让 Vibe Coding 从混乱到有序：老金和他的 Meta_Kim 开源框架

AI 写代码很快，但为什么复杂任务总是假完成、乱分工、难验收？这是很多人在使用 Claude Code、Codex 等 AI 编程工具时的共同困惑。在 WaytoAGI 社区的一场直播分享中，拥有 15 年游戏研发与项目管理经验的老金（金永勋）带来了他的答案——一个名为 Meta_Kim 的开源框架，以及背后一整套关于「需求、制作、验收、反馈」的方法论。本文适合正在使用或准备使用 AI 编程工具、希望让 AI 从「玩具」变成「生产力」的读者。

四个单词：需求、制作、验收、反馈

▶ 9:06 · 看这一节

老金开场就抛出了他的核心方法论，这套逻辑他翻来覆去讲了很多次：「一共就四个单词……第一，需求，你的目标要清楚。第二，制作，你要知道怎么去制作，对吧？拆细的怎么怎怎么去拆细的？第三呢，就是说验收，对吧？你去，你得对你的需求有一个合理的把控能力，知道这些东西都得形成什么样的一个标准，你才能算通过。最后呢，是一个反馈，反馈是什么？反馈是，其实就是一个新的需求，它其实形成了闭环。」

这四个单词看似简单，但老金强调，它们几乎抽象了他十几年产品和管理经验中处理所有事情的逻辑。「我做人所接触的所有的经验都在里面，抽象出来了。」他认为，这四个单词不仅适用于 AI 编程，也适用于现实生活中的所有任务。

在这四个环节中，老金特别强调了「验收」的重要性。他举了一个生活中的例子：今天和女朋友讨论公司税收问题，女朋友问他怎么回事，他说「我知道呀」，女朋友说「你知道你不告诉我」，他说「你没问呢」。老金指出，AI 也在扮演同样的角色：「它知道的很多，但是你根本没提问，没提问等同于说没标准，那 AI 根本就不知道他要交给你是什么。」因此，验收环节是整个环节中最重要的一个，因为它管理着需求和制作的标准。

人的核心价值是判断

▶ 14:29 · 看这一节

老金认为，未来 5 到 10 年将是人机协同时代，而人的核心价值在于判断。「AI 根本就不知道你要干什么，所以你要做判断。」他解释说，你不可能把从婴儿时期开始的几十年生活细节事无巨细地输入给 AI，AI 也没有那么大的上下文，你也不可能在身边一直摆个摄像头让它接收所有信息。因此，你无法把所有环境变量输入给 AI，AI 也就无法提供精准的、你想要的输出。

「这种情况下只能，人的最大价值，我认为说就只剩下判断了。」而判断能力来源于个人认知和踩过的坑。「踩过多少坑，你知道多少东西，你做的东西就会越来越好。」

这个理念直接体现在了 Meta_Kim 的架构设计中。老金展示的项目流程图显示，AI 负责执行机械性的工作，而人类负责在关键节点做判断和验收。「AI 不知道，只有你知道，AI 是不知道的，只有你知道。」

Meta_Kim：把理念落地成开源项目

▶ 15:49 · 看这一节

老金已经把这套理念落地成了一个开源项目 Meta_Kim。项目围绕需求、制作、验收、反馈四个环节展开，抽象出通用的逻辑，共有 11 个阶段，会根据业务复杂程度增加判断条件。

老金解释了项目的工作流程：第一步是判断意图。当用户输入模糊需求时，AI 会提供选项 A、选项 B、选项 C，帮助用户明确真正的意图。「AI 能做的东西就是帮你想清楚，他只不过说把他接收到的上下文，变得更精准，也就是说我们对于我们想做的这件事的意图放得很大，那这样的话我们达成我们意图的这个概率就会变高了。」

接下来是搜集信息。根据意图，AI 会从网上搜集相关信息，如果是处理老代码，也会从本地搜集项目信息，确保执行方案是正确的。然后是规划方案，即「我要派什么人去做什么事」。这里的「人」在 AI 里可能是一个 agent、一个 skill、一个 MCP、一个 prompt 或一个 rules。之后是审查环节，老金还设置了「元审查」，即「再去找一个人，来去看你检查的检查逻辑是不是对的」。最后是验证和沉淀，将过程中遇到的问题分析后存入项目级目录。

老金坦言，这个项目目前只做了一轮验证迭代，因为他发现做两轮太慢了，「缓慢无比，我受不了了」。但他认为对于当前版本，一轮已经足够，因为它已经是一个能兼容小型项目的、准确的开源项目。

项目功能相当齐全，「你在市面上能见到的 AI 的功能，这个项目里头几乎都有」，包括智能体调度、知识图谱、向量数据库等。老金特别提醒，唯一没有详拆的是私有数据库（RAG）部分。项目经过理论测试，最多能节省 71 倍的投分（Token 消耗）。

