别再手动操作：自己动手构建解决方案的四步框架
一份面向初学者的指南，教你用 AI 把重复性工作流变成实用工具。
发现与探索：找到真正的问题。
Teams 侧边栏：进入客户通话。
我：“嘿 Neil，离开 Teams 通话前别忘了拿到 AI 摘要。”
Neil：“没问题，我记住了。挂掉电话……却没拿笔记……所以，呃，我忘了……”
我：“……收拾东西走人吧。”
好吧，最后一句是夸张。但这种情形我经常遇到。我不能怪 Neil，我自己也从来不记得。AI 世界的美妙之处在于：你解决工作流问题的能力，只受想象力的限制，而不受技术水平的限制。我连点一下按钮才能拿到通话笔记都嫌烦，所以干脆自己去解决了这个问题。
发现问题是块肌肉；你整天绕着同一件事转，直到对它视而不见。要找出新问题的根源并解决它，需要一场对话；我习惯把这场对话变成对抗式问答。我先让 AI 给出最佳路径，然后让它自己反驳刚才给出的路径。我专找它推断出我没说过的话的地方，逼它展示它对电脑、日程、语言和工作方式做过哪些假设。每一条回答要么让路径更坚实，要么暴露出别的选项，要么直接否决这条路。
正是这样的对话让我最终做出了 whispr1——一个小型 Windows 程序。它会监测 Teams 通话，录制双方声音，在我自己的机器上做转写，并把 Outlook 会议详情直接写进转写稿里。转写稿一生成，音频就被删除。没有仪表盘，没有账户，没有网页应用。托盘图标告诉你它正在运行，一个装文本文件的文件夹就是整个产品。
这场问答帮我确定了总体路径，以及有哪些现成工具可以支撑它。我并不是在做一个产品。我们得到了“是的，这是可行的”这个确认，还得到一套构建框架，以及无论最终设计变成什么样都必须遵守的护栏。这些定了之后，就该写计划了。
计划与事前验尸：把计划写下来，然后攻击它。
在写任何代码之前，我先让 AI 阅读真实约束条件，写下它打算怎么做，然后我和它争辩。
一份值得信任的计划不会默默猜测，而是会把悬而未决的决策摆到明面上，等待回答。我遇到的一个问题是：这个工具要不要把转录文本交给 AI 服务去总结？项目的 UNCERTAINTIES.md 里有这样一条记录：
- [x]（总结功能 — 已解决：改为纯本地运行）
Anthropic API 的总结调用会把转录文本发送到设备之外。已移除：summary.enabled: false；卸载 anthropic；用不带网络客户端的版本重写 summarize.py。
我确实想要这个功能，但开启它意味着转录文本要离开我的机器，所以最后被拿掉的正是这个功能。智能体不需要你规定整个系统，它只需要一个可以验证的下一步。Explore—Plan 这一步直接出自 Anthropic 的手册。我是在 Claude Code 里搭建的，不过同样的顺序在任何前沿编码智能体里都适用。
然后，我会派对抗性智能体去攻击这份计划，让它们专门挑毛病。同一个会话里的智能体往往会保留自己的盲点，所以我让多个子智能体分头行动，它们既独立于原会话，彼此之间也互不相关。这就是 evaluator-optimizer 模式：一个过程负责生成，另一些独立的过程负责评判。把它当成一次事前验尸来用——在动手构建之前，而不是等出了故障之后。
在安装代码一行都还没写的时候，每个子智能体就已经领到不同的任务，阅读同一份书面计划。负责排查“只在我的机器上成立”的假设的那个，发现 faster-whisper 的模型缓存可能经不起直接的文件复制——因为有些机器把缓存存成链接，而不是真正的文件。负责审计硬编码值的那个，发现了 mic_name_match 字段：空字符串会静默地对机器上的所有设备做子串匹配。现在选择器会拒绝写入空值。负责检查交付机制的那个，建议我放弃手动传递的 zip 包，改用仓库加 Release 附件——最终交付的也正是这个方案。
执行与测试：让它构建，然后你自己跑一遍。在智能体开始写文件之前，我就已经定下了所有悬而未决的决策。想象和论证由我来，敲代码由它来。原型一口气就搭好了，而且从监听来电到写出文本文件，它把整套工作都完成了。
它同时录制两条音轨：我的麦克风声音，以及从扬声器播出的所有声音——电脑会把后者作为另一路输入回环（loopback）回来。通话里的其他人完全看不到这个操作。通话结束后，两条音轨会送进已经存在于本机磁盘上的语音转文字模型，最终输出为一份带时间戳的对话记录。整个过程没有任何数据离开这台机器。
OpenAI 以 MIT 许可证开源了这个模型，名字叫 Whisper。我通过 faster-whisper 这个重实现版本来运行它，让它在普通处理器上也能保持足够快的速度。我给自己这个工具起的名字，正是在向 Whisper 致意。
