AI Coding的终极形态不是让AI写得更好，而是让人类从写代码变成驯服代码。一个程序员用Claude Code搭建智能养龟系统的案例，揭示了开发者的新角色：不是写代码的人，而是给AI设定边界、审核输出、维护系统的人。代码能力正在贬值，系统思维和需求定义能力正在升值。

AI Coding 的终极形态——不是写代码，是驯服代码

一个程序员，用 Claude Code 给自己搭了一套智能养龟系统。

摄像头拍画面，NAS 存录像，传感器监控水温，本地大模型每半小时分析乌龟行为——谁霸占了晒背台，谁偷偷换了位置，谁今天最活跃。报告自动推送到手机上。

没写一行代码。整个过程就是跟 Claude Code 聊天。（来源：少数派《程序员养龟有多离谱》）

这不是段子。这是 AI Coding 能力的真实边界测试——当一个开发者把 Claude Code 用到生活场景时，发生的事比任何 demo 都有说服力。

Claude Code 养龟：AI Coding 溢出到生活的瞬间

养龟系统真正有意思的地方不在于"AI 写了代码"，而在于整个系统的构建方式。

作者叶水水的 Home Assistant 里，龟缸的摄像头画面、水温湿度、加热棒功率、24 小时趋势图、温度异常告警——全部集成在一个仪表盘上。

每半小时，系统自动从 NAS 录像里抽帧做画面变化检测，截取活跃时段的精华视频，再用本地跑的 Gemma 4 大模型逐帧分析，生成一段像朋友聊天一样的行为报告。

这些环节涉及的技术判断不少：只传 mp4 头部 5MB 而不是整个文件，用 ffmpeg stream copy 而不是重编码，逐帧分析再汇总而不是多图一起扔给模型。但所有这些判断都是 AI 做的。 作者说自己的角色更像产品经理：说需求、看效果、给反馈。

一开始 prompt 让模型"分析哪只最活跃"，输出很八股。他改成"像朋友聊天一样说说"，输出就对味了。这个细节很关键——你不需要懂技术，你需要懂你想要什么。

成本几乎为零。硬件家里都有，软件全开源，AI 推理跑本地，Mac 每月多费大概 3 块钱电。

这就是 AI Coding 溢出到生活的瞬间——当一个开发者用和上班同样的工具，解决了完全无关的生活问题。

把养龟系统、Ryan 的幽灵库、以及 GSD 框架（一个解决"上下文腐烂"的开源项目，5 天 5 万 Star）放在一起看，一个清晰的跃迁路径浮现出来。

AI 写项目——Vibe Coding 正在做的事。你说一句话，AI 帮你从零搭出一个完整应用。但仍然依赖你坐在终端前，持续给出指令，持续管理上下文。养龟系统就是这个层面的作品。

AI 构建系统——刚刚开始的事。Ryan 的幽灵库不需要人类写代码，GSD 的主窗口不需要碰代码，养龟系统也不需要。AI 不再是帮你"写"，而是帮你"建"——建仪表盘、建自动化管线、建一整套可以自主运行的系统。OpenAI 的 Ryan 把这叫做 Harness 工程。

核心转变在于：你不给 AI 写代码的指令，你给它一个完整的上下文环境，让它自己决定怎么建。

这就是为什么 Ryan 团队的代码库里只有 6 个 skills——他们不是在"用 AI"，是在"养 AI"。给 AI 足够的上下文、规范和自主权，它会自己找到最优路径。

害怕"被 AI 替代写代码"？这个担心已经过时了。AI 早在 Copilot 时代就能写代码了。

真正值得关注的是：当你不写代码也能构建系统的时候，你的核心竞争力变成了什么？

养龟系统的作者不是不会写代码——他做了一系列精准的技术判断，只是选择让 AI 去执行。Ryan 不是不懂代码——他设计了七层架构、500 个 npm package、一分钟构建纪律，只是选择不再碰代码本身。

核心竞争力的转移在于：从编码能力到系统思维。 能不能把隐性知识显性化为系统规范？能不能为 AI 设计一个足够好的上下文环境？

AI Coding 的终极形态不是"让 AI 写代码"。是让 AI 接管整个系统，而你只需要做那个定义"好"是什么的人。 就像养龟系统的作者——他不需要知道底层工具的配置，他只需要说"像朋友聊天一样说说今天龟在干嘛"。

AI 听懂了。系统就建成了。