跳转至

Peter Steinberger / OpenClaw — 100个AI程序员案例

Ch09.078 Peter Steinberger / OpenClaw — 100个AI程序员案例

📊 Level ⭐⭐ | 7.5KB | entities/peter-steinberger-openclaw-100-ai-agents.md

概述

OpenClaw之父Peter Steinberger（@steipete）用3人团队+100个Codex AI agent运行软件开发流水线，30天花费$130万（OpenAI报销）。展示了token作为新生产资料的可能性。

关键数据

  • 团队规模：3人
  • AI agent数量：约100个Codex实例
  • 30天成本：$1,305,088.81（约900万人民币）
  • Token消耗：6030亿
  • API请求：760万次
  • OpenAI报销：是

AI代理承担的工作

  • 审PR
  • 找安全漏洞
  • 去重issue
  • 改bug
  • 监控benchmark
  • 发现回归后发到Discord
  • 听完会议后直接开PR 核心洞察：软件开发真正贵的是沟通、理解、上下文切换、审查、回归、修复、等待、重复劳动。

CodexBar

Peter开发的macOS菜单栏工具，追踪Codex、Claude、Cursor、Gemini、Copilot等AI编程工具的：

  • 使用窗口
  • credit消耗
  • 成本
  • 重置时间 意义：token正在成为新的「生产资料」。

思考

Steinberger：「我在探索，如果token成本不是问题，软件开发会变成什么样。」 模型降价趋势：$130万 → $13万 → $1.3万。100个AI agent同时工作将从硅谷独家变为三人创业团队的基本操作。

参考资料

深度分析

Peter Steinberger的100个AI Agent实验揭示了当前AI编程工具在工程规模应用中的真实成本结构和组织变革含义，其核心洞察远超"花130万美元"这一表面数字。 1. $130万月成本的分布揭示了token经济学：6030亿token、760万次API请求，平均每百万token约$2.16——这是Codex Speed的定价区间。 但更重要的是：这130万里大部分是OpenAI报销的，Steinberger实际上在免费验证其AI编程流水线的有效性。真正的成本是$130万；如果是自费，100个并发Codex实例的经济账完全不同——按照当前$2-3/M的定价，个人开发者或小型团队永远无法负担这种规模。这意味着"100个AI agent同时工作"从一开始就是大厂特权，而非创业公司的现实选项。 2. Steinberger的核心洞察——"软件开发真正贵的是沟通、理解、上下文切换、审查、回归、修复、等待、重复劳动"——直接指向了AI Agent在软件工程中的真实价值定位。 AI Agent最擅长的是高重复性、低上下文切换成本的任务（审PR、找安全漏洞、去重issue），而人类工程师最适合高价值判断和复杂上下文理解的任务。这不是"AI取代人类"，而是"AI把人类从不值得做的事情中解放出来"。 3. CodexBar的开发者工具credit追踪功能是一个被低估的创新——它将token消费从"看不见的后台成本"变成了"可见的生产力仪表盘"。 当开发者能看到每次代码补全花费了多少token，决策行为会随之改变：更少的无谓生成、更高效的提示词设计。这可能催生一种新的"token效率优化"工程文化——类似于Google时代工程师优化延迟和吞吐量的文化。 4. 模型降价趋势（$130万→$13万→$1.3万）对创业公司意味着什么？ Steinberger的判断是："100个AI agent同时工作将从硅谷独家变为三人创业团队的基本操作。"但这个预测忽略了一个关键约束：即使成本下降100倍，100个并发Agent的组织协调（orchestration）、输出质量控制（避免100个agent产生100种不一致的实现风格）和人类审查的瓶颈仍然存在。成本不是制约因素，工程组织能力才是。 5. token作为"新生产资料"的概念需要解构：token的本质是可量化的注意力单位。 当注意力可以被量化、购买和分配时，软件工程的生产函数就改变了——不再是"工程师时间 × 技能水平"，而是"token投入 × 模型能力 × 组织协调效率"。这对如何评估AI编程工具的投资回报率（ROI）提出了全新框架：不是"AI生成了多少代码"，而是"AI生成的代码节省了多少高价值工程师的时间"。

实践启示

对于工程团队管理者： 评估AI编程工具ROI的正确框架不是"节省了多少代码行"，而是"高价值工程师的时间有多少被低价值重复任务占用"——用Steinberger的100 agent矩阵重新审视团队的工作结构，识别哪些任务值得分配给AI、哪些必须保留给人类。 对于AI工具采购决策者： CodexBar式的token追踪能力是评估工具实际生产力的关键基础设施。没有可见的token消耗数据，团队会系统性地过度使用AI（无谓的补全请求），而不是把AI集中用于高价值任务。 对于创业团队： 等待"成本下降到可负担水平"而非现在就开始小规模实验AI Agent工作流，可能是一个错误。Steinberger的经验表明，真实的组织学习曲线比工具成本更难解决——如何协调100个AI agent与人类工程师的协作、如何建立代码风格一致性标准，这些组织能力需要时间积累，不是在成本降低后一夜之间就能建立的。 对于AI Agent框架开发者： 多agent协调系统（multi-agent orchestration）将是下一代AI编程工具的核心竞争壁垒。成本降低后，谁的协调框架能最有效地将任务分配给合适的agent、聚合结果、解决冲突，谁就能在"百agent时代"占据优势。

参考资料

相关实体

→ 原文存档