Vibe Coding 不是低质量工作的借口:vibe-vibe 开源教程中的负责任的 AI 辅助开发实战指南
Vibe Coding 不是低质量工作的借口:vibe-vibe 开源教程中的负责任的 AI 辅助开发实战指南
负责任的 AI 辅助开发实战指南:如何在 Vibe Coding 时代守住代码质量、安全与长期可维护性的底线
"更快行动,打破更多东西。"这句对硅谷旧口号的扭曲,随着 Vibe Coding(氛围编程)进入聊天室,在最近的工程圈中不断回响。AI 辅助开发确实正在改变我们构建软件的方式——但它绝不是放弃严谨、审查与工艺的免费通行证。本文结合 Datawhale vibe-vibe 开源教程中的源码、测试与工程文档,系统拆解"为什么 AI 提速不等于质量自动达标",并给出可落地的七条高质量实践规则,帮助你既享受 AI 的速度,又守住软件工程的底线。

AI 辅助开发可以放大产出速度,也同样可以放大技术债务——"两个工程师现在也许能制造出五十人规模的技术债务"。
从"快速行动,打破更多东西"说起:Vibe Coding 的承诺与裂缝
先承认积极的一面:AI 辅助开发确实改变了软件的生产方式。它降低了实现门槛,让新手和非开发者也能通过清晰描述需求,生成可运行的软件。这释放了创造力——更多人可以用定制软件解决自己的具体问题,这正是"个人软件解绑"趋势的一部分。对经验丰富的工程师来说,它同样能带来明显收益:样板代码、脚手架、CRUD 层等重复劳动被大幅压缩。
然而,正如任何经验丰富的工程师会告诉你的:如果车轮在路上掉了,速度就毫无意义。裂缝正出现在构建可维护、健壮软件的"氛围"与"现实"之间的差距中。Vibe Coding 不是低质量工作的借口——这句话的真正含义是:AI 带来的速度红利,必须以更高的工程纪律来兑现。
残酷的真相:质量不是自动的
尽管热度很高,Vibe Coding 仍然遭到不少资深开发者的质疑。核心批评是:实现速度变快,并不等于质量会自动达标。如果把 AI 生成的结果不加审查地直接接入代码库,技术债务也会被同步放大。那句半开玩笑的话——"两个工程师现在也许能制造出五十个人规模的技术债务"——之所以广泛传播,正是因为它点中了要害。
许多早期的 Vibe Coding 项目表面上看起来已经"能用了",但里面往往藏着一整串问题:错误处理不足、性能边界没想清楚、安全实践松散、逻辑结构脆弱。这类产物常被称作**"纸牌屋代码"**——看起来完整,一旦进入真实环境的压力测试就开始松动。AI 的确可以快速产出大量代码,但数量从来不等于质量。

Forrest Brazeal 的这幅插图形象地展示了核心事实:AI 生成结果很快,但"表面进度"与"真实有效产出"之间可能存在巨大落差,工程责任并不会因为工具变强而自动消失。
这些风险并不只是理论上的,具体体现在三个维度:
- 可维护性:如果一个 AI 生成的模块结构晦涩、耦合过重,后面总得有人继续维护。要是连最初接手的人都说不清它为什么这么写,后续修改自然会越来越痛苦。
- 安全性:如果任务描述和上下文里没有把安全边界、错误处理和输入约束说清楚,生成结果就可能留下 SQL 注入、XSS 或不安全异常处理等问题。
- 过度拟合提示:AI 输出往往只对齐字面要求,却没有对齐真实需求——"看起来满足了提示词"和"真正解决了问题"是两回事,最终都会在上线后反噬团队。
从 vibe-vibe 仓库的源码可以看到,一个负责任的团队如何在"约束显式化"上做文章。以 Todo 演示项目为例,输入校验被集中定义为显式契约(demos/demo-01-todo/src/lib/validation.ts):
import { z } from 'zod'
export const createTodoSchema = z.object({
title: z.string().min(1, '标题不能为空').max(200, '标题最多 200 字'),
category: z.enum(['inbox', 'work', 'personal']).optional(),
dueDate: z.string().optional(),
})
export type CreateTodoInput = z.infer<typeof createTodoSchema>
而在带认证的进阶版本(demos/demo-02-todo-auth/src/lib/validation.ts)中,同样的校验被进一步加强:priority 限定为 low | medium | high 枚举、note 上限 500 字、dueDate 必须是合法日期时间格式。这正是"把隐式假设转化为显式契约"的工程实践——无论代码由人写还是由 AI 写,约束都必须先在模式(schema)层面钉死,而不是指望生成结果"碰巧正确"。
这并不是说 AI 不能写出好代码,而是说:好结果依赖于足够的上下文、明确的约束和严格的审查。如果把 AI 当成跳过工程判断的理由,问题就不在工具,而在工作方式本身。任何"工具会自动兜底"的想象,最终都得回到软件工程的基本原则上来。
让人类始终留在回路里
要有效使用 Vibe Coding,最重要的心态转变是:把 AI 当作高速度的实现协作者,而不是责任承接者。换句话说,你——工程师、评审者或负责人——仍然要对结果负责。AI 可以快速给出第一稿,但是否进入代码库,仍然取决于你是否理解、验证并认可这份结果。
成功整合 AI 的经验丰富的开发者会直觉地遵循这种模式。当 AI 助手建议代码时,他们不会只是点击"接受"然后继续,而是会:
- 阅读并理解 AI 写出的内容,确认你能解释它的结构与意图;
- 重构——AI 的输出往往是单体或混乱的,把它拆解为"更小、更专注的模块"以提高清晰度;
- 添加缺失的边缘情况处理——AI 经常遗漏边角情况或错误条件,人类需要补上空值检查、输入验证等;
- 加强类型和接口——如果 AI 使用了松散的类型或泄漏的抽象,人类要把它加强为显式契约;
- 质疑架构——AI 选择了一个低效的方法吗?它是否引入了全局状态,而纯函数就足够了?
