1.什么是Vibe Coding

氛围的阶段：编码氛围、应用氛围、需求氛围。

VibeCoding强调：

• 直觉驱动：不需要精确地描述每一个技术细节，只需要表达想要的“感觉”；
• 快速迭代：通过不断地对话和调整来完善应用；
• 结果导向：关注最终效果而非实现过程；
• 创意优先：让想法的表达不受技术限制。

如果用一个词来定义Vibe的终极形态，我认为是resonance（共振）：AI能力的提升带动人类编程能力迭代，人类通过转变观念来适应AI，人机协作由此迈向新的境界。

Vibe Coding也是一样，AI的能力提升与开发者的协同心态缺一不可：

• AI编码大模型能理解大型仓库，且具备完整编写、构建大中型应用的能力；
• 开发者能充分理解大模型的能力边界，最大限度地利用AI能力帮助自己快速落地实现。

Amazon发布Kiro IDE产品后，将Vibe和Spec定义为两种开发模式：

• Vibe：沟通即开发，即自由快速地通过实践来探索想法，通过持续提出新需求来迭代产品；
• Spec：先计划后开发，即通过编写严格的需求文档、设计文档并确认步骤制定计划，然后再启动编码步骤。

Vibe Coding是两者的综合。

2.若AI取代初级程序员，那高级程序员从何而来

布鲁诺·拉图尔（Bruno Latour）等人提出的行动者网络理论（ANT），可将软件工程视为由人和非人行动者共同构成的动态网络，在这个网络中，人的品位、责任感与AI等技术要素相互作用，共同塑造了现代软件开发的人文温度与工程品质。

3.在AI之前，你们都是手敲代码的吗

代码克隆技术，即比较两段代码的逻辑相似度。能力分为4级：

• L1：除空白字符、布局和注释有所不同外，其他代码片段完全相同；
• L2：除标识符、文字、类型、空格、布局和注释有所不同外，语法结构完全相同；
• L3：复制后经过进一步修改（如增删语句，或标识符、文字、注释等的变化）的代码片段；
• L4：执行相同计算但由不同的语法变体实现的代码片段（如冒泡排序与快速排序，或用不同的语言实现相同的逻辑）。

氛围模型：可看作过程高度压缩的瀑布模型和更加并行灵活的敏捷模型，最大价值在于“更快”。创业者的想法能够快速转化为原型演示，实现落地交付。

把AI编码领域的人机协同模式大致分为如下5个阶段：

• Resource：非大模型时代的资源辅助定位，如代码搜索和文档搜索；
• Copilot：短平快的合作，快速审阅，如代码补全；
• Workflow：既定的工作流，如基于仓库理解的代码生成、单测生成；
• Co-Agent：协作式智能体，当前所处的阶段，需融入传统IDE和开发过程，人工干预间隔在1小时内；
• Agent：智能体，类CLI形态，“天”级别的干预间隔，AI主动要求人类进一步明确需求。下面分别看一下。

Workflow分两种：

• 应用逻辑构建的流程化编排（类似Dify、n8n等），属于低代码形态；
• 模拟Agent运行过程的定制流程，注定成为Agent时代注脚的产物，但又是人类在模型效果欠佳或需求表达能力较弱时的合理选择。

4.Vibe Coding最信达雅的翻译是什么

氛围编程？灵码！哈哈。

氛围感是双向概念：

• AI角度
  • 自然语言交互
  • 实时响应
  • 过程可见：过程感知依旧是人类最为朴素的协同需求，AI工具也通过多种交互形式来呈现改动内容：
    • 配色和结构化展示
    • 会话总结
    • 代码改动总结
    • 代码内容折叠
    • 任务完成的提示音
• 人的角度
  • 创造力的释放
  • 沉浸式体验