要让这个工具能放心地交给别人用，还需要好几轮真实环境测试。此外，我请人做了一次独立审计：逐行阅读仓库里的每一个脚本，追踪网络调用，并检查发布版本是否存在供应链层面的风险。审计结果列出了九个问题，我全部修复了。审计确认了没有提权漏洞、没有注册表持久化、仓库里也没有任何密钥；还通过检索代码的方式复核了「零网络调用」的说法，而不是只听我一面之词。
唯一没有做的是运行安装程序——审计方的安全策略不允许执行从网上下载的不可信代码。于是我把代码重新克隆到一个名字带空格和括号的文件夹里，放在一台从未接触过这个工具的机器上，从头到尾完整跑了两次安装流程。十秒之内，就冒出了两个 bug：打包进去的 Python 找不到自己的包；安装过程还悄悄调用了那台机器上已有的另一个 Python，而不是它自带的那个。这两个 bug，方案里没有预料到，「事前验尸」（premortem）里也没出现，都是真正跑起来才暴露的。
部署与维护：把它交给一台从未见过它的机器
一个工具，不是在你机器上能跑就算完成了。要等它在一台跟你的假设毫无共同之处的机器上依然能生存下来，才算真正做完。把 Whisper 交给别人用，正是这一步逼着我去面对那些此前没在意的现实差异：新版 Teams 客户端和经典版不一样；要用经典版 Outlook 才能区分会议和普通通话；窗口标题是英文单词；日历查询用的是美式日期顺序。在 ARM 架构的笔记本上，它甚至完全跑不起来。这一系列注意事项，都写在了项目的安装说明里。
安装程序会从 GitHub Release 拉取一个约 550MB 的离线安装包，而且在下载开始前就检查你的处理器类型和 Teams 版本，而不是等下载完成后再检查。它会获取一个可嵌入的 Python 运行时和 get-pip.py，每次构建时都会把这两者与记录的指纹做比对（SHA256 固定）。安装包解压后会自动删除，而不是留在硬盘上，让安装成本翻倍。
然后，再给它一种感知“世界变了”的方式。过去，出了新版本之后重新运行安装程序，它是什么都不会去获取的。现在安装目录旁多了一个版本标记文件，只要两个数字对不上，安装程序就会重新部署自己。这个习惯在软件行业有个名字：持续集成与持续交付（CI/CD）。说白了，就是机器在你每次改动时自动检查你的工作并替你发布，而不是靠你自己时刻惦记着。Whisper 只是带了一个最小化的版本，仅此而已。要体验完整的能力，就从 GitHub Actions 开始。
那个反对意见最终会落到这一点：你并没有躲开订阅，你雇了你自己，从此永远要随身揣着传呼机。订阅不是租代码，而是租别人的值班排期、他们打的补丁，以及对那些你根本没想到的边界情况的处理。当 Teams 升级改动了一个窗口标题，来修这个问题的人是我。自建还是购买，首先是个能力问题，然后才是价格问题。要衡量自建需要投入的精力，以及它能换回来的能力；还要算上如果选择购买，你会默默吸收掉多少变通方案。
一个晚上，换一个我恰好会在最想留记录的通话上忘记按的按钮——这笔账很快就结清了。但为一个只会用两次的东西花一周时间去加固，就不划算了。你按这种方法做出来的东西，大多数情况下用两次就会被删掉。Whisper 在登录时自动启动，不用我碰就能录下每一通电话，它现在还装着。我之前写过怎么判断自己做的是工具还是生意；Whisper 通过了这个测试。这些都没有消除维护的问题，只是把这个问题推迟到了你得到答案之后。
用这个框架去检验你自己的项目。Whisper 只是一个例子，同样的顺序也适用于那些看起来完全不同的东西。
正是这四步，让我收获了一个lint脚本——它能发现我写的东西开始透出机器腔；一个由agent替我维护、而不是我手动更新的wiki；还有一个任务队列，让工作自动从「认领」推进到「完成」，全程无需我操心。这些方案市面上都有现成产品可以买（或订阅），但一点探索和规划，就让我省下了这些费用，而且握有绝对的控制权。所以，那个一直让你来回折腾的事是什么？去发现它，去探索它。抓住那个你一直在绕弯子对付的环节，然后让agent把它隐含的前提假设摊开给你看。做好计划，再来一次「事前检验」。先把想法落到纸面上，再派出对抗性智能体（adversarial agents）去挑刺，看看哪里会崩。执行并测试。让agent去敲代码，然后你自己亲手跑一遍——光靠读代码，你永远不知道它真正跑起来会是什么样。部署并维护。把它部署到不是构建环境的地方，再给它一个持续更新的机制。代码全部公开在 github.com/bryanthood-wph/whispr。比起从描述里凭空发明一个方案，agent更擅长在现成的可运行示例上做扩展，所以把仓库克隆下来，交给你的agent，再告诉它你的机器和你的日常习惯有什么不一样。
关于录制他人这件事。 通话中的其他人什么也看不到——没有提示横幅，也没有图标。静音麦克风也挡不住这次录制，因为录音发生在硬件层面，位置在静音按钮之下。合法性因所在州、国家和雇主而异，这个核实责任在你身上。一个「很平常的理由」不是挡箭牌，「正当的理由」同样不是。在跑任何东西之前，先读政策，先问合规。本文不构成法律建议。