安装与配置：全局与项目级分层

▶ 26:34 · 看这一节

老金提供了项目地址和一键安装指令，但由于与 GitHub 网络有关联，可能会出现下载问题。他演示了第二种安装方式：先克隆仓库到本地，进入文件夹后运行安装脚本。

安装过程中会有一些选项。老金建议，如果不想选择，一直回车使用默认配置即可。他个人目前只勾选了 Claude Code 和 Codex 两个工具，因为这是他实际测试很久、最常用的两个。项目分为全局和项目级两层：「项目级就是说我要去，我这个项目呢，它是有分层的，一个是在全局，一个是在项目级……项目级的 agent、项目的知识图谱，肯定是项目……但是一些通用的，它会放在全局，比如说你的提示词优化呀，比如说你的第三层的记忆，向量数据库等等。」

老金特别强调，不要把思维局限于 skill。「它不光是 skill，好不好？它不光是 skill。这不是 MCP 吗？看到 MCP 了吗？这是一个向量数据库。大家不要把你们的思维只限于在 skill，它不光是光是 skill，包含说 agent，包含说 hook，包含说其他的 root 等等，全部都有。」他甚至表示，对他个人而言，hook 才是最有用的，「这些东西才能去帮助你去做验收测试等等东西，它才能变成一个自动，所谓的自动化的东西。」

实操演示：从模糊需求到完整项目

▶ 50:03 · 看这一节

老金用「贪吃蛇」这个需求做了现场演示。他输入的需求非常模糊，没有指定技术栈、2D 还是 3D。Meta_Kim 的第一步就是帮他拆解需求，生成详细的需求文档，包括规则规范、推荐技术栈、目录结构等。

「它其实就是在帮你去丰富你的想法，去让你和，就是让人类和机器的这个协同在一个水平面上，否则你的目标是对不齐的。」老金建议，需求阶段最好在网页端、ChatGPT Pro 状态下发送需求，这样能节省大量时间。「想不清楚，后边就是一大堆擦屁股的事情。」

对于复杂项目，Meta_Kim 会创建多个子 agent 来分工协作。老金展示了一个已经跑了一天多的项目，它创建了四十几个子 agent，每个 agent 有独立的上下文和记忆，处理完任务后会把结果返回主窗口。整个项目文档已经迭代到了 2585 行，其中很多内容是 AI 在给定边界和方向下自我迭代出来的。

老金强调，虽然 AI 能自动执行任务，但人类需要定期参与判断。「你不能永久地放着它去做，你必须要阶段性的参和来看它的输出是否正确。」他以 RAG 产品为例：第一周触达率可能是 85%，第二周 83%，第三周可能突然掉到 70%，因为上下文信息在不断迭代，你必须定期查看发生了什么，并更新 query。「你不能是永久的把它变成一个自动跑的。」

现场问答

▶ 1:33:32 · 看这一节

在终端使用看不到右侧的效果图，怎么办？

老金：在终端使用，选择用 Ctrl+O（Windows 系统），就可以看到里面的记录。

Windows 和 Mac 在开发环境上有什么差异？

老金：Windows 的权限管理比较复杂，可以把 Windows 想象成安卓，非常开放，什么人都可以往里做点东西，权限乱七八糟的。Mac 开发会比较稳，因为它的规则规范是单一的。这就像苹果手机用多少年都不怎么卡，而安卓可能两三年就卡了。

多 agent 架构需要每个 Docker 部署一个 agent 吗？

老金：不需要每个 Docker 部署一个 agent，每个 workspace 就够了。每个 Docker 封装一个 agent 太大了。建议按照角色来切割上下文，agent 之间只传递结果。这样信息传递是最好的，因为 agent 没必要吸收它不需要的东西，不会把上下文撑爆。他测试下来，结构化的组织架构比纯扁平化的效果更好。

如何让网站每天自动更新内容？

老金：以他的个人主页为例，文章是自动获取的。他把飞书知识库的 Token 给到 Codex，让它每天固定从这个 Token 里做差量获取，飞书那边给一个权限，服务器到点就会向飞书请求拉取信息。要么主动触发按钮，要么定时触发按钮的功能，一个道理。

要点回顾

• 核心方法论：需求、制作、验收、反馈四个单词构成闭环，其中验收环节最重要，它管理着需求和制作的标准。
• 人的价值：未来 5-10 年是人机协同时代，人的核心价值是判断。AI 不知道你的环境变量，只有你能做最终验收。
• Meta_Kim 框架：围绕四个环节设计，共 11 个阶段，会根据业务复杂度动态调整，涵盖市面上大部分 AI 功能。
• 成本优势：项目经过理论测试，最多可节省 71 倍的投分。
• 安装要点：项目分全局和项目级两层，两者都要安装；安装时如无特殊需求，一直回车用默认配置即可。
• 使用建议：需求阶段最好在网页端、ChatGPT Pro 状态下发送，能让 AI 帮你把意图拆解得更精准。
• 不要局限于 skill：AI 架构中还包括 agent、hook、MCP、rules 等多种元素，要全面看待和利用。
• 定期参与：AI 可以自动执行，但人类必须阶段性检查输出是否符合预期，不能完全放任。