5.谁在Vibe Coding

用户

• 创业者：从想法到现实的捷径
• 初学者：编程世界的新型入口
• 产品经理：需求实现的加速器
• 程序员：效率提升的得力助手

新机会：人人都是数字创造者

• 个人创造力的释放
• 创业门槛的降低
• 个性化解决方案的普及

新行业：催生全新商业模式

• AI编程顾问
• 解决方案提供商
• 技术教育转型

新业态：重构数字服务生态

• 独立开发者生态的繁荣
• 小型创新工作室的兴起
• 技术赋能服务的普及

6.Vibe Coding需要使用者拥有哪些能力

死亡螺旋

• 上下文错误的连锁反应
• 现象与实现的认知鸿沟
• AI的自证陷阱
• 人类介入的无力感

AI时代程序员的新定位

• 系统性思维的不可替代性
• 业务逻辑的深度理解
• 搜集上下文的能力
• 工程质量的把控

必备的核心技能体系

• 系统架构能力
• 调试和问题诊断能力
• 安全意识和实践
• DevOps和部署能力

Vibe Coding的能力模型

• 技术能力
• 协作能力
• 业务能力

7.是AI不理解你，还是你不理解AI

软件工程领域的课题研究子领域：代码合成、编程语言、缺陷检测、代码克隆检测、代码搜索、代码评审、静态分析、软件安全、形式化方法、软件测试等。

研究趋势大致是：从概念和数据集定义，到规则匹配的大幅进步，再到瓶颈期的特定领域约束求解，最终到如今AI驱动下的百花齐放。

8.为什么AI接手大工程这么费劲

现代AI SaaS的黄金技术栈：

• Next.js：建立在React之上的全栈框架，具备服务端渲染、API路由和高效的构建工具；新特性（如Server Actions［服务端操作］，无须单独编写API即可在前端直接调用服务端逻辑）进一步简化前后端逻辑的整合，有助于提升开发效率和代码可维护性
• TailwindCSS：采用原子化设计，便于通过类名快速组合样式，降低样式生成与维护复杂度
• shadcn/ui：基于Radix UI，提供高质量、可定制的组件，既能直接复用，也支持灵活调整
• Supabase：参考BaaS
• Prisma：类型安全的ORM，能够通过简洁的API实现结构化的数据库操作，降低数据层开发难度
• Vercel AI SDK：针对AI应用场景设计，统一对OpenAI、Anthropic、Google等主流大模型厂商旗下产品的接入方式，简化多模型适配流程
• Clerk：实现现代化的用户管理与认证流程
• Stripe则专注于支付处理
• Sentry：负责错误监控与性能追踪，为项目的稳定性和可维护性提供保障。

这套技术栈之所以对AI格外友好，核心源于4点特性：

• 标准化程度高：每个工具都有清晰的API和约定，降低AI的理解复杂度。
• 文档丰富：大量示例代码和最佳实践为AI提供充足的训练素材。
• 社区活跃：Stack Overflow、GitHub上的海量问题及解决方案，进一步补充AI的知识储备。
• 设计哲学一致：从前端到后端，整体架构和编程模式高度统一，让AI能在统一逻辑下处理不同环节的代码生成。

上下文理解的鸿沟

• “貌似正确但实际错误”的陷阱
• 过度自信
• 复杂性与上下文的指数级增长
  • 隐式依赖关系
  • 历史决策的积累
  • 业务规则的演进
  • 团队知识的分散

一些建议：

• 使用具备深度思考能力的模型或MCP工具
• 使用Memory（记忆系统）或者Rule（规则文档）引导模型想清楚再行动
• 采用Plan（计划）模式，禁用代码编辑工具

人类与AI对可维护性的理解存在微妙却关键的差异，反映出两种不同的认知架构

人类的可维护性观念	AI的可维护性观念
优先考虑抽象和模块化	偏好显式和详细的文档
依赖隐式知识和交互协同	需要明确提供所有上下文
重视代码的优雅和简洁	注释和孪生文档也很重要
能够容忍一定程度的隐性约定	缺乏低频交互和隐式知识

TODO

9.AI写代码时，你在干什么

三个阶段

• Copilot：辅助编程的初级阶段
• Composer/Edit：控制权的初次转移
• Agent：失速感强烈
  • 速度差异带来的认知挑战
  • 从过程监督到结果验证的角色转换

在Vibe Coding时代，更重要的能力：

• 需求表达：如何准确、清晰地向AI描述想要实现的功能；
• 质量判断：如何快速评估AI生成代码的质量和正确性；
• 架构思维：如何在宏观层面把控项目的整体方向；
• 问题诊断：当出现问题时，如何快速定位和解决。

并行项目开发：多线程的开发模式

• 多项目开发：扩展创造边界
• 单项目多feature（功能）开发：深度并行的艺术
• 并行开发的最佳实践

金融等敏感场景中测试验收十分重要

• 人工的代码审查
  • 逐行检查AI生成的代码，验证业务逻辑的正确性；
  • 进行代码静态分析、安全漏洞扫描和业务逻辑测试；
  • 检查代码规范，确保命名一致、结构规范、注释文档完整；
  • 完善防错设计，降低后续代码或用户操作引入的风险；
  • 开展必要的架构审核与安全审核。
• 自动化门禁措施
  • 配置各类Hook（钩子）保证测试左移；
  • 检测算法复杂度和数据库查询效率；
  • 实施严格的性能模拟检测和放行机制；
  • 执行历史教训类代码规范检测。

