AI 创业 100 天 · 第四篇
凌晨三点，手机弹了条 GitHub 通知。
我迷迷糊糊点开一看——Claude Code 自动开了 3 个 Pull Request。每个 PR 附带完整的 commit message、跑通了全部 CI 测试，甚至还在描述里写了**"本次修复影响范围：仅涉及 utils/date-parser.ts，无副作用"**。
我揉了揉眼睛。不是在做梦。
昨晚睡前我只说了一句话："每晚 2 点，从 Issue 列表拉最新的 Bug，尝试修复，开 PR。"
前三篇文章，我教了 AI 怎么说话（Prompt）、怎么守规矩（Skill）、怎么用工具（MCP）。但说到底，它还是个**"朝九晚五"的员工**——你不开电脑，它就歇着。
这周，一切变了。Claude Code 放了个大招：Routines。AI 开始值夜班了。
而当我给它接上一个叫 qflow 的开源插件——231 个工具全部就位后，它不止值夜班，它开始自己排班、拆任务、审代码、写报告。
本文目录
- Claude Code 4 月：三颗核弹级更新
- Routines 深度拆解：让 AI 自己跑任务
- 最强插件 qflow：给 Opus 4.7 装上 231 个工具
- 实战：Routines × qflow = 7×24 自动化
- 四部曲完结：从能说到不睡觉
01 Claude Code 4 月：三颗核弹级更新
GPT-6 还在训练，马斯克的 Grok Computer 刚开始内测，但 Claude Code 这边已经连放三颗核弹了。过去 72 小时发生的事，我来帮你捋清楚。
2026.04.14 — 04.16 更新速览
核弹一 · Opus 4.7 + xhigh 最新旗舰模型 Opus 4.7 上线，新增 xhigh 思考力等级——介于 high 和 max 之间。说人话：模型更聪明了，而且你可以精确控制它"想多深"。
核弹二 · 桌面端重构 全新侧边栏管理多会话，内置终端、文件编辑器、Diff 查看器、预览面板。一句话：以前开 5 个终端窗口干的事，现在一个桌面搞定。
核弹三 · Routines（定时自动化） 配置一次，AI 按计划自动跑任务——不需要你的电脑开着，跑在 Anthropic 的云端。这是真正改变游戏规则的那颗。
前两个更新是"锦上添花"，第三个是**"质变"**。你可能好奇：Routines 到底怎么玩？别急，我拆给你看。
先做个小调查（评论区选一下）：
你现在用 Claude Code 的方式是？
- A. 纯对话，想到什么问什么
- B. 配了 CLAUDE.md + MCP，半自动
- C. 已经在用定时任务 / Routines
- D. 什么是 Claude Code？
我先说：我在 B → C 的路上。这篇文章就是我从 B 跳到 C 的全过程。
基础概念到此为止，下面是实操
02 Routines 深度拆解：让 AI 自己跑任务
第三篇我用了一个比喻：MCP 是 AI 的 USB-C 接口。那 Routines 是什么？
Routines 是 AI 的闹钟 + 值班表。
你给它定一个 Prompt（干什么）、选一个仓库（在哪干）、设一个触发器（什么时候干），然后关上电脑去睡觉。它在 Anthropic 的云端自己跑，跑完给你发通知。
Routines（例行任务） 是 Anthropic 于 2026 年 4 月 14 日推出的 Claude Code 云端自动化功能（Research Preview）。它允许用户配置一个 Prompt + 代码仓库 + 连接器，通过定时、API 调用或 GitHub 事件三种触发方式自动执行 Claude Code 会话，无需本地设备在线。目前支持 Pro（5 次/天）、Max（15 次/天）、Team/Enterprise（25 次/天）。
关键词：云端执行。这意味着你的 MacBook 可以合上盖子，AI 照样干活。以前的 Claude Code 再强，也得你电脑开着才行。Routines 把这个限制彻底打碎了。
三种触发方式，覆盖了几乎所有场景：
Routines 三种触发方式
- Schedule（定时）：每小时 / 每晚 / 每周固定执行。适合日常巡检、Bug 修复、报告生成。
- API（接口调用）：通过 HTTP POST + Bearer Token 按需触发。适合和你自己的系统打通。
- GitHub（仓库事件）：PR 创建、Release 发布、Issue 更新时自动触发。适合代码审查和自动化部署。
你是不是每天都在重复这些事？ 跑测试、改 lint 报错、Review PR、写 changelog、更新文档……这些全部可以交给 Routines。你只需要配置一次，它每天自动跑。以前这叫"CI/CD"，现在这叫"AI 值夜班"。
