过去半年，我们团队尝试了全流程的 Vibe Coding 模式。刚开始用提示词生成代码的感觉非常爽快，但随着项目规模扩大，技术债开始爆发。
Vibe Coding 的核心问题并不在于某几行代码的质量低下，而在于它完全缺乏全局观，且不遵循软件工程的规范。
没有宏观架构，没有项目长期记忆，没有自动化审计，我们意识到 Vibe Coding Is Not Engineering 。
为了使 AI 编程更符合软件工程规范，我们开发了这个项目。
AnyPal 是由 Pomesoft 研发的全栈 AI 编程平台，支持导入国内外主流模型 API 。它在保留 Vibe Coding 快速生成体验的同时，引入了软件工程的规范。
多 Agent 协同与对抗审计：内置工程经理，架构师等 11 个 AI 角色与 6 个反方审查员，支持 Coder 与 Adversary （测试/安全等）多 Agent 左右互搏，在代码交付前完成质量闭环。
成本优化：对抗审计配合 S/M/L/XL 任务规模自动切换模型，可以极大降本增效，将 Token 花在刀刃上。
项目长期记忆：基于 Tree-sitter 与 DuckDB 构建 GraphRAG 代码知识图谱，设立 Postmortem 工作区，自动复盘每个 BUG ，沉淀经验随项目共同进化。
支持敏捷迭代（ Plan 模式）和对抗式编程。
切换到 Plan 模式后，系统会直接呈现 Sprint 列表、Kanban 看板、燃尽图、依赖图和 Issue 管理。
和项目经理对话，将你的意图拆解为具备前后置依赖关系的树状任务流，统筹项目全局推进，多任务并行开发，不再需要打开多个 Chat 对话。
在线/离线模式: 用户在线时主动追问对齐需求，提前确认方案。用户离线后自主推进看板任务。
多 Agent 共享代码库与会话，正方写代码，反方实时审计，在代码进入暂存区前置阻断与纠偏，避免 BUG 与逻辑漏洞进入主干。以少量额外 Token 开销，大幅提质代码产出质量，对中小模型效果尤为明显。
这是项目早期的一个极端测试：在完全不人工干涉的情况下，让 AI 独立使用 WebDAV 协议实现一个网盘系统。
AnyPal 组：正方（ Coder ）使用 DeepSeek-V4-Flash ，反方（审查）使用 DeepSeek-V4-Pro 。
对照组：GitHub Copilot + Opus 4.7 。
在此案例中，资源消耗相近的情况下，AnyPal 凭借工程化闭环实现 10 倍以上的性价比。
一镜到底视频 https://www.bilibili.com/video/BV1JX5w61EfL/
在 AI 编程的时候 UI 也是一大痛点，回滚不仅浪费 Token ，还可能影响其他组件。
现在 AI 在开始前会先询问需求，给出数个方案和预览，您可以选择其一或者继续修改需求。
AI 修复 BUG 后自动生成 Markdown 复盘文档，记录严重程度、时间线、根因、修复措施，并关联可回放的 Agent 会话，随时追溯决策过程。该文档会进入项目的长期记忆，随项目共同进化。
项目地址： https://anypal.pome.net/
支持免登录，自行导入大模型 API 使用。
注册免费订阅可使用内置 DeepSeek-V4-Flash 、DeepSeek-V4-Pro 、Kimi K2.6, Token 需预充值。
推荐使用客户端体验完整功能
加入 Q 群：497719526 领取限量 Token 补贴。
我们正在寻找视频团队和测评博主合作，如果您有意向请联系我们。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。