Agentic DevOps：多层次的智能协作

包括

• 代码审查AI（Reviewer）
  • 专门负责代码质量检查；
  • 发现潜在的bug和安全漏洞；
  • 评估代码的可维护性和可扩展性。
• 架构设计AI（Architect）
  • 负责系统架构的设计和优化；
  • 监控模块间的依赖关系；
  • 确保架构的合理性和可扩展性。
• 测试AI（Tester）
  • 自动生成测试用例；
  • 执行各种类型的测试；
  • 分析测试结果并提供改进建议；
  • 通过日志观察和巡检验证来监控运维机器。
• 工程师AI（Engineer）
  • 涵盖广义的软件工程师能力（包含前后端和算法）；
  • 负责根据需求生成代码；
  • 优化算法选择与实现效率；
  • 保持代码风格的一致性；
  • 可分饰前后端、算法等不同角色。

人类角色升级

• 战略指导者
• 质量仲裁者
• 创新催化者

当AI编码能力迈向更复杂的协作模式时，人类对开发过程的感知方式也需同步升级。从逐行代码的微观关注到系统全局的宏观把控，可视化工具将成为连接人类与AI的关键桥梁，帮助更高效地理解、监控和决策。

• 多维度的可视化界面
  • 代码架构地图（Code Architecture Map）
  • 依赖关系图（Dependency Graph）
  • 进度仪表板（Progress Dashboard）
• 智能化的异常检测
  • 架构偏移检测
  • 性能回归检测
  • 安全风险检测
• 预测性的项目管理
  • 需求变更影响分析
  • 资源优化建议
  • 质量趋势分析

认知角色的根本性转变

• 从代码工匠到系统指挥官
  • 技能结构的迁移升级
  • 工作方式的根本改变
  • 价值创造的重新定位
  • 迭代过程的重心偏转
• 学习路径与知识维度的适应
  • 深度优先转为广度优先
  • 静态知识转为动态习得
• 注意力层面的项目管理
  • 人机协同的时间管理
  • 跨应用的项目管理：Agent任务上下文模块
• Agent的有限责任制

10.如何与AI一起Vibe Coding

人类与AI协同编程的过程中，两个核心原则：

• 组织或让AI自行感知上下文输入，以实现高质量启动；
• 验证或让AI自我衡量生产物输出，形成正循环反馈。

模型选择：

• 不要盲目相信榜单和评测
• 模型效果大于成本
• 根据场景挑选适合的模型

抛开上下游的衍生平台不谈，单纯的代码生成主战场（也是Vibe Coding实践者停留时间最多的编码应用工具）主要分为3类

• IDE集成型
• CLI驱动型
• 低代码型

OpenAI科学家Jason Wei提出验证者定律：

训练AI解决某个任务的容易程度，与该任务的可验证性成正比。所有既可能解决又容易验证的任务，都将被AI解决。

11.对人类友好的设计模式，AI应该继续遵循吗

人机协同沟通的局限

• 框架枷锁
• 信息衰减
  • 用更严谨的表达方式
  • 提供更强的目标感：提示词增强（Prompt Enhancement，让另一个AI先完成网络搜索和调研，帮助生成更具体的提示词输入，效果可能更理想且交互更友好。）、任务拆分、长期记忆
• 密度瓶颈：代码库索引(Codebase Indexing)或仓库记忆(Repository Memory)
• 物理屏障

如何调和人脑的局限与AI的优势，成为Vibe Coding时代设计模式演进的核心议题：

• 有限的短期记忆
• 脆弱的注意力
• 协同损耗

设计模式的终极目的正在从弥补人类缺陷转向释放人机协同势能。

保留模式中的思想内核（如解耦/封装），但摒弃其形式枷锁（如固定实现），才能抵达Vibe Coding的至高境界。

12.AI能否从0到1搭建大型工程

现实中的软件复杂度与迭代过程中的熵增往往是不可控的。

AI从0到1构建大型工程，究竟面临哪些阻塞性的挑战？

• 局部关注导致架构腐化
• 需求模糊和人的因素

与AI共建阶段性的评估机制，提升项目的目标感和架构整洁度

• 代码坏味道评估机制：Linter检查、重复代码检测、死代码识别，以及圈复杂度、扇入扇出、测试覆盖率等指标。
  • 建立改动追溯
  • 清理多余代码
  • 带上优化意识
• 强化流程，固化记忆：提高模型能力，增强提示词引导，注重流程管理与文档机制
  • 自定义Agent和钩子机制
  • 项目规则和记忆沉淀
  • 需求目标和待办任务列表

