一个脚本+一份PRD，Ralph让AI在你睡觉时把功能写完

大多数人以为AI写代码的极限是“快一点的Copilot”，但Greg Isenberg在这期节目里抛出一个更激进的玩法：你只要写清楚需求，剩下的交给一个叫 Ralph 的AI Agent，它会自己拆任务、写代码、测试、提交——而你在睡觉。这不是概念演示，而是已经有人每天在用的工作流。

最反直觉的点：Ralph不是更聪明，而是更“像人”

很多人第一次听到 Ralph 都会误解：是不是又一个更强的模型？更大的参数？更贵的API？恰恰相反。Ralph 的核心并不是“智力升级”，而是一个极其朴素、甚至有点老派的工程逻辑：像人类工程师一样工作。

它做的事情只有四步：从任务列表里挑一个小任务 → 实现它 → 测试 → 提交代码。然后重复。没有炫技，没有魔法。Greg 在节目里说了一句很有分量的话："This is the way humans have been coding forever. And this is exactly what Ralph is doing." 这也是为什么大家会“突然意识到不对劲”——原来AI不需要变得像天才，只要变得像一个靠谱的初级工程师，而且能24小时不下线。

真正让人不安的是后果：当这个循环跑起来，它不是在“帮你写代码”，而是在替你推进整个产品。你醒来，feature已经合并进主分支了。

Ralph真正的起点不是代码，而是一份被严重低估的PRD

如果你以为 Ralph 的门槛在技术，那你就错过重点了。节目里反复强调：决定 Ralph 成败的第一步，是你写 PRD 的能力。

流程很清晰，也很残酷：先用自然语言写一份 PRD（Product Requirement Document），这一步甚至可以完全不懂代码；然后把这份 markdown PRD 转成结构化的 JSON；接下来最关键的是 acceptance criteria——每一个用户故事，都必须是“可验证”的。

为什么？因为 Ralph 的工作方式是跑多个独立的小循环，每次只完成一个 user story。如果验收标准是模糊的，Agent 就会卡住、返工、浪费token。Greg 说得很直白："Spend an hour on this." 一小时把需求想清楚，换来的是一整晚自动化开发。

这其实暴露了一个行业真相：过去 PRD 写得烂，成本是工程师加班；现在 PRD 写得烂，成本是你的AI在黑夜里疯狂烧token却毫无进展。

你睡觉时，Ralph在干什么？一次完整的夜间循环

在具体实现上，Ralph 并不神秘。它本质上是一个 bash 脚本 + 明确的 system prompt。

当你运行脚本后，会发生一连串“工程化得不能再工程化”的事情：Agent 从 prd.json 里挑一个 story；根据 system prompt 去实现；跑测试；提交 commit；更新 prd.json 的状态；把进度写进 progress.txt；必要的信息沉淀到 agents.md 作为长期记忆。

这一点很重要。Greg 特别区分了 short-term memory 和 long-term memory：不是每一次上下文都塞进prompt，而是通过文件系统，让Agent“像一个项目成员一样”逐步理解代码库。这也是为什么 Ralph 不只是一次性生成，而是一个可以越跑越顺的循环。

整个过程发生的时候，人类在干嘛？答案很简单：睡觉。Ralph 的价值不是让你更快敲键盘，而是把“非创造性的工程推进”整体外包给机器。

成本焦虑是假的：14次迭代，只花了3美元

几乎所有听众都会问同一个问题：token 会不会爆？Greg 在节目里给了一个非常具体的答案：一次真实的 Ralph 迭代，14 次循环，成本大概 3 美元。

典型情况下，一个 feature 大约 10 次左右的迭代就能完成。AMP 负责执行，完成后自动 commit，并更新 PRD 状态。这种“闭环”意味着什么？意味着 token 花得是有产出的，不是在聊天框里反复试探。

Greg 也点出了 Ralph 和单纯用 AMP 的差异：你不是在同一个上下文里越聊越乱，而是“每一次都是一个干净的执行循环”。这让 Agent 更像一个可以管理的工程资源，而不是一个情绪化的对话对象。

当你意识到这一点，成本焦虑会迅速转化为另一种情绪：为什么我之前没这么干？

这不是玩具，而是一个人在对抗整支工程队

节目最后，Greg 抛出了一个很重的判断：这个 loop，本质上就是“一整个工程团队，在你睡觉时工作”。

当然，它还不是万能的。你依然需要花时间写 PRD、拆用户故事、定义验收标准。但门槛已经发生了决定性的变化：你不需要计算机科学学位，不需要懂复杂架构，甚至不需要实时盯着进度。

真正的分水岭在这里——未来能不能做出产品，不再取决于你会不会写代码，而取决于你能不能把“脑子里的想法”表达得足够清楚，让AI去执行。Ralph 只是第一个被广泛讨论的例子，但绝不会是最后一个。

总结

Ralph 让人震撼的地方，不是技术细节，而是它重新定义了“个人能完成的工作量”。当需求被结构化、验收标准被量化，AI 就不再是灵感工具，而是执行机器。对AI从业者来说，最现实的行动建议只有一个：练习写好PRD，把模糊想法变成可验证的用户故事。因为在接下来的竞争中，写得清楚的人，会比写得快的人走得更远。

关键词： AI Agent， Ralph， PRD， 代码生成， 提示工程

事实核查备注： 需要核查：1）视频中提到使用的模型是否为 Claude Opus 4.5；2）单次 Ralph 迭代约 3 美元、14 次循环的具体上下文；3）Ralph 概念最初由 Jeff Huntley 提出；4）视频发布时间 2026-01-08 是否准确