创建方式也很简单——网页端、桌面端、CLI 三个入口都能建。我个人偏好 CLI，因为一行命令就搞定：
# 在 Claude Code CLI 中输入
/schedule create
# 或者查看所有已创建的 Routines
/schedule list
# 手动立即触发一次
/schedule run
但说实话，光有 Routines 还不够。它解决了**"什么时候干"，但没解决"干什么"和"怎么干"**。你给它一句"修 Bug"，它可能修得七零八落；你给它一句"审代码"，它可能只看了个表面。
这时候，就需要一个**"项目经理级别"的插件**来告诉 AI：哪些任务优先、依赖关系是什么、代码规范是什么、审查要看哪几个维度。
我在 AI 创业 100 天里造了一个。名字叫 qflow。
03 最强插件 qflow：给 Opus 4.7 装上 231 个工具
先交个底。qflow 一开始只有 10 个工具，是我在 AI 创业 100 天里从第一行代码一路迭代到 231 个的。过程中踩了无数坑：递归爆栈、并发锁死、MCP 协议污染 stdout 导致全线崩溃……每个版本的教训都写在了代码里。
所以它不是一个实验室里憋出来的产品，而是真实项目里打出来的工具。
一句话介绍：qflow 是一个开源的 MCP Server，专为 AI 辅助开发设计的项目管理引擎。 它兼容 Claude Code、Cursor、Windsurf 以及所有支持 MCP 协议的 AI 编程工具。
qflow 是一个开源（MIT 协议）的 AI 项目管理 MCP Server，提供 51 个 MCP 工具端点（含 231 个子操作）、17 个上下文模块、12 个内置 Agent 人格、34 个 Lottie 动画模板。支持 7 状态任务机、Spec 驱动开发、SHA-256 冲突检测、5 维复杂度评分、Sprint 管理和 Autopilot 自治循环。仅 4 个运行时依赖，无需外部数据库。GitHub：github.com/Pangu-Immortal/qflow
你可能想问：市面上不是有 Task Master AI 和 OpenSpec 吗？我直接上对比表：
qflow vs Task Master vs OpenSpec
| 维度 | qflow | Task Master | OpenSpec |
|---|---|---|---|
| MCP 工具 | 51 个 | 44 个 | 0（仅 CLI） |
| 任务状态机 | 7 状态 | 6 状态 | 2 状态 |
| Agent 人格 | 12 个 | 无 | 无 |
| 设计系统 | 6 平台 | 无 | 无 |
| 运行时依赖 | 4 个 | 61 个 | 9 个 |
| 无 API Key 可用 | 是（47/51） | 否 | 是 |
| 许可证 | 纯 MIT | MIT + 限制 | MIT |
数据不吹不黑，全部从源码里数出来的。核心差异在三个点：
第一，12 个 Agent 人格。 PM、架构师、QA、安全、DBA、DevOps……一个任务丢进去，12 个角色轮流审。比你自己 Review 三遍还细致。这个能力别家没有。
第二，17 个上下文模块。 Web、iOS、Android、游戏引擎、设计工具——6 个平台的 UI 规范，按需加载。AI 写代码的时候自动知道"iOS 间距要用 8 的倍数"、"Compose 圆角不超过 16dp"。不用你每次提醒。
第三，4 个依赖 vs 别人的 61 个。 供应链越短，安装越快，出 Bug 的概率越低。qflow 的安装只需要三步：
qflow 安装
# Step 1
git clone https://github.com/Pangu-Immortal/qflow.git
# Step 2
cd qflow
# Step 3
bash setup.sh
setup.sh 自动完成：检测 Node.js ≥ 18 → npm install → npm run build → 注册到 Claude Code / Cursor / Windsurf。装完重启编辑器，231 个工具即刻生效。
又一个小调查（评论区选一下）：
你现在的 AI 项目管理方式是？
- A. 纯靠脑子记，没有任何工具
- B. 用 Linear / Jira / Notion 手动管理
- C. 用了 Task Master 或类似 MCP 工具
- D. 已经在用 qflow
我选 D，不是因为我造的所以吹，而是踩过 B 和 C 的坑才知道差距在哪。
