别人用 7 个 SaaS 工具跑公司，我用一个 Git 仓库

搜 “solopreneur AI stack 2026”，Entrepreneur、PrometAI 这类文章一篇接一篇：用 Zapier 连接应用、用 n8n 搭自动化流水线、用 Notion 当知识库、用 Make 做工作流——叠满一整套 SaaS，就能跑一个一人公司。

我不用这些。

我的整个公司跑在一个 Git 仓库里。没有 Zapier，没有 Notion，没有 n8n。只有一个 monorepo、一个 AI（Claude Code），和一个 245 行的 CLAUDE.md 文件。

过去 5 周：139 次代码提交，12 篇双语博客，10 个 AI agent 上线，从零搭起了内容引擎、信号雷达、社媒分发、需求挖掘的全套系统。

这篇文章不是要说 SaaS 工具不好。而是想分享一种不同的思路：让 AI 住在你的代码库里，而不是让你住在 AI 的 SaaS 里。

我为什么选了这条路

两个产品在 10 天内做完，0 个用户。

第一个是 Chrome 插件 BuyOnce，做到了能用的程度，发到 Reddit——没人在乎。第二个是 Traction，一个竞品分析工具，还没等冷启动就发现需求信号不足，暂停。

复盘时我意识到：问题不是 AI 写代码不够快。问题是我在用 AI 做锤子，但不知道钉子在哪。

那段时间我也试过”标准”的独立开发者工具栈：Notion 记想法，Zapier 自动发推文，ChatGPT 写文案。结果是：工具之间互相不知道对方的存在。有一次 Zapier 按模板自动发了条推文推广产品功能，但我前一天刚把产品方向改了——推文和实际情况自相矛盾，我是看到一个陌生人的回复才发现的。Notion 里的需求分析结果不会自动流到 ChatGPT 的 prompt 里。每个工具都是一座孤岛。

于是我问了一个不一样的问题：如果 AI 不是”我用的一个工具”，而是”住在我公司里的一个人”，它需要什么才能真正帮我干活？

答案是：上下文。

不是碎片化的上下文（每次对话重新解释一遍你在做什么），而是完整的、持久的、可进化的上下文——你的业务逻辑、内容策略、品牌声音、技术架构、过去的决策和当前的状态，全部在一个地方。

架构：三层，一个 repo

能力层  agents/              做事的引擎
          ↑ 调用
编排层  .claude/commands/    串联能力，完成任务
          ↑ 包装
资产层  brand/ + products/   面向外部的一切

所有东西都在一个 Git 仓库里。Claude Code 启动时会自动读取根目录的 CLAUDE.md，这个 245 行的文件就是整个公司的操作手册：角色定义、协作规则、AI 调用规范、部署流程、记忆归属。

这不是理论架构。每一层都在日常运转。

能力层：10 个 agent

举三个最有代表性的：

demand-mining（Python 脚本）——爬 Reddit 和 HN 的评论区，用 LLM 聚类提取痛点，输出按情绪强度排名的需求列表。这是目前唯一用真正代码实现的 agent，因为它需要爬虫和数据库。

blog-writer（672 行 Prompt 规范）——定义了 12 步写作流水线：读内容日历 → 判断素材类型 → SEO 研究 → 竞品扫描 → 选叙事策略 → 写作 → 品味检查 → 启动独立 subagent 做对抗审查 → GEO 优化 → 配图 → 生成社媒草稿。没有一行 Python，全部是写给 Claude Code 的规则。这篇文章就是用它产出的。

radar（Python 脚本）——每天自动扫 GitHub Trending、HN 首页、ProductHunt 和 Twitter，按 4 维评分（传播速度 × 相关性 × 内容潜力 × 时效性），推荐值得学习或写博客的项目。

其余 7 个覆盖社媒回复、社区参与、竞品分析、机会评估、冷启动策略等——形态各异，从 Prompt 规范到方法论模板都有。

这是刻意的设计：能力的成熟路径是 prompt → 模板 → 脚本 → 完整 agent → 产品化。不需要过早工程化。一个 400 行的 Markdown 文件，只要写得足够精确，Claude Code 就能像执行代码一样执行它。

编排层：10 条指令

10 条指令覆盖从扫描到发布的全流程——/scan（快扫项目）、/study（深度拆解）、/blog（写博客）、/prospect（需求挖掘）、/launch（产品上线）、/distribute（多渠道分发）等。每条背后是一个 .claude/commands/<name>.md 文件。

核心设计：指令调用能力，能力不知道指令。 blog-writer agent 不知道自己会被 /study 还是 /blog 调用——它只关心输入类型。这让能力可以被多个流程复用。

所有这些 agent 和指令的产出，最终落到 brand/（博客站，12 篇中英双版文章）和 products/（产品目录，当前暂停）。还有 5 个 toolkit 模块在底层支撑：统一 LLM 调用层、Twitter 发帖 CLI、JSON 调度器、设计系统、图片优化器。

