Garry Tan 的 400 倍生产力革命：Tokenmaxxing 不是省，是"烧干湖水"

> **核心信息源**: Garry Tan 在 YC Lightcone 播客的对话 > **gstack GitHub**: https://github.com/garrytan/gstack (约 90K stars) > **作者**: Garry Tan — YC 总裁兼 CEO，13 年不写代码后回归代码开发 --- ## 一、一个让所有人沉默的数字：400 倍 2026 年，YC 总裁 Garry Tan 做了一件事：他回到了 13 年前的工作——写代码。不是为了情怀，而是为了验证一个假设：**一个人加上 AI 工具，能不能做完过去一个专业团队的工作？** 答案出来了。他现在的代码产出效率，是他 2013 年全职写代码时的 **400 倍**。 不是 4 倍，不是 40 倍——是 400 倍。 支撑这个数字的项目： | 项目 | 第一次开发 (2008-2012) | AI 重建 (2025) | |------|----------------------|----------------| | Posterous 博客平台 | 18 个月 / 400 万美元 / 6-7 人团队 | **5 天 / 200 美元 / 1 个人** | | gstack 开源项目 | — | 60 天 / 60 万+ 行 / 兼职 | | 日均代码产出 | — | **10,000-20,000 行可用代码** | 200 美元做掉了 400 万美元的事。这是 AI Agent 时代的第一个"登月"级别证明。 --- ## 二、Tokenmaxxing：不是省 token，是把 token 烧到极限 Garry Tan 最核心的哲学，他自己给了个词：**Tokenmaxxing**。 这个词容易被误解。它不是"优化 token 使用"——恰恰相反，它是**彻底不考虑 token 成本，把 token 花到极限**。 ### 2.1 核心理念："Boil the ocean" Tokenmaxxing 的核心口号是："彻底穷尽所有信息"（boil the ocean）。 传统开发者的思维："这个功能差不多了，代码够短就行。" Tokenmaxxing 的思维："AI 让完整实现的边际成本趋近于零，永远推荐完整方案。" | 任务类型 | 人工耗时 | AI 耗时 | 压缩比 | |---------|---------|---------|--------| | 脚手架代码 | 2 天 | 15 分钟 | 100× | | 写测试 | 1 天 | 15 分钟 | 50× | | 功能实现 | 1 周 | 30 分钟 | 30× | | Bug 修复 + 回归 | 4 小时 | 15 分钟 | 20× | ### 2.2 Token 是杠杆，不是成本 Garry Tan 打了个比方："Token Maxxing 就像旧金山的房租。你不住在那里的代价更贵。" 每篇文章生成成本约 5-10 美元，但能做"一个人类记者要花一个月才能做完的研究"。**会花 token 的人比会省 token 的人更有竞争力**。 --- ## 三、GStack：把 Claude Code 变成一家"虚拟公司" ### 3.1 Thin Harness + Fat Skills Garry Tan 的工程哲学很简单： > **"不要把精力花在重复搭建框架层（harness）上，这一层交给成熟工具就好。真正该投入的，是用自然语言写清楚'这件事应该怎么做'的 markdown 提示词——也就是 Skills。"** - **Thin Harness**: Claude Code / OpenClaw / Codex 处理底层执行 - **Fat Skills**: 用详细 markdown 描述领域知识、工作流程、判断标准 ### 3.2 23 个专业角色 gstack 把 Claude Code 拆解成一家虚拟技术团队： | 角色 | 命令 | 职责 | |------|------|------| | CEO | `/office-hours` | 产品方向、战略审视 | | 产品经理 | `/plan-ceo-review` | 需求审查，防止做无用功 | | 架构师 | `/plan-eng-review` | 技术架构、测试覆盖率 | | 工程师 | 自动生成代码 | 功能实现 | | 安全专家 | `/paranoid-review` | OWASP Top 10 + STRIDE | | 代码审查 | `/review` | 两轮审查：SQL 安全、竞态条件、LLM 信任边界 | | 设计师 | `/design-review` | 视觉审计，AI slop 模式检测 | | QA 工程师 | `/qa` | 三层测试 + Diff 感知模式 | | 运维 | `/ship` | PR、更新日志、部署 | | 浏览器代理 | `/browse` | Playwright 浏览器自动化 | --- ## 四、核心架构拆解：为什么它这么快？ ### 4.1 Conductor 并行模式 Garry Tan 同时调度 **10-15 个 Claude Code 会话**并行工作，每个在独立的 Git worktree 中。这让他能同时推进多个功能/任务，互不干扰。 ### 4.2 持久化浏览器守护进程 ``` Claude Code CLI ↓ HTTP POST (Bearer Token) Bun.serve() 服务器（10 个路由） ↓ Playwright CDP 协议 Chromium 无头浏览器（持久标签页 / Cookie） ``` - 首次启动：约 3 秒 - 后续每条命令：**约 100ms** - 30 分钟空闲自动关闭 20 条浏览器命令总开销不到 2 秒，传统方案（每次冷启动 Playwright）需要 40 秒以上。 ### 4.3 无障碍树 Ref 系统 传统方案用 CSS 选择器操作 DOM，在 Shadow DOM、CSP、框架水合时频繁失败。gstack 用 Playwright 的 **accessibility tree** 生成引用： ``` 获取页面快照 → 看到 @e1, @e2, @e3... $B fill @e3 "user@example.com" $B click @e5 ``` 用 ARIA 树遍历 + 顺序编号，绕过 CSS 选择器的脆弱性。 ### 4.4 Diff 感知 QA 模式 最强创新之一：在 feature 分支上运行时，自动分析 git diff → 映射受影响路由 → **只测试变更的代码路径**。比全量 QA 快 10 倍。 ### 4.5 GBrain 持久记忆 ``` 传统 Agent 工作流： 收到问题 → 直接调用外部 API 问题：每次都拉数据，重复、昂贵、无积累 GBrain 的 Brain-First 工作流： 收到问题 → 先查询本地 brain（索引知识图谱） 命中？零额外成本直接回答 未命中？调用外部 API → 写回 brain → 下次命中 结果：越用越聪明，越用越便宜 ``` Garry Tan 的 live usage：17,888 页面 / 4,383 人 / 723 公司。 --- ## 五、三个设计哲学 ### 5.1 "烧干湖水"完整性原则 AI 让完整实现的边际成本趋近于零。永远推荐完整方案。反模式： - 错：选 B 吧，覆盖 90% 且代码更少 →（如果 A 只多 70 行，选 A） - 错：跳过边界情况省时间 →（边界情况只需几分钟） - 错：测试覆盖留到后续 PR →（测试是最便宜的"湖"） ### 5.2 Fix-First 审查哲学 每个发现都要行动： - **AUTO-FIX**：机械性问题直接修（N+1 查询、死代码、明显 bug） - **ASK**：需要判断的问你 ### 5.3 非交互式设计 尊重用户决策。说 review 就 review，说 ship 就 ship。不在每一步都问"确定吗？"。只在真正需要人类判断时才停下来。 --- ## 六、落地启示：普通人怎么借鉴 ### 6.1 最小可复制的步骤 即使不用 gstack 全套系统，核心理念可以直接用： 1. **买一个 Claude Code / Codex 订阅**（harness 层） 2. **为每个常用任务写一个 SKILL.md**（skill 层） 3. **不用"写代码"的方式思考，用"分配任务"的方式思考** 4. **不省 token：给 AI 完整的上下文，让它"烧干湖水"** ### 6.2 SKILL.md 模板 ```markdown --- name: review description: Engineering Manager code review --- ## 角色 你是高级工程经理，正在进行代码审查。 ## 审查重点 - 架构决策和可维护性 - 安全漏洞和边界情况 - 性能影响 - 代码清晰度和文档 - 测试覆盖率 ## 输出格式 每条发现标记为： - [AUTO-FIX] 机械性问题，直接修复 - [ASK] 需要判断，询问确认 ``` ### 6.3 关键认知转变 | 传统开发 | Tokenmaxxing 开发 | |---------|-------------------| | 写代码是第一生产力 | 写清楚需求是第一生产力 | | 精简代码、控制成本 | 完整实现、穷尽信息 | | 一个人做一个模块 | 一个人指挥 15 个 Agent 做整个产品 | | 调试靠经验 | 调试靠完整测试覆盖 + Diff 感知 QA | | token 是消耗品 | token 是杠杆 | --- ## 七、争议与局限 ### 7.1 生产力数字的争议 Garry Tan 的 810× 和 400× 声明用"逻辑代码行"（实际执行语句）而非原始 LOC。AI 生成代码倾向冗长（更多注释、类型标注），按原始行数会虚高。不过即使打 5 折，也是 80 倍——依然惊人。 ### 7.2 生态锁定 gstack 紧密绑定 Claude Code 生态：需要 Bun（不仅是 Node.js）、假设 Claude Code 的 MCP 协议、Git hooks 期望特定目录结构。用 Cursor / Copilot 需要大量适配。 ### 7.3 适用范围 23 个技能偏向快速迭代和创业工作流： - 没有 `/compliance-check`（监管行业） - 没有 `/legacy-migration`（遗留系统重构） - 没有 `/performance-profiling`（性能优化重工作） ### 7.4 "不是真正的多智能体" 批评者说 gstack 不是真正的多智能体编排——它只是在一个 Claude Code 实例中切换角色，需要人类编排每一步。真正的多智能体需要独立实例间的动态协调。 但 Garry Tan 的回应很直接：**"我不在乎它算不算'真正的'多智能体。我在乎的是它能不能出货。"** --- ## 八、一句话总结 Garry Tan 的 400 倍不是魔法，是一个简单的等式： > **"把 AI 当作一个 15 人的工程团队来管理，而不是一个更快的高级程序员。"** Tokenmaxxing 不是挥霍——是认识到在 AI 时代，**信息密度比代码密度更重要**。一个花了 10 美元 token 的完整研究，胜过一个人类记者花一个月做的粗糙调查。 烧干湖水。完整实现。让 AI 做它擅长的事（穷尽信息、完整测试、并行执行），让人类做人类擅长的事（判断、审美、方向）。 这就是 200 美元干掉 400 万美元的真相。 --- **参考来源：** - Garry Tan gstack GitHub: https://github.com/garrytan/gstack - YC Lightcone 播客对话 (2026-05) - "Garry Tan's gstack hits 89.7K stars" (Augment Code, 2026-05-05) - "Garry Tan 的 AI 编程工厂：gstack 深度解剖" (掘金, 2026-03-18) - "Garry Tan 400x 效率秘诀：Thin Harness + Fat Skills" (SOTA Sync, 2026-05-10) - "EP98：YC总裁Garry Tan如何靠 AI 搞定 400 人的产出" (小宇宙播客, 2026-05-11) #GarryTan #YC #Tokenmaxxing #gstack #ClaudeCode #AI编程 #Agent开发 #生产力革命 #一人团队 #ThinHarnessFatSkills #HeavyGrok #AI编程 #GarryTan #YC #Tokenmaxxing #gstack #ClaudeCode #Agent开发 #生产力革命 #一人团队 #HeavyGrok