一位 CEO 自述：靠 AI 编码月产 30 万行代码

一位 SaaS 公司 CEO 在 Hacker News 上发文，自称过去一个月借助 AI 编码工具写出了超过 30 万行代码，单日峰值约 1.2 万行。他强调自己并非"氛围编程"（vibe coding），而是建立了严格的上下文管理与测试体系才让 AI 生成的代码保持可用。

工具组合：不引入编排器

作者表示他通常同时打开 3–4 个 ChatGPT 应用内的 Codex 会话，再开 4 个 Claude 终端（运行在 Ghostty 中），并搭配 Devin 处理浏览器自动化与云端 UI 测试任务。他明确表示曾试用过一些 AI 编排器，但因体验"卡顿且有 bug"而放弃，对这一类工具整体评价偏负面。

产品研发：从 MVP 走向重构

其核心产品是一个嵌入 SaaS 软件内的 AI 智能体，客户为其他 SaaS 公司，可在平台上自助构建仪表板与应用。借助真实用户数据生成大量合成测试用例，作者得以让 AI 代理在严格的测试约束下生成可上线的代码。他提到一个明显感受：在 AI 出现之前，团队可能仍会沿用旧代码库继续迭代，但如今写代码的边际成本下降，反而敢于启动一次彻底的重构。这与"杰文斯悖论"的逻辑一致——效率提升后，整体产出反而增加。

GTM 工程：自建销售自动化

最让作者意外的是 AI 在 GTM（Go-To-Market）环节的工程量。他自建了一套内部工具，先用 AI 基于 Sales Navigator、LinkedIn Search 与历史成单数据寻找相似潜在客户，再自动运行多日 LinkedIn 互动序列，并针对竞品粉丝做反向触达。每当收到回复，工具会通过 Slack 提醒并自动起草回复邮件。据称使用两周后，回复率翻倍。整套系统涉及复杂的状态机、排队逻辑、AB 测试统计与可观测性。

客户集成：AI 适合文档密集的脏活

为大型客户做集成时，往往需要翻阅遗留代码库、阅读文档、反复试错未公开的接口。作者列举了近期完成的几项工作：排查不同客户部署中相似但不同的认证密钥问题、新增多租户 Snowflake 数据库连接、为子账户权限增加单一管理员令牌认证、重建缓存系统以支持 50MB 量级的静态文件。他认为这类工作虽然琐碎，但因高度依赖文档检索与回归测试，反而最适合 AI 加速。

讨论与争议

文章在 Hacker News 上引来不少质疑，主要集中在两点：一是行数并非有效产出指标；二是 LoC 中可能包含大量样板、测试与 AI 生成但未经严格审查的代码。作者在文末回应称，绝大多数 AI 写出的数万行代码都属于全新项目或绿地开发，通常涉及第三方集成，且容易快速测试与验证；至于这些代码最终能否带来真正的业务价值，他认为"仍然不确定"。