聊聊Vibe Coding

上周分享了我对于大厂都在搞AI IDE这件事的理解和认知。在文章末尾，我从技术革命发展的四个阶段出发，分析并提出了四点原因，分别是：

大模型能力短期内近无可进，商业战略重心发生转移；
AI进入第二阶段，生产力工具创造应用落地和生态孵化阶段，AI编码就是这一阶段的核心工具；
AI编码(插件/IDE/AI全程驱动的开发平台/Vibe Coding)是当前最匹配大模型能力的生产力工具；
降低编码门槛和难度，让编码这一生产技能扩大受众，加速创意生产和落地，直至形成正循环；
最后，才可能才可能出现超级AI应用爆火全球。这个阶段，类似18年以后的移动互联网时代。

从AI出现到AI结合IDE投入应用，这一过程并非一蹴而就，而是有一个清晰的演化路径。目前主要有三种形式：插件、IDE以及AI全程驱动的开发平台。

1、AI编码插件做技术的同学都不陌生，以微软的GitHub Copilot、亚马逊的Amazon Q Developer以及阿里的通义灵码为代表。它们作为插件深度集成在主流IDE(如VS Code, JetBrains系列)中 。

插件的核心功能是代码补全、根据注释生成代码、解释代码、辅助调试等。微软通过将Copilot集成到其产品线(如Microsoft 365)中，已经验证了这种模式的商业成功路径。

2、AI Native IDE，这类工具从一开始就是围绕AI交互来设计的，目前比较知名的AI IDE有Cursor、Lovable、字节的Trae以及百度的Comate。

AI IDE将“与AI聊天协作”作为核心交互方式，简单来说就是程序员=在一个界面内完成代码编写、修改、调试和知识查询的全流程。

3、AI驱动的全流程开发平台，目前有亚马逊的Kiro、Google的Firebase studio以及腾讯的CodeBuddy。这是各大巨头布局AI编码的最终目标，旨在用AI贯穿“需求-设计-编码-测试-部署”的整个软件生命周期。

上面按照AI编码的能力演化路径提到的多个公司及其工具，其目的是通过AI IDE实现更深层次的生态系统锁定。

比如你作为一名开发者，当你习惯了用某个AI IDE开展编码工作之后，就会被深度绑定，进而优先使用该IDE所属公司的云服务（AWS,、Azure、Google Cloud、阿里云）、AI模型（Gemini、Claude、OpenAI models、Qwen）以及其他开发者工具。

对科技巨头们来说，这是一场围绕未来软件开发主导权、开发者生产力、以及自身技术生态护城河的全面战略布局。

当然，这篇文章的核心，是AI编码的另一种形式，即Vibe Coding。

Vibe Coding这一概念，是今年2月份，由Andrej Karpathy提出的。Andrej Karpathy是斯坦福大学计算机博士，前特斯拉自动驾驶系统Autopilot项目负责人，OpenAI创始团队的一员，在ChatGPT项目中也占据了不小的贡献。

Vibe Coding简单理解就是通过自然语言描述需求，由AI生成代码，从而大幅降低编程门槛，使非专业人士也能参与软件开发。

它的核心理念是：开发者不再一行行手敲代码，而是通过自然语言向AI描述期望实现的功能、界面风格或整体“感觉”(Vibe)，然后由AI负责生成、迭代和完善具体的代码实现。这也是为什么Vibe Coding被戏称为“氛围编程”或“意念驱动编程”的原因。

这本质上标志着开发者这一角色的根本性转变，主要特征有两点：

1、从“代码编写者”到“需求描述者”和“AI指导者”。

人类的主要工作不再是敲代码定义函数，而是明确的告诉AI，我想要实现一个什么功能，或者什么样的产品。

2、传统的开发过程被颠覆，从“编写-编译-调试”的内循环，转变为“对话-生成-评审”的外循环。

人类通过与AI的持续沟通对话来迭代产品功能，就像跟一个先天代码圣体但需要明确指令才能执行任务的程序员合作。

在我看来，Vibe Coding的出现，对代码能力薄弱或者不具备代码能力的外行新手来说，是特别友好的一件事。

以前如果你只有想法但缺乏软件工程能力，那大概率你的想法只能束之高阁。但现在不同，你只需要能很好的表达你的想法，就可以用极低的成本快速实现你脑海中的idea，且实现的效率更加高效。

如果你有创业的想法，Vibe Coding可以在几个小时内就搭建出一个可以交互的项目原型，而不需要费劲找人沟通需求然后等几周后才能看到结果。

如果你只是想要学习一门新技能或者单纯的学习编程，Vibe Coding可以直接为你生成一段示例代码并附上详细的解释。你会从“理论-示例-实践”这种学习过程中跳出来，快进到“干中学”的模式，可以更快的理解抽象的编程概念，并掌握相关技能。

对于有经验的开发者，完全可以借助Vibe Coding让它帮你完成自动化的代码重构、单元测试、批处理文件等任务，开发者只需要专注于需求理解和项目架构设计等更有创造性的工作。

当然，目前大模型本身就存在信息幻觉问题未被彻底解决，且Vibe Coding并非银弹，通过自然语言描述由AI生成的代码，也会存在很多潜在问题。比如：

代码质量与可靠性：AI可能会产生“幻觉”，生成不准确甚至完全错误的代码 。生成的代码质量可能不稳定，对于复杂的、大规模的系统，AI的理解力仍然有限。
可维护性与安全性：AI生成的代码可能难以维护，缺乏统一的架构和风格。且如果不经审查，代码中可能包含安全漏洞。
开发者技能退化风险：过度依赖AI可能导致开发者对底层原理的理解变浅，解决复杂问题的能力下降。
生产故障责任归属问题：当AI生成的代码出现问题时，责任由谁承担？这是一个很挑战法律和人性的问题。
要解决这些问题，目前较为通用的做法是为AI提供“开发手册”，即代码生成需要遵循的规范和步骤。这里的“开发手册”在编写时需要注意的是，它的受众是AI，而非人类。

用通俗易懂的话来说，“开发手册”更像是一种可以让人类和AI更好的“交互沟通协作”的范式，或者让人类理解，AI是如何理解思考人类语言并按照预期执行任务的指令。

做一个很形象的比喻，现阶段Vibe Coding的最佳实践方式，就像考驾照一样。人类作为教练坐在副驾驶，负责指导并随时接管异常情况，AI作为一个初学者在教练的指导下，完成驾驶车辆完成各项科目二科目三的任务。