Claude Code 折腾记

AI智能体随想里我写了'记忆编排是技术护城河'。现在我用 Claude Code 把它做出来了——MBTI 长期记忆 + 深度伴侣，以及当 AI 真的记住你说过的话时会发生什么。

用了好几年商业 VPN，终于决定自己搭。一个下午、一台 VPS、全程 Claude Code。中间 Shadowsocks 被封、证书申请踩坑，但最后搭出来的东西比我预期的完整得多。

GCP 开发机一天死了两次。第一次是 snap 包引发的无限崩溃循环，修完五项加固以为稳了。几小时后又死了——这次是内存管理的问题。Claude Code 两轮诊断、12 项加固、最后连机型都换了。一次关于 VM 运维纵深防御的完整记录。

claude code 的 agent team 让我把一个跨三层的大计划拆成十个任务，分给五个 agent 并行执行，lead 负责协调依赖、调度资源、处理冲突。一次 AI 工程协作的实战记录。

用五个 AI 并行构建了 Mio v0.0.2 之后，我用同样的 Agent Team 模式做了代码审查——四个专业审查员发现 2 个 BLOCK、2 个 WARNING，三个修复员按文件所有权并行修复，两个 changelog agent 完成了版本发布。构建和审查，是同一个工作流的两面。

一个 Claude Code session 里同时跑了三种协作模式：直接结对编程（用户反馈驱动三次生产部署）、后台 agent 并发更新文档、自治审查团队迭代三轮直到零问题——全部交叠进行。传统的 code-test-review-release 流水线被压缩成了并行流。

32GB 的 GCP 开发机——经过第三篇的升级和加固之后——又死了。一样的症状：SSH 超时，内核活着，用户态冻结。看门狗抓到了：五个 node 进程各占 2-2.7GB，合计约 13GB。我以为是 Claude Code，结果是 Cursor 远程服务器连续泄漏了 15 个小时。

有读者说我们的中文文章'用语很生硬'。我一看——确实，全是翻译腔。英文思维，中文外壳。于是我花了一周研究公众号爆款怎么写的，搞了 435 行写作指南，把整个中文写作管线推翻重建。这是那个过程的记录。

从发现 pretext 到在两个网站上线 7 个交互特效——爆炸物理、弹跳子弹、还有一只叫 Clawd 的像素螃蟹。一个 session 搞定。

两个账号都是企鹅，第二个还降级了。于是我让 claude 逆向它自己的宠物系统，把企鹅换成了金色传说龙。

看完 Trae 的 MTC 模式，我在 claude code 里做了个 /mtc skill。6 个阶段，不许跳步，先想清楚再让 AI 写代码。做游戏的时候效果比我预期好。

先是裸跑 Claude Code。再是 GSD 多 agent 仪式。再是 superpowers 的 skill 库。最后在上面包了一个自己的 orchestrator。每一版崩盘都来自一个具体 session。最后我才想明白：solo dev 的 harness 跟团队的不是一个物种，而且真正的答案不是选一个默认引擎——是按工作形状路由。

Solo dev 做设计，大多数时候 N=1——第一直觉就是唯一方案，因为做第二个版本要花一天。Claude Design 把这事拆了：一下午六个完全不同的视觉语言摆在面前。留下了什么、丢了什么、方向锁死之后 big-task 的 ui profile 接手怎么走——这篇讲这些。

同一条流水线——Claude Design 出方向、HANDOFF.md 锁死、`big-task` 落地——但每个产品都把它掰成不一样的形状。ÉLAN 是空地，需要宽探索。识川 app 已经上线，要按类目一个个迁移。盘盘猫是 monorepo，v2 跑三个并行品牌表达而不是一个方向。变的是什么，不变的是什么。

天天用 claude code 的人都撞过五小时用量墙，切号还要重新登录，正在跑的 session 也会丢。 我搞了两个工具：clauth fork 在活跃 session 底下做无感热切换和无人值守自动轮换， 菜单栏的 ccsbar 把每个账号的余量、预报和健康状况摆在明面上。这篇讲这套东西是怎么搭起来的。

上一篇让几个 claude 账号自己换着用，人还是拴在电脑前。这一篇把 agent 全挪到一台常开的机器上，手机随时连上去看进度、派新活，笔记本合盖它也接着跑。三个开源件各管一段——herdr 管 session、hcom 管通讯、Moshi 管手机——外加账号自动轮换兜底，凑成我目前跑得最顺的移动端 vibe coding 方案。这篇讲怎么搭，也讲踩过的坑。

opus 5.5 出来当天，我拿自己 11 个 repo 里的 22 个真实提交做了一轮 medium 对 high 的配对测试： 两档完成度一样，high 慢三分之一、多花三成多 token，但盲评里多抓出几个测试查不出来的真 bug。 再对一下 Artificial Analysis 的 Intelligence Index 数据，最后把默认档定成了 high。 文末按不同用法给了推荐。

codex 里的 agent 之前全跑 Astra/high，用量烧得很快。GPT-6 的 Sol 和 Luna 出来以后， 我拿七种模型和 effort 组合在真实 repo 上跑了三轮：自己的 monorepo、工作上三个 repo 的跨项目题、 还有盲测复现历史 PR。代码能写对的比想象中多，但在 agent 自己的集成 runner 里把真实调用路径也跑通的少很多， 好几份自测全绿的提交其实没修好。文末是最后定下来的分工表和几个派活规则。