《庄子·逍遥游》有言：「至人无己，神人无功，圣人无名。」千年之后，程序员们终于找到了另一种逍遥方式——让 AI 替自己写代码，自己只需「完全沉浸于氛围之中」。

Vibe Coding 生存指南

缘起：Karpathy 的一句玩笑话

2025年2月，OpenAI 联合创始人 Andrej Karpathy 在 X 上发了一条看似玩笑的帖子：

“我称之为一种新的编程方式——vibe coding，就是完全沉浸在感觉中，拥抱指数级提升，忘记代码本身的存在。”

这话听起来像是摸鱼指南，但细想却有深意：LLM 已经强大到可以根据自然语言指令自动生成可运行的代码，而人类只需要「说出想要什么」，而不必「知道怎么做」。

短短两个月，Vibe Coding 成为科技圈最热门的词汇之一，甚至被韦氏词典收录为「俚语和流行词」。

Vibe Coding 是什么

定义：一种依赖 AI 的编程方式，开发者用自然语言向 LLM 描述需求，LLM 生成软件，程序员从「代码编写者」转变为「需求翻译官」。

核心特征：

特征 传统编程 Vibe Coding
输入 代码（精确语法） 自然语言（模糊描述）
主力 人类程序员 LLM
关注点 如何实现 想要什么
代码理解 必须理解 可以不理解
键盘使用 频繁 极少

两种模式：

  • 纯粹模式：追求极致速度，完全信任 AI 输出，接受代码「不可读」的现实。适合快速原型、概念验证。
  • 负责任模式：在速度和质量之间找平衡，保持对代码的一定理解能力。

一个 10.4k Star 的中文指南

GitHub 上有一个叫 tukuaiai/vibe-coding-cn 的项目，目前 10.4k Star、1.1k Fork，堪称 Vibe Coding 领域的中文扛鼎之作。

项目描述是：「Vibe Coding 指南 - 涵盖 Prompt 提示词、Skill 技能库、Workflow 工作流的 AI 编程工作站」。

这是一个从 EnzeD/vibe-coding fork 过来的项目，核心贡献者 tukuaiai 在此基础上添加了大量中文解读和实战经验。

核心模块

项目包含四大核心模块：

1. 元方法论 用「生成器/优化器」的递归闭环让系统自我进化。简单说就是：让 AI 写提示词，再用 AI 优化提示词，形成正向循环。

2. 胶水编程 项目强调三个原则：

  • 能抄不写
  • 能连不造
  • 能复用不原创

这和我之前体验 Codex 的感受不谋而合——有时候最高效的方式就是直接用现成的轮子，让 AI 来粘合。

3. Canvas 白板驱动开发 让白板成为「单一真相源」。所有需求、设计、架构都先在白板上画出来，确保人机双方对「做什么」达成一致。

4. AI 蜂群协作 多个 AI 在 tmux 下互相感知、协作、分工。这个听起来有点赛博朋克，但本质上是用多 Agent 系统来模拟团队协作。

技能库：20 个专业 AI 技能

项目还附带了 20 个专业 AI 技能（skills），分为几大类：

  • 元技能：skills-skills（如何生成 Skills）、sop-generator（SOP 生成）
  • 数据库：postgresql、timescaledb
  • 加密货币/量化：ccxt、coingecko、hummingbot
  • 开发工具：canvas-dev、claude-code-guide、telegram-dev

