Thinking in Vibe Coding

半年左右 Vibe Coding 有了不少切实的感受，顺手翻了翻 《Beyond Vibe Coding》，废话虽然不少，但是作者的想法和我的非常契合，简单整理一下脑袋里的乱麻。

需要害怕吗 ？

Vibe Coding 是指用人类自然语言的方式输入需求，通过 AI Agent 工具调用大语言模型 ( LLM ) 来完成实际的编码工作。

首先，Vibe Coding 当然是好东西！现在的 LLM 已经强大得有些惊人了～ 目前推进速度让人咂舌，它也切切实实能极大的提高学习和工作的效率。不过，我们用它爽快地砍瓜切菜的时候，需要担心自己的未来吗？

首先，虽然 LLM 看似有灵性，知识储备也远远超越了每一个人类个体，近乎「全知」！但本质上它仍然还是一个「工具」，而不是「神」。目前的观点认为这是人类认知革命的一大步，只是这次跨越实在惊人，速度之迅猛，所以让人有种魔法感。回看历史，人类最早的知识传播是靠博闻强记、口口相传；文字和纸张的革命让我们对认知的要求超越了知晓，思辨的高度大于了纯粹的记忆；互联网和搜索引擎使得整个世界的思维被关联起来，让知识的传播以电信号的速度超越了地理和语言的限制；而当前的 AI 革命呢？是用「智能体」的形式把全人类「已有」的知识融汇贯通，提供了更加高效使用的可能。

固然创造「未来」的能力还掌握在人类手中，但不可避免，社会的组织方式会受到冲击。科技越是进步，冲击力也会越强大。这不只是某类工作的丢失那么简单，互联网打通了行业的壁垒，于是天翻地覆。而目前AI 能强化到什么程度还未可知，但毫无疑问对生存、道德、理想 … 都会是巨浪。颇为讽刺的是，有了AI 这个最优秀的私教，智力的「贫富差距」反而会越拉越大，对于人类整体来说，智力的下降或许是不可避免的。互联网开始，人类就开始针对自己注意力的弱点死命地自虐，AI 加持以后会更加变本加厉，如何维持和提高专注、沉思和反省的能力会是永恒的课题。

作为个体或许我们应该「害怕」 ～ 但作为人类整体来说，我们或许迈向造物主又前进了一小步。

如何与 AI 相处 ？

怕也得跟 AI 结伴而行了，那我们应该如何「正确」地相处呢？有一些不成熟的想法：

• 铭记 AI 是工具！是人使用工具，而不是工具使用人。不能成为只是给 AI Token 付费的钱包、给 AI 做训练的耗材。
• AI 比我们知道得更多，做事更快更准确，但是如果使用 AI 做的事超越了我们自身的能力范围，那就一定会埋下不定时爆炸的隐患。当我们已经完全不明白 AI 是如何解决问题的时候，不应该雀跃，而应该警醒。
• 技术的普及，让每个人都将拥有最博学、最谦逊、最经济的家庭教师，但我们应该首先把它作为提高个人能力的「助手」，而不是呼来唤去的「苦力」。
• 如果把前 AI 时代的编程称呼为『古法编程』的话，未来仍要自己动手去做！思维高塔的搭建不是空中楼阁，脚踏实地「干活」是目前人类已知的构建扎实根基的唯一方法。但我们现在迎来了最优秀的 Pair programming 伙伴，深夜荧幕前将不再孤单。
• AI 提供的解决方案，往往是「Most Common Solution」，但最普遍并不意味着是「The Best Solution」。可以跟 LLM 学习，在关键之处也要超越 LLM。把「未来」捏在自己手中。
• 与 AI 对话方式的沟通似乎满满的 「人性」，但除了需要留意「道德问题」，还应该注意「礼貌」，别在 LLM 的海洋里丢失人性，扭曲了心智，异化为了机器。

如何 Vibe Coding ？

回到具体的 Vibe Coding ，《Beyongd Vibe Coding》的大多数观点都是契合我自己的实践的：

首先，要明白 AI 作为工具的局限性，它目前不擅长做什么：

• Deeply complex systems
• Low-level optimizations and systems programming
• Unique or niche frameworks
• Creative UI/UX design
• Interpreting intent and requirements ( Sometimes AI struggles when requirements are implicit or contradictory. It has no true understanding of the end goal beyond what you explicitly tell it. )

另外，不同的模型基于不同的目的做训练，清楚每一种模型擅长做什么也很重要。

很短的几个月，LLM 的进步是惊人的，从一开始需要精细的提示词 ( Prompt ) 控制，到现在已经能很好的理解相对「模糊」的需求，相信未来还能更进一步，但是反模式 ( Prompt Antipatterns ) 却是能恒久远的：

• The vague prompt - The fix: add context and specifics
• The overloaded prompt - Asking the AI to do too many things at once, the remedy is to split the tasks.
• Missing the question - Always include a clear ask
• Vague success criteria - The fix: quantify or qualify the improvement
• Ignoring AI’s clarification or output
• Inconsistency - ignore is missing an opportunity to improve the prompt
• Inconsistency - mixing different requirements can confuse the model
• Vague references like “the above code” -

虽然 LLM 能够一步到位完成一个完成的项目了，但是这样操作是没有可能做到恰当的 Code Review 了，未来或许我们会将所有的功能开发和代码质量检查都是交给 AI 自动完成，人类只需要控制好交付测试部分即可。但目前在真实项目中，或者说我们需要的是提高自己，那么采用可控的交互方式还是：typical iterative refinement 更加合理。

• Step 1: Initial generation
• Step 2: Review and run the code
• Step 3: Refine your prompts
• Step 4: Rinse and repeat

— Nov 08, 2026