引入人机协同管理机制

• Agentic DevOps
• 人类管理
  • 用户视角聊需求，技术视角讲问题
  • 及时止损
  • 给上下文留足保护空间
  • 版本控制，定时总结
  • 推倒重来
  • 维护上下文和修改记录

13.我们真的希望AI完全和人类一样吗

图灵测试本身并不代表AI达到最高智能：

• 图灵测试的评判标准过于主观
• 图灵测试鼓励欺骗性设计
• 图灵测试忽略AI的独特价值

升级版本，经济图灵测试(Economic Turing Test)，以AI能否胜任高价值的岗位为标准，衡量其是否达到类人智能。即，作为雇主，你是否愿意将AI用于实际经济活动，以提升生产力、降低成本、创造价值。这一原理也体现在AI应用产品的定价上——不少产品常会锚定人工成本来设定价格，让定价与“替代人工”的价值直接挂钩。

Vibe Coding评价体系

• 需求完成能力
• 协作效率
• 创新潜力
• 适应性

这种讨好型人格的形成有深层的技术和商业原因：

• 训练数据的偏向性：AI的训练数据主要来自互联网上的文本，其中包含大量的客服对话、帮助文档等，这些内容天然具有讨好用户的倾向。
• RLHF的导向作用：在人类反馈强化学习（RLHF）过程中，人类标注者更倾向于奖励那些友好、有帮助的回应，这进一步强化AI的讨好倾向。
• 商业竞争的压力：在激烈的AI市场竞争中，用户体验成为关键的差异化因素，讨好用户也因此成为商业成功的必要条件。

超越人类局限的可能性

• 超强的记忆能力
• 无疲劳的工作状态
• 多维度的并行处理
• 无偏见的客观分析

AI is not going to replace humans, it’s going toaugment humans.（人工智能不会取代人类，它会增强人 类的能力。）——李飞飞

AI的独特优势

• 代码质量的一致性保证
• 全局视角的架构优化
• 实时的知识更新
• 跨领域的知识整合

在理想的Vibe Coding环境中，人类与AI应是各自发挥优势的协作关系。

人类的优势：

• 创造性思维和直觉；
• 业务理解和用户同理心；
• 战略思考和长远规划；
• 伦理判断和价值取向。

AI的优势：

• 大规模信息处理；
• 一致性和准确性；
• 24×7的可用性；
• 客观分析能力。

14.我们会迎来AI取代人类编程的那一天吗

软件工程从来不是关于代码的。工程是人类对人类问题的软件解决方案的精确探索。——肖恩·格罗夫(Sean Grove)在OpenAI的演讲The NewCode。

人类编程的本质包含3个层次：

• 表达层：将抽象的想法转化为计算机可以理解的指令。
• 逻辑层：构建解决问题的算法和数据结构。
• 愿景层：理解真实世界的需求并设计相应的解决方案。

编程的终极目的：解决人类问题

• 理解用户需求：洞察用户的真实诉求（而非表面表述），学会将原始诉求转化为产品需求；
• 设计系统架构：在复杂性和可维护性之间找到平衡，保证持续迭代的稳定性和协作沟通的流畅性；
• 预见未来变化：构建能够快速适应需求变化的系统，预留扩展接口；
• 承担社会责任：确保技术发展符合人类的价值观和伦理标准，以解决现实问题、服务人类为宗旨。

模型的不足由应用层通过工程手段解决，应用的复杂度则由模型能力的通用化来解决。

1. 模型层的进步。主要围绕代码理解与生成能力的提升展开。
   • 上下文窗口扩展：从4K到2M以上token的上下文窗口，让AI能够充分理解更大的代码库，减少不必要的复杂代码仓库索引。
   • 推理能力增强：从简单的模式匹配升级到复杂的逻辑推理，配合更强的工具调用和意图识别，使应用层面无须设计复杂的意图识别链路和工具协议。
   • 速度提升：加速首包计算与整体输出速度，通过控制思考程度、采用投机解码等方式，大幅提升文件修改的应用效率。
   • 记忆加强：借助小模型的内部集成，从模型层面增强长短期记忆的综合能力。
   • 多模态融合：整合代码、文档、图像等多种信息源，减少应用层不必要的多模态模型切换与总结记忆，并且能够深入理解软件产出物，推动后续迭代优化。
   • 专业化训练：针对编程任务进行专门优化，学习编程领域的工具调用逻辑与用户偏好，更好地应对不同难度的任务——简单任务快速解决，困难任务深度分析。
2. 应用层的创新。聚焦于降低人机协作门槛、拓展使用场景，创新方向体现在如下几个方面。
   • 远端沙箱：提供远程运行、并行任务处理等功能。
   • 代码理解：通过深度索引与语义分析理解大型项目，快速召回上下文，生成高质量仓库文档和架构记忆。
   • 自动化工具链：与即时通信软件、代码托管及CI/CD平台集成，实现从代码生成到评审、测试、部署的全流程自动化。
   • 协作平台：支持多人、多AI的协同开发。
   • 上下文管理系统：借鉴操作系统的理念管理会话长短期记忆，采用文件系统和Git版本管理机制更自然地管理上下文。
   • 多端支持：覆盖不同操作系统及移动端编程的需求。