核心经验：上下文第一性

vibe-coding-cn 项目总结了五条核心经验，每一条都值得细品。

1. 上下文是 Vibe Coding 的第一性要素

项目的原话是：「上下文是 Vibe Coding 的第一性要素。」

这很好理解：LLM 的输出质量直接取决于输入的上下文。给 AI 足够的背景信息，它就能给你想要的结果；给的信息残缺，AI 就只能靠脑补。

所以 Vibe Coding 的核心能力，从「写代码」变成了「写上下文」。

2. 先结构，后代码

这是我自己也深有体会的经验。先把目录结构、文件划分、模块边界定义清楚，再让 AI 往里面填代码。

好处是：即使 AI 生成的代码不完美，至少你知道它应该出现在哪里。

3. Debug 只给预期 vs 实际 + 最小复现

遇到 bug 时，告诉 AI 两件事：

  • 你预期发生什么
  • 实际发生了什么
  • 最小复现步骤

不用长篇大论解释上下文，AI 需要的是精确的信息，而非情感表达。

4. AI 错误整理为经验持久化存储

这是项目中我最喜欢的一条。AI 犯的错误不应该被遗忘，而应该被整理成「避坑指南」存入记忆银行，下次遇到类似场景时主动提醒。

实践建议：从 0 到 1 的路径

如果你想尝试 Vibe Coding，项目提供了一个清晰的路径：

  1. 哲学原理：先理解 Vibe Coding 的核心理念，不是让你偷懒，而是让你把精力从「如何实现」转移到「想要什么」

  2. 网络配置：确保能正常访问 Claude/GPT 等模型

  3. 开发环境：配置 IDE（VS Code 或 Cursor）

  4. CLI 配置：安装 Claude Code 或 Codex CLI

  5. 开始干活：用自然语言驱动开发

推荐的工具栈：

  • 模型：Claude Opus 4.6 或 GPT-5.3 Codex
  • IDE：VS Code + Cursor
  • 终端：tmux（多会话管理）
  • 辅助：SuperWhisper（语音输入）

局限性：Vibe Coding 不是银弹

尽管 Vibe Coding 很美好，但它不是银弹。

局限一：代码可能难以维护

当你不知道代码怎么写的时候，你也很难维护它。一旦 AI 生成的代码出问题，你可能连 debug 的方向都没有。

局限二：不适合复杂系统

简单项目可以靠「氛围」搞定，但复杂系统需要精确的架构设计和边界控制。Vibe Coding 适合做原型，不适合做生产级系统。

局限三：对代码质量把控有挑战

项目的 README 也坦诚地说：「当前经验可能因 AI 能力变化而失效。」

AI 的能力边界在不断变化，去年写不了的代码今年可能就能写了。这意味着 Vibe Coding 的最佳实践也在持续演进。

璞奇启示

Vibe Coding 的核心理念——让 AI 处理执行层面的事情，人类专注于「想要什么」——和学习场景的逻辑高度相似。

第一，从「学什么」到「想达成什么」的转变。

Vibe Coding 把程序员的角色从「代码编写者」变成「需求定义者」。类似的，璞奇的用户也应该从「被动学习知识」变成「主动定义学习目标」。

当你明确知道自己想通过练习达成什么时，AI 才能更精准地为你生成合适的练习内容。

第二，上下文（Context）质量决定输出质量。

Vibe Coding 的核心是「给 AI 足够的上下文」。对于学习来说，这个启发是：学习效果很大程度上取决于你提供的背景信息是否充分。

在璞奇中，这意味着一段文本、一篇文章，用户是否提供了足够的上下文来决定 AI 生成的练习难度和方向。

第三，复用与胶水思维。

「能抄不写，能连不造」这个原则在学习中同样适用。与其从零开始理解一个概念，不如先看看已有的优质解释和练习，再在此基础上深化。

小结

Vibe Coding 不是一个让你彻底躺平的概念，而是一个重新定义程序员角色的机会。

Karpathy 说「忘记代码的存在」，但我更愿意把它理解为：从代码的执行者，变成代码的编排者。

《逍遥游》说「鹏之徙于南冥也，水击三千里，抟扶摇而上者九万里。」AI 就是那股「扶摇」，而我们需要的，是知道要飞向哪里的方向感。

学会「氛围编程」，或许就能真正实现那句古话的现代版本：「无所待而技术行」。

信息说明