这比 SaaS 堆叠好在哪

不是说 Zapier 和 n8n 没用。它们解决的是”应用之间怎么连接”的问题。但一人公司的核心问题不是连接——是决策。

1. 上下文不碎片化

当 Claude Code 执行 /blog 时，它能读到：

CLAUDE.md 里的品牌声音定义
content-calendar.json 里的支柱平衡（tech-depth 42%, build-narrative 17%, trend-insight 42%）
已发布的 12 篇文章的 slug、关键词、内部链接关系
blog-writer agent 里的 8 种叙事策略和质量检查清单

所有这些信息在同一个文件树里。不需要 API 连接，不需要中间件，不需要”同步”。AI 读你的代码库，就像新员工读公司 Wiki 一样——但它真的会全部读完。

2. 能力会自动复利

每次 Twitter engagement session 结束后，数据会写入 engagement-log.json。下次执行时，Claude Code 会先读历史数据，分析哪种回复风格 views 最高，然后调整当次的策略。

这不是我写的代码在做数据分析。是 CLAUDE.md 里的一条规则（“Step 0: 回查上次结果”）让 AI 在每次执行前自动做这件事。规则写一次，每次执行都更聪明。

3. 交叉喂养是内置的

CLAUDE.md 里有一条规则：“完成任务后，主动思考交叉喂养——这次产出能喂养哪个其他目录？”

于是：

/study 产出的博客会自动检查是否有可复用代码 → 提议沉淀到 toolkit/
/prospect 发现的需求如果和已有 agent 相关 → 提议增强该 agent
博客写作中积累的叙事策略 → 反哺 twitter-engagement agent 的回复质量

在 SaaS 工具栈里，Notion 里的笔记不会自动影响 Zapier 的工作流。但在 monorepo 里，一切都连着。

AI 记得昨天做到哪了

这个系统最让我意外的一点不是效率——是连续性。

每天早上打开终端，说”继续”。Claude Code 会自动读 ROADMAP.md（战略计划）和 memory/MEMORY.md（上次做到哪的快照），然后汇报：“上次完成了 Blog #3 的对抗审查，下一步是社媒草稿，当前没有阻塞项。”

不需要重新解释背景。不需要翻聊天记录。它记得。

这就是”AI 住在代码库里”的真正价值——不是某次对话有多聪明，而是跨越会话的记忆和持续的上下文积累。ROADMAP.md 是战略记忆，MEMORY.md 是操作记忆，DECISIONS.md 是决策记忆。三个文件，AI 就能在任何时刻恢复到上次中断的状态。

5 周的实际产出

指标	数字
Git 提交	139 次
博客文章	12 篇（中英双版，含 3 种支柱）
AI Agent	10 个（从 prompt 规范到 Python 脚本）
编排指令	10 条
工具包	5 个（AI 调用层 + 发帖 CLI + 调度器 + 设计系统 + 图片优化）
策略转型	1 次（从产品优先 → 品牌优先）

这些不是”计划”，是已经 commit 到 Git 里的东西。每个 agent 有 CLAUDE.md，每条指令有 .md 定义，每篇博客有 SEO + GEO 检查记录。

收入？还是零。这个系统目前是一台内容生产和分发机器，还没有接上变现引擎。但一人公司的天花板是分发——先把分发能力建起来，产品的事后面再说。

你需要什么才能复制这个

老实说，门槛不低：

Claude Code（或类似的代码感知 AI）。ChatGPT、Cursor 也可以，但 Claude Code 的 CLAUDE.md 机制让”公司操作手册”可以版本化追踪
Git 和 monorepo 思维。不是因为 Git 本身有什么魔法，而是因为”所有东西在一个树里”是 AI 获取完整上下文的前提
写 Markdown 的能力。这个系统 80% 是 Markdown 文件——CLAUDE.md、agent 规范、指令定义、内容模板。代码只占 20%

最重要的不是工具，是一个意识转变：AI 不是你打开的一个应用。AI 是住在你代码库里的一个团队成员，你需要给它一份完整的入职手册。

CLAUDE.md 就是那份入职手册。

FAQ

这个方法和用 Cursor / Windsurf 有什么区别？

Cursor 和 Windsurf 是 AI 代码编辑器，擅长”帮你写代码”。这个方法的核心不是写代码——是让 AI 执行业务流程（写博客、分析需求、管理社媒、评估机会）。Claude Code 的 CLAUDE.md + commands 机制让你可以定义任意流程，然后用自然语言触发。本质区别：代码编辑器帮你做开发，这个系统帮你做经营。

没有编程经验能用这个方法吗？

需要基础的 Git 和命令行操作能力。但大部分”编程”工作是写 Markdown 文件定义规则和流程，不是写 Python 或 TypeScript。如果你能写一篇结构清晰的文档，你就能写一个 agent 规范。Claude Code 会把你的规范转化为执行。

CLAUDE.md 245 行会不会太长？AI 真的全部读完了吗？

会全部读完。Claude Code 启动时强制加载 CLAUDE.md，这是它的核心机制，不是可选功能。仅 CLAUDE.md 本身对 200K context window 来说微不足道。实际经验：越详细的规范 → AI 犯的错越少。据 Claude Code 创建者的分享，Anthropic 内部团队也是每个成员往同一个 CLAUDE.md 里写规则，出了错就加一条——和我的用法完全一样。