Cloudflare 全部 Claude 生成提交深度解剖

几天前，我的 CTO Chris 分享了 Cloudflare 开源的 OAuth 2.1 库，这个库几乎完全是由 Claude 编写的。

吸引我注意的不仅是技术成就本身，而是他们记录了整个创意过程。每一个 prompt、每一次迭代、每一次人为干预都保存在 git 提交信息中——形成了一份人工智能协作的考古记录。读他们的开发历史，就像在观看一场实时的对话（有时也是斗争），在人类直觉和人工智能之间展开。

主要工程师 @kentonv 最初是一个 AI 怀疑论者。"我当时想验证自己的怀疑。结果我证明了自己是错的。"两个月后，Claude 生成了几乎全部代码，这份代码最终成了一个生产级别的身份验证库。

Committing Prompts + Code

Kenton 在每次提交中都包含了用于生成代码的 prompt，这使得这项探索成为可能。随着我们在开发中越来越多地依赖 AI 工具，这种实践将变得越来越重要。有时，原始 prompt 比生成的代码更有价值，也更容易审查——尤其是当工程师声称了一个错误的假设而模型盲目跟随的时候。

这种透明度将 git 历史从变更记录转变成意图记录，创造了一种新的文档形式，它将人类推理和机器实现联系在一起。

Patterns in Human-AI Collaboration

读了大约 50 次提交后，我发现了一些有趣的模式，说明这种协作实际上是如何展开的：

Prompt by example. 他们最初的 prompt 是一个相当庞大的代码块，精确地展示了库将如何被实现它的 worker 使用。这种方法消除了关于方法签名的歧义，同时也揭示了抽象规范经常遗漏的实际考虑。这就像演示舞蹈编排和单纯描述一舞蹈的区别。

"You did X, but we should do Y. pls fix." 最有效的 prompts 遵循一个一致的模式：清晰地说明当前状态的背景，解释为什么需要改变，以及具体的前进方向。没有繁复的指令——只是contextual反馈，感觉非常像是在纠正同事。

个人备注：在我自己使用 Cursor 的经历中，我发现在 prompts 中包含文档的直接链接很有帮助。我可以轻松地在 prompts 中引用 @<pasted_docs_link>，不过我还没有充分使用过 Claude Code，不知道是否有等效的工作流。

Documentation becomes effortless. 一个单句 prompt 生成了详尽的模式文档。我注意到模型在这些文档生成任务上表现出色——把原本繁琐的家务工作转变成开发的自然副产品。

大约在第 20 次提交时，我注意到 Kenton 不得不手动干预。Claude 无法正确地移动一个类声明，需要后续的一次提交才能修复位置。后来，Claude 还诉诸使用 grep 和 sed bash 命令，因为它的搜索替换功能无法处理重复的代码块。

有一条评论给我留下了深刻印象："我本可以手工做这个，结果更快，哎呀。"

在第 40 次提交左右，手动提交变得频繁——样式、删除未使用的方法，都是现在编码模型仍在努力解决的家务工作。很显然 AI 生成了 >95% 的代码，但人工监督始终是必不可少的。

如果你在使用 AI 编码工具，根据他们方法的几点观察：

Focus on the deliverable. 对于后端服务，定义公开的端点和其预期行为。对于 CLI 工具，展示示例用法。对于库，演示集成。

Treat prompts as version-controlled assets. 在提交信息中包含 prompts，为未来的维护和调试创造有价值的背景。

Expect multi-shot prompting. 几乎每项功能都需要多次迭代和改进。这不是一个限制——这就是协作的工作方式。

Don't be afraid to get your hands dirty. 有些 bugs 和样式问题通过手动修复比通过 prompt 要快得多。知道何时干预是这项工艺的一部分。

Prompts as Source Code

读这些提交激发了我的一个想法：如果我们把 prompts 作为实际的源代码呢？想象一个版本控制系统，你提交用来生成功能的 prompts，而不是生成的实现。当模型不可避免地改进时，你可以连接最新版本并用增强的能力重新生成整个代码库。

这种方法会让业务逻辑本质上自我文档化——任何懂英文的人都能理解功能何时被添加以及为什么。prompts 会变成像遗传指令一样，包含了培育应用程序所需的基本信息。

当然，这假设模型可以实现严格的 prompt 遵守，并需要对模型有很高的信任。在实践中，生成的代码仍需要部署、测试和维护。但它提出了一个令人着迷的问题：如果所有业务逻辑都能包含在自我文档化的 prompts 中，我们最终是否可能到达这个 prompt 提交的历史本身变成"应用程序"的阶段，直接在模型中运行？我们能完全消除中介代码生成步骤吗？

无论如何，回到现实的当前状态。

这个 OAuth 库代表的远不仅是技术里程碑——它是一种新的创意动力出现的证据。一种人工智能处理机械实现，人类提供方向、背景和判断的动力。

很清楚，整个过程中都有大量的人类参与。我们离 AI 独立实现这个范围内的库仍然很远。几乎每项功能都需要多轮 prompting，一些 bugs 抵抗了所有自动修复的尝试，某些功能手动完成会更快，而且每个 prompt 都必须由人类创建，并提供战略方向。

尽管有这些限制，AI 生成了这个库中绝大多数的函数代码。Claude Code 是两周前才公开推出的，它已经在实现这个级别的协作。

目前为止，它只是另一种工具。但与锤子不同，这种工具在改进自己，从每一次互动中学习，随着每一次迭代变得更有能力。