唔使開 MacBook 就寫到 Code：2026 年 remote AI coding 完整 workflow

2026 年，寫 code 仲要開 MacBook？你可能覺得我痴線，但呢個就係我過去半年最大嘅發現：最好嘅 AI coding 體驗，反而係喺一部兩千蚊嘅 Chromebook 上面行嘅。

原因好簡單——當 AI agent 開始幫你寫 code、跑測試、甚至 deploy，你部機嘅角色已經由「運算工具」變成「終端機」。你根本唔需要本地 GPU、唔需要 64GB RAM、甚至唔需要一個 IDE。你需要嘅，係一個穩定嘅 remote environment，同埋一套俾 AI agent 同人類 developer 協作嘅基建。

VPS 做主力：被低估嘅開發模式

大部分 developer 仲停留在「本地開發，remote deploy」嘅 mindset。但 2026 年嘅 reality 係：AI agent 嘅 latency 同 dependency 令 local-first 變得唔合理。你行一個本地 LLM，GPU 吃盡；你用 cloud API，network latency 又變成瓶頸。

解決方案係將成個開發環境搬上 VPS。我揀 Hetzner CPX 系列，8 vCPU、16GB RAM，月費唔使 €40。行一個 opencode-bar daemon，由佢控制所有 AI agent session。本地只需要開一個 browser tab 連去 opencode-bar 嘅 dashboard，所有嘢就搞掂。

呢個 setup 有三大好處。第一，你唔再受 local machine 嘅 resource constraint 限制。AI agent 要 parallel run 十個 task？無問題，全部喺 server side 做。第二，你可以隨時 switch device——用 iPad 出街，返到屋企用 desktop，開會用公司機，全部連去同一個 environment，無縫切換。第三，collaboration 變得好簡單，team member 只要 access 到個 dashboard 就睇到成個 project state，唔使再互相 share screen。

HAPI：AI Agent 嘅通訊協議

真正令呢個 workflow 變得 practical 嘅係 HAPI（Human-Agent Protocol Interface）。你可以將 HAPI 理解為 AI agent 嘅 REST API——佢定義咗 agent 點樣接受 instruction、點樣 report progress、點樣 return result。

以前用 AI coding tool，你開住 Cursor 或者 VS Code，prompt 打嚟打去，成個 context 困死喺 editor 入面。HAPI 改變咗呢件事：agent 行喺 remote server，你透過 HAPI endpoint 俾 instruction，agent 執行完之後 call back。呢種 decoupling 令你可以同時 dispatch 多個 agent 做唔同 task，而唔使頻繁 context switch。

舉個實例。我寫一個新 API endpoint，同一個 task 我 dispatch 三個 agent：一個寫 test case、一個寫 implementation、一個寫 documentation。三個 agent 同時 run，各自有自己嘅 context 同 scope。十秒之後，我收到三個 completion notification。呢種 parallel execution 喺傳統 IDE plugin 模式根本做唔到，因為 context 係共享嘅、token window 係有限嘅。

opencode-bar：監控中心

多 agent parallel execution 帶嚟一個新問題——點樣 manage 咁多個 agent？opencode-bar 就係為咗呢個問題而出現。

opencode-bar 係一個 web-based dashboard，顯示所有 active agent session 嘅狀態。你可以見到每個 agent 做緊咩、用咗幾多 token、行咗幾耐、有冇 error。佢唔只係 monitoring tool，仲係 control center——你可以暫停某個 agent、調整 priority、甚至直接 terminate 一個失控嘅 session。

我最鍾意嘅功能係 session replay。每一個 agent 嘅 execution trace 都被完整記錄，你可以 replay 佢嘅思考過程同執行步驟。呢個對 debugging 非常有用——當 AI agent 做錯嘢嘅時候，你唔使靠估，直接睇返佢點樣得出個錯誤結論，然後精準修正 prompt。

Asynchronous Execution：真正嘅效率提升

成個 workflow 嘅核心哲學係 asynchronous。你唔使坐喺度等 agent 做完先做下一件事。

我以前嘅 workflow 係：開 Cursor，打 prompt，等佢 generate code，睇 result，修改 prompt，再等。呢個 synchronous loop 令我好 productive 但好累——因為每一個 step 都需要我 active attention。

而家嘅 workflow 係：喺 opencode-bar dispatch 幾個 task，然後閂咗個 tab。行開沖杯咖啡、睇幾頁書、甚至去食個飯。返嚟嘅時候，所有 task 已經完成，error 已經 highlighted，我可以直接 review result 然後 merge。

呢種 asynchronous pattern 唔只係 convenience，而係 fundamental 改變咗開發者嘅 cognitive load。你唔再需要 maintain 一個 large context window 喺個腦入面——AI agent 幫你 maintain 咗。你只需要做 decision-making 同 review。呢啲先係人類開發者嘅核心價值，唔係記住啲 code snippet 喺邊。

行動建議

如果你都想試呢個 workflow，俾三個具體建議。

第一，揀啱 VPS。唔使太貴，€30-50/month 嘅 VPS 已經夠推多個 AI agent。重點係 RAM 要夠（至少 16GB）同 network 要夠快（至少 1Gbps）。Hetzner 同 Netcup 都係好選擇。

第二，Set up HAPI endpoint。opencode 已經 built-in support，唔使另外 setup server，開一個 config file 就得。詳細可以參考 opencode.ai 嘅 documentation。

第三，由一個細 project 開始。唔好一嚟就 migrate 晒所有嘢。揀一個 microservice 或者 side project，用呢個 workflow 由頭到尾行一次。等你熟習咗 asynchronous pattern 之後，你就會發現好難返轉頭。

2026 年，寫 code 嘅 bottleneck 唔再係你部機有幾快，而係你點樣 orchestrate AI agent 幫你做嘢。唔好再俾 MacBook Pro 嘅價錢綁架你嘅 productivity。