工具介绍完了，下面是真正拉开差距的实战
04 实战：Routines × qflow = 7×24 自动化
说了这么多，落地才是硬道理。我把最近一周跑通的三个场景分享出来。
场景一：每晚自动修 Bug
Routine Prompt 写的是："从 GitHub Issues 中找到标签为 bug 且未分配的 Issue，用 qflow_task_create 创建任务，用 qflow_task_expand 拆解子任务，逐个修复并提交 PR。" 触发器设为每晚 2:00。一周下来，它自动处理了 11 个 Bug，其中 8 个 PR 直接合并，3 个需要小改。成功率 73%。
场景二：PR 多人格自动 Review
GitHub 触发器——每当有新 PR 创建时自动运行。Prompt 是："用 qflow 的 12 个 Agent 人格（PM、架构师、QA、安全、DBA、DevOps）逐一审查这个 PR，汇总所有观点，输出一份结构化的 Review 报告。" 效果比我预想的好。安全人格揪出了一个 SQL 注入隐患，我自己 Review 的时候完全没注意到。
场景三：每周 Sprint 报告
每周一早上 8 点触发。Prompt："用 qflow_task_list 汇总上周完成的任务和当前 blocked 的任务，用 qflow_assignee_workload 统计工作量分布，生成 Sprint 报告并推送到项目 README。" 我每周一打开电脑的时候，报告已经在那了。
一周对比：有 Routines + qflow vs 没有
以前：每天手动扫 Issue → 手动拆任务 → 手动写代码 → 手动 Review → 手动写报告。日均 3 小时重复劳动
现在：Routine 每晚 2 点自动修 Bug、PR 创建自动触发 12 人格 Review、每周一自动生成报告。我只需要每天早上花 15 分钟看结果、合并 PR
说实话，第一次设置 Routines 的时候我翻车了。 Prompt 写得太模糊，AI 把一个好好的工具类改得面目全非。后来我学到一个关键点：Routine 的 Prompt 必须像写 Spec 一样精确——"改哪个文件、不碰哪个模块、测试怎么跑"，全部写清楚。qflow 的 Spec 驱动开发正好解决这个问题。
05 四部曲完结：从能说到不睡觉
回头看这四篇文章，其实讲了一条完整的进化路径：
AI 创业 100 天 · 四部曲路径图
第一篇 · Prompt → Context Engineering 教 AI 怎么理解你说的话。从写提示词到构建上下文系统。
第二篇 · Skill → Harness Engineering 教 AI 怎么守规矩。从装插件到自己写岗位手册。
第三篇 · MCP → Tool Integration 教 AI 怎么用工具。从嘴强王者到真正能动手干活。
第四篇 · Routines + qflow → Autonomous Execution 让 AI 自己干活。从朝九晚五到 7×24 通宵不休息。
四步走下来，AI 从一个"聊天机器人"变成了一个**"通宵值班、自动排任务、多角色审查、每周写报告的全栈员工"**。
更重要的是——这整套东西，任何一个独立开发者都能搭出来。不需要团队，不需要百万预算，甚至不需要 API Key（qflow 47 个工具不需要 Key 就能跑）。
GPT-6 还在训练，Grok Computer 还在内测，但你今天就可以用 Opus 4.7 + Routines + qflow 搭出一套 7×24 的 AI 自动化工作站。
工具都是现成的，差的只是你动手的那一步。
AI 的终极形态不是更聪明的对话，而是你睡着了它还在干活。
下一篇预告
四部曲到这里告一段落。但 AI 创业 100 天还在继续。
下一篇，我想聊一个更大的话题——当 AI 能自动干活之后，"一人公司"到底能走多远？
四部曲解决的是"怎么让 AI 干活"，下一步要解决的是"用 AI 干什么活能赚钱"。全国 9 个城市已经在砸钱培育 AI 一人公司，但超过半数月入不到 7000。
这个问题的答案，我还在找。找到了就写。
评论区互动
你最想让 AI 自动化的工作是什么？
- A. 每天跑测试 + 修 lint 报错
- B. Review PR + 写 commit message
- C. 从需求文档自动拆任务
- D. 其他（评论区说）
我选 B。因为 Review 是最耗精力但最重复的工作，12 个 Agent 人格轮流审一遍，比我自己看三遍都仔细。上周安全人格揪出来的那个 SQL 注入，到现在还让我后怕。
qflow 开源地址：github.com/Pangu-Immor…
