企业官网建设流程全解析

参考文章：GitHub Runner 为什么是 Cloud Mac AI Stack 的执行引擎 当 Claude Code 写完代码之后，真正负责构建、测试和发布的是谁？ 系列 Slogan：Claude Code 生产 Diff，GitHub Runner 生产 Fact。

一、从我的热点监控项目，发现同一个底层误区

三个月落地 AI 热点监控工具，我踩下最关键的教训：AI 聊天上下文只能服务编码，无法充当 Agent 长期运行的持久记忆。

开发阶段在 Cursor 中和 AI 结对编程，模型靠着会话上下文记住接口改动、数据表结构调整，调试一路顺畅。但接入 Cron 定时任务上线后立刻翻车：已标记低相关的资讯被反复抓取、重复调用大模型分析，Token 无端损耗、推送消息泛滥。根源很直白：IDE 聊天记录只存在会话进程里，独立运行的定时任务无法读取，程序只能依赖 SQLite 中lastScannedAt、URL 去重字段等落地数据恢复运行状态。

我由此定下准则：跨周期执行的任务状态必须入库或写入配置，不能寄希望于大模型临时上下文。而在研读 Cloud Mac AI Stack 相关文章后发现，这套「会话结论≠落地事实」的矛盾，在 Claude Code+GitHub Runner 的 AI 研发链路里被无限放大，也就是行业常说的：Claude Code 产出 Diff，GitHub Runner 产出 Fact。

二、编码与执行天然割裂：SSH 全绿，PR 全红是普遍痛点

正如参考文章提出的五层技术架构（L0 Cloud Mac 底座→L1 GitHub Runner 执行层→L2 推理层→L3 Claude Code 编码层→L4 MCP 上下文→L5 自主 Workflow），绝大多数开发者都混淆了编码环境与 CI 执行环境的边界。

很多 iOS、Flutter 开发团队把 Claude Code 部署在 Cloud Mac 远程机器，SSH 终端里 Agent 调试通过、全量测试绿灯，开发者提交代码自信合并 PR。但 GitHub Actions 默认调度ubuntu-latest，Linux 环境没有 Xcode 编译链，xcodebuild: command not found直接导致流水线变红。Agent 在专属沙盒环境得出的测试结论，无法在团队标准化 CI 环境复现，本质和我的热点监控 Agent 失忆同源：临时会话里的运行结果，没有落地成可重复校验的客观事实。

Claude Code 负责修改代码生成 Diff，仅仅是 IDE / 终端层面的改动记录；而 Self-hosted GitHub Runner 依托 macOS 原生环境执行构建、打包、签名、TestFlight 分发，输出可审计的产物与 Check 状态，这才是团队能采信的 Fact。没有 L1 执行引擎兜底，AI 改出来的代码永远只是局部可用的草稿。

三、落地优化：先做执行层持久化，再叠 AI 编码能力

结合热点监控落地经验与 Cloud Mac Stack 落地方法论，不管是自研自动化 Agent，还是搭建 AI+CI 研发流水线，落地顺序不能颠倒：优先搞定持久化与标准化执行，再接入各类 AI 编码工具。

1、Agent 长效运行：靠数据库落地状态，不靠聊天记忆

延续热点监控优化方案，所有定时任务、后台 Job 的关键数据固化存储：

• 任务上次执行时间、数据源开关存入业务数据表，实现任务幂等；
• AI 对内容相关性、优先级的判定结果入库，规避重复计算；
• Prompt 配置、密钥分层存放至配置文件与环境变量。 不用盲目引入向量库、RAG 重型记忆框架，基础关系存储就能解决绝大多数 Agent 失忆问题。

2、AI+CI 流水线：优先部署 Runner，对齐运行环境

遵循 Stack 落地顺序：先搭建 L0 Cloud Mac 算力底座，注册 L1 自建 macOS GitHub Runner，统一 CI 和 AI 编码的运行环境，workflow 配置runs-on: [self-hosted, macOS, ARM64]，让 Claude Code 的修改直接在同一套环境完成构建校验。

• iOS/Flutter 打包项目：必须自建 macOS Runner，避开 Linux 构建短板；
• Web、纯后端 Docker 项目：沿用 Linux 托管 Runner 即可，无需额外投入 macOS 资源；
• 高频迭代项目（每周 10 次以上 macOS 构建）：自建 Runner 长期成本优于按量计费的官方托管 macos-latest。

3、和 AI 协作规范：变更留检查点，隔离会话与生产

修改多文件、重构项目时，强制 AI 在 docs 目录生成变更检查点文档，记录改动清单、遗留风险，新开 AI 会话优先读取文档，杜绝依赖历史对话承接项目进度；Agent Skill 只封装执行函数，历史进度、决策依靠存储落地。

四、总结

不管是自研热点监控 Agent，还是搭建 Claude+macOS CI 流水线，底层逻辑高度统一：AI 会话上下文、终端调试结果都属于短期临时信息，数据库与标准化 CI 执行引擎才是项目的长效记忆。

沉迷大模型超长上下文、AI 一键改代码的便捷，很容易忽略工程落地的底层约束。落地长效自动化系统，永远优先解决「程序重启、代码提交后从哪里恢复状态、在哪里复现验证」，在此基础上再优化模型能力、记忆框。