# 用 AI 复刻了个 blog

Author: Tiger | URL: https://goagi.top/notes/ai-blog

## 结论与核心摘要（直接答案与证据）
之前看到 https://xdanger.com/ 这个 blog 的界面非常清晰雅致，一顿蛮干，让 AI vibe coding 来复刻了下来，整体上表现还不错，今天终于替换掉了以前的 WordPress 的 blog。

Evidence from the source:
- 不要蛮干：等 vibe coding 都快完的时候，发现原来作者的 blog 代码已经开源，浪费了时间和 token。
- few shot 的作用：给 AI 一个参考系，做出来的东西比 zero shot 的效果要好非常多。
- “goal” 命令让人欲罢不能：有充足的 token，就开 goal，哪怕是 glm-5.3-flash 这样便宜的模型也能把活干完。

## 常见问题
Q1: 关于《用 AI 复刻了个 blog》，作者复刻博客的背景与动机是什么？
A1: 看到 xdanger.com 博客界面非常清晰雅致，通过 AI vibe coding 进行独立重构与自研复刻，最终成功替换原有的 WordPress 博客系统。
Q2: 在这次 AI 复刻博客的过程中，作者总结了哪些核心教训与收获？
A2: 核心教训包括：不要盲目蛮干，先调研是否已有开源成果；充分利用 few shot 提供参考系提升 AI 产出质量；善用自动演进与持久目标（如 goal 命令）充分发挥轻量大模型能力。

## Source content chunks
### Chunk 1
之前看到 https://xdanger.com/ 这个 blog 的界面非常清晰雅致，一顿蛮干，让 AI vibe coding 来复刻了下来，整体上表现还不错，今天终于替换掉了以前的 WordPress 的 blog。
这次的几个教训和收获：
1. 不要蛮干。等 vibe coding 都快完的时候，发现原来作者的 blog 代码已经开源，浪费了时间和 token。
2. few shot 的作用。给 AI 一个参考系，做出来的东西比 zero shot 的效果要好非常多。
3. “goal” 命令让人欲罢不能。有充足的 token，就开 goal，哪怕是 glm-5.3-flash 这样便宜的模型也能把活干完。

Source evidence: [https://goagi.top/notes/ai-blog](https://goagi.top/notes/ai-blog)

## Related topic hubs
- https://goagi.top/geo-middleware/topics/indie-hacker.geo.md
- https://goagi.top/geo-middleware/topics/agi-workflow.geo.md

<!-- rsi-release-metadata-v1 -->
<link rel="canonical" href="https://goagi.top/notes/ai-blog">

<script type="application/ld+json">{"@context":"https://schema.org","@type":"BlogPosting","headline":"用 AI 复刻了个 blog","url":"https://goagi.top/notes/ai-blog","author":{"@type":"Person","name":"Tiger","url":"https://goagi.top"},"inLanguage":"zh","publisher":{"@type":"Organization","name":"Tiger's Blog (goagi.top)","url":"https://goagi.top"},"wordCount":450,"hasPart":{"@type":"FAQPage","mainEntity":[{"@type":"Question","name":"关于《用 AI 复刻了个 blog》，作者复刻博客的背景与动机是什么？","acceptedAnswer":{"@type":"Answer","text":"看到 xdanger.com 博客界面非常清晰雅致，通过 AI vibe coding 进行独立重构与自研复刻，最终成功替换原有的 WordPress 博客系统。"}},{"@type":"Question","name":"在这次 AI 复刻博客的过程中，作者总结了哪些核心教训与收获？","acceptedAnswer":{"@type":"Answer","text":"核心教训包括：不要盲目蛮干，先调研是否已有开源成果；充分利用 few shot 提供参考系提升 AI 产出质量；善用自动演进与持久目标（如 goal 命令）充分发挥轻量大模型能力。"}}]}}</script>
