拉取请求”的重新定义，强调在 AI 时代应该审查生成代码的提示而非代码本身。
• Porter: Peter 开发的小型 TypeScript 库，能够将 MCP 转换为命令行工具，桥接了 MCP 生态和命令行效率。
• CloudCode/Cursor: AI 代码生成工具，Peter 回归后最先使用的开发工具，支持 AI 辅助编程。
• WebAssembly: PSPDFKit 采用的 Web 技术，使 PDF 渲染能够在浏览器中高效运行。
• 工作操作系统 (Work OS): 面向 AI 代理的新型操作系统概念，强调为 AI 设定权限边界和安全机制。
• bash/grep/cursor: 命令行工具，在 AI 编程中被证明比结构化 API 更高效，因为可以精准过滤数据。

---

💬 金句摘录

“AI 让代码编写变得极其廉价，但品味和验证才是关键。” —— Peter Steinberger

“代码审查已不再必要，拉取请求应改称为提示请求。” —— Peter Steinberger

“闭环原则将高效的 AI 系统编程与糟糕的氛围编码区分开来。” —— Peter Steinberger

“在真正动手构建之前，怎么可能清楚知道自己究竟想要打造什么？” —— Peter Steinberger

“编程就像雕琢，从一块石头开始，不断削去不同部分，逐渐地，雕像便从大理石中显现出来。” —— Peter Steinberger

“我可以只用 30% 的人就运营一家公司。” —— Peter Steinberger

“那些模型本质上是我们集体人类知识的幽灵，它们不可能一次就完全正确。” —— Peter Steinberger

“职业倦怠不是来自工作过度，而是来自失去信念和存在过多冲突。” —— Peter Steinberger

“我从未见过一个社区项目能如此快速地爆发式增长。” —— Peter Steinberger（谈 OpenClaw）

“没有人能真正深入了解我……这正是我开发 Clawbot 的初衷。” —— Peter Steinberger

“命令行工具的效率要高得多，因为可以精准过滤数据，避免上下文被冗余信息污染。” —— Peter Steinberger

“MCP 的未来在于动态发现和更灵活的数据处理能力。” —— Peter Steinberger

“AI 编程的关键在于迭代、验证、再迭代。这就是闭环原则的核心价值。” —— Peter Steinberger

---

🤔 思考与启发

本期节目展现了 AI 时代软件开发的深刻变革，带给我们的思考包括：

1. 从代码审查到提示审查的转变

传统软件工程中，代码审查是保证质量的关键环节。但 Peter 提出，在 AI 生成代码的时代，我们应该审查的是生成代码的”提示”而非代码本身。这代表了工作重心的根本转移——从关注实现细节转向关注需求表达和架构设计。

2. 闭环原则的核心价值

Peter 强调的闭环原则——让 AI 能够验证自身工作——可能是区分高效 AI 编程和糟糕使用的关键。这不是一次生成的完美主义，而是建立持续反馈、迭代优化的机制。这本质上是将敏捷开发的理念推向极致。

3. 成本降低催生新模式

当代码编写成本变得极其廉价，传统的”详细规划-严格执行”模式被打破。Peter 的”雕琢式”开发——快速尝试、即时反馈、持续调整——可能代表了未来软件开发的新范式。这不是不做规划，而是将规划融入到持续的探索过程中。

4. 品味和验证成为核心竞争力

当 AI 能够生成大量代码时，人类开发者的价值从”写代码”转向”判断好坏”。品味、架构思维、系统理解能力变得更加重要。正如 Peter 所说，他不需要关注按钮对齐这样的细节，而是专注于系统架构。

5. 团队结构的深刻变革

Peter 认为未来公司可以用 30% 的人力运营，但这需要更高水平的工程师——能够深刻理解系统、从容委派任务、与 AI 高效协作。这对开发者能力结构和团队组织方式都提出了新要求。

6. 个性化 AI 助理的未来

OpenClaw/Clawbot 项目展示了 AI 助理的真正潜力——不是被动响应指令，而是主动理解用户的生活状态、社交关系和工作需求，提供真正个性化的服务。这种深度集成的 AI 助理代表了未来的方向，远超当前只会发送早安邮件的”智能助理”。

7. 企业级 AI 安全的重要性

MCP（Model Context Protocol）的出现凸显了 AI 时代企业级安全的重要性。当 AI 代理需要访问敏感数据并执行操作时，如何设定权限边界、确保数据安全，成为企业必须面对的核心挑战。这不仅是技术问题，更是治理和合规问题。

8. 技术选择的务实主义

Peter 在命令行工具和 MCP 之间的选择体现了务实的工程思维。虽然 MCP 提供了更结构化的接口，但在当前阶段，命令行工具的精准性和效率仍然无可替代。Porter 工具的出现更是巧妙地桥接了两种方案的优势。这种”不追求完美，但追求实用”的态度值得学习。

9. AI 编程的成熟度模型

从 Peter 的讨论中，我们可以看到一个 AI 编程的成熟度模型：

• 初级阶段：写一次提示，期望完美输出（氛围编码）
• 中级阶段：建立基本反馈闭环，多次迭代优化
• 高级阶段：系统化文档驱动，AI 具备自我验证能力，形成完整的闭环系统

10. 开放生态的力量

OpenClaw 项目的爆发式增长说明了开放生态的巨大潜力。当 AI 工具足够优秀且真正解决用户痛点时，社区的力量会推动其快速演进。这提示我们，在 AI 时代，开放共享比封闭创新更有价值。

延伸思考：

• 当 AI 可以生成大量代码时，我们应该如何重新定义”优秀开发者”的标准？
• 闭环原则在实际项目中如何落地？需要哪些工具和实践支持？
• “雕琢式”开发如何与传统工程管理方法（如估算、排期）协调？
• 对于初级开发者来说，AI 编程时代如何成长？还是说经验变得更加重要？
• 代码审查真的会消失吗？还是会演变成新的形式？
• 个性化 AI 助理如何平衡隐私和功能？我们是否准备好让 AI 深度介入个人生活？
• MCP 等安全协议是否会成为企业 AI 应用的标配？它们如何与现有权限系统集成？
• 命令行工具在 AI 时代的特殊优势是否会持续？还是会被更智能的接口替代？

---

整理说明：本文字稿基于节目字幕内容整理，保留了核心对话和观点，删除了部分广告和无关内容，旨在帮助读者快速理解节目精髓。建议配合完整音频收听以获得最佳体验。