我们如何 工作
AI 写代码。资深工程师决定什么上线。这个分工就是全部方法。

工作 流程
六个步骤。每个功能、每次修复、每次改动都要走完这六步。
我们如何与 AI 一起开发:先做计划,逐个审查 diff,把错误写下来。资深判断力叠加 AI 速度。
技术 栈
AI模型
Claude Fable · Claude Opus · GPT · GLM · Qwen Coder (local) · Qwen Max (local) · Gemma (local)
编程语言
TypeScript · Python · Rust · Go · Swift · Kotlin · SQL
前端
React · Next.js · SvelteKit · Astro · Tailwind CSS · Framer Motion
移动端
SwiftUI · React Native · Flutter · Expo
后端
Node.js · FastAPI · NestJS · Hono · Express · Encore · Prisma · Drizzle

图像与 影片
本站的场景都是生成的,不是买来的图库素材。规则和写代码一样:为任务选对模型,由人来决定什么可以发布。
大部分工作在我们自己的硬件上完成。开放模型、本地 GPU,以及智能体可以直接操作的命令行。除非云端模型做得更好,否则素材不会离开我们的机器。
生成本身是最便宜的一环。真正的工作是需求说明、参考素材和审查。智能体会先抽取画面,检查人脸、手部和文字,然后才交给人看。
本地优先
静帧、短片和声音都在我们自己的机器上渲染。每张图的成本为零,所以我们舍得把大多数都扔掉。
按任务选模型
一个模型负责摄影感的静帧,另一个负责运动中的人物,第三个负责基于参考图的编辑。有更好的模型发布时我们就换,而这经常发生。
真实设备,真实界面
应用界面从不靠生成。样机图把真实界面放在精确的设备模型上,所以你看到的就是实际做出来的东西。
主动 监控
我们的智能体全天候盯着你们的系统,在用户察觉之前解决问题。
大多数团队要等用户上报才发现缺陷。我们在凌晨三点就发现了。
智能体读取你们的日志、错误追踪和指标。一旦有异常,你们收到的是带根因和修复建议的报告,而不只是一条告警。
我们每晚都在自己的项目上跑这套。Vigil 就是这么来的,如今是 vigil.kerber.ai 上的托管服务。
持续日志分析
智能体监控 Sentry、Datadog、CloudWatch 和你们自己的日志。模式匹配能抓到静态告警漏掉的东西,比如缓慢的内存泄漏或悄悄爬升的错误率。
过夜修复
凌晨两点发现的严重缺陷,六点就有 pull request。较小的问题会被记录并排期。
趋势识别
使用模式、基础设施成本、即将下线的 API。在它们变成事故之前你们就会知道。
但是谁来接手 当资深人员离开时?
这个问题问得对。这是我们的答案。
那个知道好代码长什么样的资深工程师走出门,会发生什么?
企业不需要全职留住这个人。他们需要的是判断力:每周一到两小时,而不是四十小时的看护。
审查也会留下东西。记录下来的模式、架构决策,以及把好代码在这个代码库里长什么样写清楚的测试套件。资深经验必须比资深本人活得久。
按需专业支持
资深把关,不用付资深薪水。一位专家可以同时带几个项目。
留得下的知识
每次审查都变成文档。每个决策都被记录。我们离开时,质量体系留下。
更快的学习循环
和 AI 一起工作的初级工程师几秒钟就能拿到反馈。2027 年的初级会比 2017 年的资深见过更多模式。
想要这个给你的 团队
我们帮企业搭建能在生产环境撑住的 AI 增强工作流。大部分工作在于工具周围的那套系统。
预约通话