type: blog title: “我让 Claude 指挥 GPT 写了个工具——一次真实的 AI 编排 demo” date: “2026-07-04” tags: [“AI编排”, “Claude”, “Codex”, “GPT”, “多模型协作”, “异构编排”, “可验收”] description: “不是聊 AI 编排的概念，而是走一遍真流程：Claude 当大脑出规格、GPT(Codex) 当手写代码、Claude 验收，10 分钟造出一个能跑的博客质检工具。附可复用的编排 skill。“

我让 Claude 指挥 GPT 写了个工具——一次真实的 AI 编排 demo

很多人聊「多模型协作」都停在概念。这篇不讲概念，走一遍真流程：Claude 当大脑、GPT（Codex）当手，造一个真能跑的工具出来，全程有据可查，最后附一个可复用的编排 skill。

一句话

Claude 出规格、把关验收；GPT（Codex）跑命令、写代码、干体力活。 两者不是「谁更强」的竞争，是「脑和手」的分工——判断留给擅长推理的，执行交给擅长跑活的。这次 demo 就是让 Claude 指挥 Codex，10 分钟造出一个能用的「博客质检工具」。

为什么这么分工

单模型什么都自己干，有两个隐性成本：

贵：让强推理模型去干「读文件、跑命令、改代码」这种体力活，是杀鸡用牛刀。
慢：一个脑子串行做所有事，不如「脑出规格 + 手并行执行」。

分工的本质是把任务拆成两层：「想清楚要什么」（脑） 和 「把它做出来」（手）。想清楚的那层——目标、边界、验收标准——必须由判断力强的模型定死；做出来的那层——具体实现——交给执行力强、跑命令稳的模型。

关键判断：执行力越强，方向错了代价越大。所以「脑」的活不是可选项——规格没定清就让「手」开干，等于让它在错误的方向上飞快地跑。

真实 demo：造一个博客质检工具

第一步 · Claude 出规格（脑）

我要一个工具，自动体检一篇深度拆解文章达不达质量线。规格定死四条可机器判定的标准：

正文字数 ≥ 3500；
是否覆盖 7 段拆解维度（钩子/人设/信息密度/结构/金句/收尾/可复制），至少命中 5 个；
是否含四角度反思（对我们/对自己/对业务/对未来），至少 3 个；
是否列了 ≥ 3 条可复用判断。输出逐条 PASS/FAIL + 总结 + 退出码（全过=0）。纯标准库、带自测参数。

注意：每一条都是「机器能判对错」的——这是把活交给执行模型的硬门槛。写不出验收标准的活，不该外包给「手」，因为你没法验它做对没有。

第二步 · Codex 执行（手）

把规格丢给 Codex，它读懂、写代码、自己造测试用例、跑通。产出：一个 246 行的 Python CLI，纯标准库，带 --selftest。全程我没写一行实现代码——只出规格。

第三步 · Claude 验收（脑）

「手」说「我写完了」不算完，必须验真产物。我做了三件事：

语法编译：通过；
拿一篇真文章跑：它输出「体检结果: 2/4 项通过·字数不够·7段命中 3/7」——真的在按规格判，不是空壳；
核对退出码逻辑：有 FAIL 就退出码 1。

验收通过。一个能用的工具，从规格到落地，Claude 全程没碰实现、只负责「要什么」和「对不对」。

两条编排铁律（血泪换的）

铁律一：能写出机器验收命令，才交给「手」。 「让 AI 写篇好文章」没法自动验对错——这种交给执行模型，它会给你一个看着像样、实则注水的东西，你还没法一眼识破。「字数≥3500 且含四角度」能验——这才是能安全外包的活。

铁律二：「手」报告「我做完了」，永远要亲自验真产物。 执行模型有时会报「完成」，但产物根本没落地（写到别处、或中途断了自己没察觉）。所以验收不看它的自我报告，看真东西：文件在不在、能不能跑、输出对不对。这一条今天救了我好几次——有几次「手」说做完了，一查产物根本不在，全靠亲自验才没把废品当成品交出去。

打包成 skill

这套「脑出规格 → 手执行 → 脑验收」的编排流程，本身就该固化成一个可复用的 skill，让每次编排都不跳步、不忘验收。skill 已随本文发布（见博客技能区），核心就三步 + 两条铁律，配上今天这个 lint 工具当现成例子。

可迁移判断

多模型协作的本质是「脑手分工」，不是「谁替代谁」——判断留给推理强的，执行给跑命令稳的。
可验收性 = 能不能外包给「手」的分水岭——写不出机器验收命令的活，别交出去。
验收看真产物、不看自我报告——执行模型说「做完了」和「真做完了」是两回事，永远亲自查。

本文的工具由 Claude 出规格、Codex 实现、Claude 验收，全过程真实发生。工具选择（Claude/Codex/其它）按习惯即可，非厂商背书。