借助 OpenClaw 与多 qodercli Agent 并行，15分钟完成拼音学习 Web 应用

之前看到Elvis在X平台上分享了一条动态，内容是关于使用OpenClaw配合Codex这类CLI工具来完成需求开发。这给了我一些启发，最近我正好也在使用Qoder，于是萌生了一个想法：是否可以将这套工作逻辑迁移到qodercli上来试试看呢？

说做就做。我直接在飞书上向OpenClaw发送了一条指令：

“做个实验吧，用 OpenClaw + tmux + 多个 qodercli，开发一个教孩子学拼音的 Web 应用，要求有前后端。”

指令发出后，后续的工作就基本由OpenClaw接管了。它的流程是先进行任务分解、编写Prompt、搭建项目骨架，然后通过tmux同时启动多个qodercli实例来并行执行不同模块的开发。在整个过程中，我没有手动编写任何一行代码。

OpenClaw 是如何进行任务编排的？

OpenClaw并没有让单个AI Agent从头到尾负责所有工作。相反，它采用了更工程化的思路：先将整体需求拆解成独立的子任务，再把执行工作分发给不同的qodercli进程。

整个编排过程的核心命令并不复杂。首先，它准备了4份任务描述文件（Prompt）：

prompts/init.md
prompts/design.md
prompts/logic.md
prompts/backend.md

第一步是启动初始化Agent，搭建最基础的项目骨架：

cat prompts/init.md | qodercli --yolo

这一步主要完成三件事：创建一个Next.js项目、安装必要的依赖，以及初始化Prisma并配置SQLite数据库。

骨架准备就绪后，OpenClaw便通过tmux创建了一个新会话并分割出三个并行窗口，分别用于处理前端、业务逻辑和后端的开发：

tmux new-session -d -s pinyin-app -c ~/projects/pinyin-app
tmux split-window -t pinyin-app -h -c ~/projects/pinyin-app
tmux split-window -t pinyin-app -v -c ~/projects/pinyin-app
tmux select-layout -t pinyin-app tiled

tmux send-keys -t pinyin-app:0.0 'cat prompts/design.md | qodercli -p - --yolo' Enter
tmux send-keys -t pinyin-app:0.1 'cat prompts/logic.md | qodercli -p - --yolo' Enter
tmux send-keys -t pinyin-app:0.2 'cat prompts/backend.md | qodercli -p - --yolo' Enter

这三个并行的qodercli实例各有分工：

• Design Agent：负责前端页面和组件的开发。
• Logic Agent：处理拼音数据、练习生成、学习进度跟踪等业务逻辑。
• Backend Agent：负责Prisma模型定义、数据库迁移以及API接口的实现。

在Agent们“工作”期间，OpenClaw还会每隔10分钟自动进行一次巡检，抓取每个tmux窗格的输出来判断它们的状态——是在运行中、已经完成，还是遇到了错误。

for p in 0 1 2; do
  echo "=== Pane $p ==="
  tmux capture-pane -t pinyin-app -p | tail -10
done

实际的执行耗时各有不同：Logic Agent最快，大约2分钟就完成了；Backend Agent次之，耗时约8分钟；Design Agent（前端部分）最慢，花费了大约15分钟。

所有Agent任务完成后，会进行统一的构建验收：

npm run build

这套编排方案的关键点其实很清晰：先将职责边界清晰地拆分，再利用tmux这类终端复用器拉起多个qodercli进程进行并行开发。

15分钟后，我们得到了什么？

15分钟的实验结束后，OpenClaw交付了一个完全可以运行起来的完整应用，具体产出包括：

• 5个功能页面
• 7个后端API接口
• 24个源代码文件
• 总计2030行代码

最终，它还执行了npm run build命令进行验收，确认整个项目能够顺利通过构建。

这次实验带来了什么启示？

这次实验的价值，对我而言，重点并不在于证明“AI会不会写代码”——这已经是一个显而易见的事实。它更重要的意义在于揭示了另一种可能性：

当开发任务的边界被切分得足够清晰时，多个基于CLI的AI Agent已经能够像一个小型开发团队那样进行有效的并行协作。

在这种模式下，开发者（人）的角色正在发生转变：更多地侧重于设定明确的目标、在关键节点做出判断以及对最终成果进行验收，而不是亲自去编写每一行具体的代码。

至少，通过这次使用OpenClaw结合tmux与多个qodercli的实践，证明了这条“AI辅助的并行开发流水线”在技术上是完全可行的，也为探索更高效的开发模式提供了新的思路。如果你对这类Node.js生态下的AI工程化实践感兴趣，不妨多关注云栈社区上的相关讨论。