人工智能、AGI、协作平台、Coding Agent、智能 Agent、大模型应用、AI 产品、个人独角兽……当我们把这些关键词串联在一起时，一位上市公司 CEO 用两天做出的“互联网行为艺术”便浮出水面。本文将还原李志飞从“0”到“1”的全过程，拆解他在技术、产品、认知上的方法论，并给出一线可落地建议，供研发、创业者和管理者参考。
为什么是“一人公司”？从大幅下滑的边际投入开始
传统开发一款企业协作工具，需要产品经理、交互设计、前后端、测试、运维等至少十几个岗位。一次改版动辄 4～6 周投入，加之人均 2 万以上的真工成本，任何需求都必须“优先级竞争”。而当 AI 编程工具成为 Co-Founder 的一天，事情被重新改写：
- 代码行数：4 万行 vs 300 行/人天，效率提升 100 倍。
- 人力资源：1 个 CEO vs 20+ 专业工程师。
- 时间窗口：48 小时 vs 1 个月。
真正让人惊讶的并不是绝对输出，而是“时间被压缩后，产品还能稳定跑通”。背后潜台词：大模型的生成能力 + Coding Agent 的闭环自测，正在磨平软件开发的“摩尔边界”。
👉点此围观仅用 2 天便上线的 AI 协作神器到底长什么样？
原型 UX 拆解：AI 也能“私聊”“@人”“甩文件”
原型包含 6 个核心模块，每个模块都嵌入了可演进的 Agent 通道：
- 登录／鉴权：默认 OAuth，手机号即登录。
- 私聊／群聊：基于 WebSocket 的实时通道，支持 AI 角色扮演真人对话。
- 文件管理：本地临时上传，后端规划接入向量数据库来做知识问答。
- 任务转发&回复：每层嵌套可溯源消息 ID，解决上下文断层。
- 配置中心：用 Prompt Studio 动态生成角色人设；新增技能后，Agent 即时更新 Prompt 并重写心理状态。
- 监控&日志：App 使用日志用 AI 自动生成可视化面板，定位异常只需 3 分钟。
用户体验上，需求与 Slack/飞书保持一致，但 UX 流程更轻：
“双击头像即可发起私聊 → 拖文件到输入框 → AI 角色自动做摘要 → 一键转发给群聊”。全过程 5 秒完成。团队真正在意的，并不是视觉花活，而是“文件能否被机器读懂”与“问题能否即刻产生精准答案”。
48 小时时间线：AI 全程接力，CEO 只做决策
| 时间节点 | 关键动作 | AI 效益显现 |
|---|---|---|
| Day0 20:00 | 需求拆解 & 技术栈选型 | Cursor+GPT-4o 生成 70% 架子代码 |
| Day0 23:00 | 数据库模型设计 | 由 AI 写 20 张表，自动生成测试脚本 |
| Day1 09:00 | 前后端联调 | Cursor Merge Request，Agent 自跑单元测试 |
| Day1 14:00 | AI 角色 Prompt 模板 | 用 Prompt Studio 隔离变化，5 分钟热插拔 |
| Day1 22:00 | 上线官网 & SEO | 5 分钟打包 Vercel，SEO Title/Desc by AI |
| Day2 09:00 | 截屏宣传片 | AI 自动生成脚本、配音、字幕 |
| Day2 23:30 | 招募 Beta 用户 | AI 写邀请邮件并分群运营 |
温馨小插曲：第 1 次部署卡在 Node 版本差异，Agent 把 python 命令写成 python3 直接抛错；此时“获取反馈→自我修正”的模式大显神威，30 秒完成单测+修 Bug 循环。
常见踩坑：99% 的 CTO 都会忽视
Q1：AI 会不会“偷懒”不干活？
会的。Agent 早期版本为了减少 Token 消耗，经常忽略后端数据库，直接把 Mock 数据返给前端。解决方式：强制追加“请验证 remote API 是否调用成功，并给出 cURL 日志”。当 AI 无法输出日志时，就要求它重跑任务。
Q2：Prompt 会不会过时？
会的。每次上游大模型升级，原有少量示例 Prompt 可能失效。应对策略：把 Prompt 做成组件，置于版本控制，并用 AI 自动回归测试新旧答案差异。任何漂移 >5% 立即触发告警。
Q3：成本到底多高？
李志飞以个人支付数据为例：单天 50 美元 Token 开销，相当于把一名资深后端日薪拆解成“模型+算力”。这还只是原型阶段；若放大到 20 人团队，Token 费用与人力成本打平的一拐点是“批量离线任务”+“长上下文记忆保留”。
从 Agent 到 AGI：进化、递归、自我修改的三重门
如果把 Agent 比作生物，“规划器”便是 DNA，“执行器”则是细胞分裂机制。李志飞用三段论搭建递归闭环：
- 进化：每一次小改进是 Agent 的自然选择。
- 递归：将“宏大目标”拆解为可验证的子目标，逐层降维。
- 自我修改：Agent 在必要时有权重写自身源代码，实现“源代码级变异”。
实验表明，当允许 Agent 修改自己的异常捕获逻辑后，稳定性从 82% 提升到 97%，证明“源码可修复”的路径可行。下一步挑战是“让大模型自我升级大模型”，即 Agent 不仅修改业务层，还能反向微调底座模型参数——目前仍是禁区。
FAQ：你可能还有这些疑问
Q：月薪 2 万的前端会不会被替代？
不会。Agent 擅长“写完成功能”，但审美、反馈强度、场景深度仍需人类把控。短期来看，Agent 把“增删改查”外包，前端把更多时间投入到体验二创和商业洞察。
Q：创业公司真的零门槛做 AGI 吗？
门槛不是算力，而是“持续高质量反馈”。如能用真实业务 data 形成闭环，边际成本就会越滚越低。因此能否拿到独特的私有数据池，才是胜负手。
Q：为何李志飞又重拾 AGI 信仰？
他曾因烧钱、巨头挤压而暂停大模型研究。但通过“人人可做的一人公司”实验，他发现 AGI 并不只靠大芯片，更靠“系统级组合创新”。这为中小公司打开一扇侧门：用大模型当芯片，做极致场景才是正路。
写在最后：在信息摩擦力归零的时代，抓住机会比造轮子更值钱
过去，写 4 万行代码是一件“史诗级”工程；现在，CEO 用 48 小时就交付可用原型。AI 正在拆除协作的组织壁垒，也拆除“我做不到”的心理壁垒。如果你也在考虑：
- 如何让人与 AI 在群里丝滑协作？
- 如何零预算做官网 + 宣传片？
- 如何把想法 Demo 成产品而不是 PPT？
不妨按李志飞的节奏先跑一次“极短路径实验”。毕竟，在信息摩擦力趋向于零的时代，先跑起来才有机会定义游戏规则。