一人军队（OMA），如何玩转 Vibe Coding？
内容提要
一人公司（OMA）趋势兴起，作者分享Vibe Coding实践：采用MonoRepo让AI全面理解系统，用层级上下文文件显性化知识，通过PairLoop快速迭代，倾向多平台多语言而非跨平台统一，提炼经验而非复用代码。核心是缩短反馈循环，AI降低修改成本，人负责判断方向与验收，扩大个人工程能力边界。
延伸解读
从“代码贵”到“反馈贵”：软件工程经济学变了
作者指出，传统软件工程的大量实践（如跨平台、代码复用、单一语言）本质上是为降低“人写代码的成本”。当AI让代码生成成本骤降后，这些实践未必最优。核心变化是：修改成本降低，而反馈循环的价值上升。因此，与其追求一次写对，不如快速迭代、频繁验证。这提示读者，评估开发方式时，应关注反馈周期的长短，而非单纯代码复用率。
MonoRepo与上下文文件：让AI“看懂”系统
作者认为，在Agent编程时代，仓库划分不仅要考虑团队边界，更要考虑如何让AI全面理解系统。MonoRepo能让Agent看到完整依赖链，而层级化上下文文件（Global→Project→Module→Task）则把隐性知识显性化，减少AI的猜测。这提醒读者，若想提升AI协作效率，代码库不仅需要可运行的代码，还需要结构化的意图说明，且上下文应尽量靠近其约束的模块。
多平台多语言：AI降低了“重复实现”的代价
传统上，跨平台和单一语言生态是为了节省人力成本。但作者观察到，AI没有语言壁垒，能轻松切换Swift、Rust、TypeScript等，因此技术选型可回归“什么语言最合适”。同时，与其让所有平台迁就一个抽象层，不如各自用原生技术栈，共享产品定义和协议。这提示读者，在AI辅助下，可以更灵活地选择技术栈，但需承担相应的决策责任。
提炼认知而非复用代码：知识沉淀的新方式
作者提出“Distill, not just Reuse”：与其把一段好用的代码抽成框架，不如把背后的设计原则、踩坑点、流程等提炼成Context或Spec，下次让AI根据新项目重新生成实现。因为代码是特定问题的解，而知识能生成多种解。这提示读者，在AI时代，积累可复用的“认知”比积累代码库更有长期价值，但需注意提炼的准确性。
Q&A
OMA（One Man Army）和OPC（One Person Company）有什么区别？
OMA强调一个人拥有完成一整套任务或整个目标交付的能力，从产研到销售和服务；而OPC更侧重于公司只有一个人。OMA更强调个人能力的全面性和战斗力。
为什么在Vibe Coding中推荐使用MonoRepo？
因为MonoRepo能让Coding Agent看到整个系统，当需求同时涉及前端、API、数据库等时，Agent可以顺着依赖关系找到所有相关代码，减少上下文成本，提高理解能力。
什么是Hierarchy Context Files？它有什么作用？
Hierarchy Context Files是层级化的上下文文件，从全局到模块再到任务，将项目的目标、原则、架构约束等显性化，让Agent每次进入项目时能快速理解设计意图和规则，减少猜测，提高准确性。
PairLoop是什么？为什么它比一次生成大量代码更有效？
PairLoop是类似结对编程的循环过程：意图→实现→运行→验证→反馈→修改→再运行。它强调缩短反馈环，让Agent做一点、马上运行、看到问题、马上修正，而不是依赖一次完美的Prompt。因为复杂系统无法一次描述穷尽，快速迭代能提高确定性。
为什么作者倾向于Multi-Platform而不是Cross Platform？
因为Cross Platform追求一套代码运行多平台，但需要迁就抽象层；而Multi-Platform允许每个平台用最适合自己的技术栈实现，共享产品定义、协议等，不共享代码。AI降低了重复实现的成本，使得多平台开发更可行。
在Vibe Coding中，为什么作者认为应该多语言混合编程而不是统一一种语言？
因为AI没有语言壁垒，可以轻松切换多种语言，所以技术选型可以回归到“什么语言最合适”的原则，例如macOS用Swift、高性能组件用Rust、Web用TypeScript等。AI降低了多语言混合编程的认知成本。
作者为什么建议将验收和最终部署分开？
因为验收追求低摩擦反馈，应该让功能通过一个地址就能打开验证；而最终部署（尤其企业内部系统）追求安全、私有和可控，需要进入客户局域网。分开可以避免部署复杂性拖慢反馈周期，而Vibe Coding最怕Loop太长。
在AI时代，为什么作者认为应该Distill而不是Reuse？
因为Reuse是复用上一次的代码，而Distill是提炼出设计原则、踩坑经验等认知，让Agent根据新项目重新生成实现。AI让重新生成代码越来越便宜，所以复用认知比复用代码更有价值。
作者总结的Vibe Coding核心是什么？为什么？
核心是“More Loops, More Certainty”，即更多轮次、更多确定性。因为AI降低了每次修改的成本，所以可以通过快速迭代和频繁反馈来增加确定性，而不是要求AI一次就完美。
在AI生成代码的时代，人的工程能力还重要吗？为什么？
重要，而且更重要。因为现在人的能力从“能写出什么”转变为“能判断什么是对的”，包括架构、技术选型、平台体验、数据模型、安全边界等，最终验收和方向判断仍需人来负责。