正所谓“行百里者半九十”，虽然AI在编程领域已经取得显著进展且进步迅速，但我们仍需审视当前存在的“最后一公里”挑战。

1. 上下文扩充

当前挑战

虽然模型的上下文窗口在不断扩大，但如何在保证理解到位的前提下进一步提升窗口大小，以及如何有效利用这些上下文仍然是一个挑战——单纯扩大上下文窗口、塞入更多内容未必能提升生成质量。

解决方向

• 智能上下文选择算法：评估上下文的价值，筛选淘汰低质量的上下文。
• 分层的信息组织结构：结构化上下文信息，主动向人类索取缺失的信息，追求无歧义的表达。
• 动态上下文更新机制：基于用户追问进行反馈分析，动态评估并更新上下文对生成结果的影响，动态组装高质量上下文。
• 更高效的上下文利用：将注意力机制聚焦在召回文档与目标需求上，忽略辅助文档之间的注意力计算。
• 多模态混合理解：结合多模态信息，提升上下文的表达维度。

2. 长短期记忆

当前挑战

AI缺乏对项目历史以及演进过程的长期记忆，难以理解代码的历史背景和设计决策。

解决方向

• 构建项目记忆和个人偏好系统：以文本形式持久化存储项目信息和个人偏好。
• 更高效的记忆管理：建立“内存态”“磁盘态”等不同形态的记忆管理机制，根据上下文重要程度决定其是向量化表示还是原文召回，扩大存储空间、加速记忆高质量召回。
• 结合文件与版本管理系统：利用文件系统的目录、读写机制以及Git等版本控制手段，优化记忆存储与召回。
• 历史决策和文档追溯：将长远的历史代码提交、研发文档作为冷存储归档，按需召回。

3. 多模态理解和生成

当前挑战

软件开发不仅涉及代码，还包括设计图、架构图、用户界面等多种形式的信息，对这些信息的理解和生成能力决定Agent的上限。

解决方向

• 代码垂直领域的图像理解：重点支持UML图、报错信息、代码内容和框架的理解。
• 设计稿和交互稿的理解：明确产出物操作验证和原始交互稿的对应关系，理解交互时序。
• 自然语言与仓库信息到UML图的生成：打通“从工程信息生成图片到图片理解”的完整闭环。
• 软件产物理解和类人操作辅助：比截图更上层的多模态理解，包括但不限于对电脑操作录屏的理解，以及外置辅助设备对真实环境的感知——例如AI眼镜、AI摄像机感知机器人、移动端真机操作等设备获取的信息。

4. 部署运维等全生命周期串联

当前挑战

AI目前主要专注于代码编写，对软件完整生命周期的支持有限。

解决方向

• Agentic DevOps的发展：由多个AI Agent协同流转DevOps流程，推动项目进展。
• 智能监控和故障诊断：关联线上监控数据、用户日志和本地仓库代码以及近期改动，以识别性能问题和缺陷风险。
• 自动化的性能优化：AI通过智能插桩感知用户高频使用场景，定位并验证性能问题的解决方案。
• 多应用的综合开发、部署与运维：同步管理前后端、算法模型端及数据分析端的软件应用矩阵。

5. 世界物理模型

当前挑战

AI缺乏对现实世界的深度理解，难以处理涉及物理世界交互的复杂系统。

对计算机而言，实现逻辑推理等人类高级智慧只需要相对很少的计算能力，而实现感知、运动等低等级智慧却需要巨大的计算资源。——莫拉维克悖论(Moravec’s paradox)

解决方向

• 物理仿真的集成：支持机器人开发、AI硬件评测、真机调试等场景。
• 实时数据的处理能力：更及时地感知并理解线上运行结果。
• 线上数据与线下开发的辅助：分析静态代码和线上用户日志的关联，识别代码逻辑问题，构思改进方向。