- 编写测试(或至少手动测试代码的行为)——像对待同事的任何 PR 一样对待 AI 代码:在测试之前不能合并。如果 AI 编写了单元测试,请仔细检查这些测试不是表面的。
通过这样做,你才真正把工程判断注入到 AI 生成的代码里。这种组合的威力在于:AI 提供速度,人类提供边界、验证与取舍。也正因如此,基础更扎实的开发者通常能从 AI 工具中拿到更稳定的收益,因为他们更容易判断什么值得保留、什么必须重做。
因此,一条关键规则几乎不该有例外:**未经审查的 AI 代码,不要直接并入代码库。**你必须确保自己真正理解它。如果有一段实现你说不清楚,就继续补充约束、要求澄清,或者自己重写。AI 输出可以是草稿,但绝不能绕过审查。放到团队协作里,这意味着任何使用 AI 生成的大段代码,都应该能在代码审查中被清楚解释、被明确辩护,而不是靠"反正能跑"蒙混过关。
另一个最佳实践是让人类掌控设计:使用 AI 来实现,而不是决定基本架构。例如,你可以用 Vibe Coding 根据现有模式快速创建一个 CRUD REST API——这是定义明确的工作;但你不应该要求 AI"为我们的产品设计一个可扩展的微服务架构"然后盲目遵循它。高层设计和关键决策应该保持人类主导,AI 作为繁琐部分的帮手。本质上,让 AI 处理苦力活,而不是脑力活。
沟通和文档也变得至关重要。如果你提示 AI 生成一个非平凡的算法或使用一个不熟悉的库,请花时间记录为什么选择了那个解决方案。未来的维护者——或未来的你——不应该被留下猜测 AI 制作代码背后的意图。一些团队甚至记录用于生成重要代码的提示,有效地记录导致代码的"对话",这在以后调试时会很有帮助:你可以看到给 AI 的假设。
vibe-vibe 仓库中的测试用例正是"测试作为合并前提"的落地范例。以 demos/demo-01-todo/tests/todos.test.ts 为例,它用 Vitest 对 API 路由做了完整的行为验证:
describe('POST /api/todos', () => {
it('应该创建新 todo 并返回 201', async () => {
const request = new Request('http://localhost/api/todos', {
method: 'POST',
headers: { 'Content-Type': 'application/json' },
body: JSON.stringify({ title: '学习数据库' }),
})
const response = await POST(request)
expect(response.status).toBe(201)
})
it('标题为空时应该返回 400', async () => {
const request = new Request('http://localhost/api/todos', {
method: 'POST',
headers: { 'Content-Type': 'application/json' },
body: JSON.stringify({ title: '' }),
})
const response = await POST(request)
expect(response.status).toBe(400)
})
})
注意测试覆盖的不只是"快乐路径":它同时断言了异常输入(空标题、缺字段)会得到 400。这正是规则 4"测试、测试、测试"的具体化——即便 AI 帮你写了测试,也要检查它是否覆盖了边界,而不是只验证最顺利的路径。仓库配套的工程文档(docs/Advanced/02-ai-tuning-guide/02-vibecoding-workflow.md)也把"代码审查"与"测试验证"列为工作流的关键环节,并明确建议:安全相关代码、支付/财务逻辑、性能关键路径必须保留人工审查与测试。
总之,人类监督不是"锦上添花"——它是强制性的。一旦你将人类从循环中移除,你就只是在软件质量上掷骰子。在 AI 真正能够取代高级工程师的整体理解之前,Vibe Coding 必须是一种伙伴关系:AI 加速,人类验证。
Vibe Coding 的高质量实践规则
把上面的讨论具体化为可操作的规则与最佳实践,就是一套新的"快速行动,但不要打破一切"手册——一组在你与代码"vibe"时保持质量高水平的护栏。
规则 1:始终审查 AI 生成的代码——没有例外
无论代码来自 Copilot、ChatGPT、Cursor 还是其他 AI 工具,只要它准备进入代码库,就必须经过审查。你可以自己审,也可以和同伴一起审;但如果你没有时间审查它,那就说明你还没有准备好接纳它。这一规则几乎不该有例外,它是整套实践的基石。
规则 2:建立编码标准并遵循它们
AI 工具会模仿它们训练的任何代码,这是一个混合包。定义你团队的风格指南、架构模式和最佳实践,并确保任何 AI 生成的代码都被重构以符合。例如,如果你的规则是"所有函数都需要 JSDoc 注释和单元测试",那么 AI 输出必须在合并之前获得这些注释和测试。如果你的项目使用特定的架构(比如分层架构),不要让 AI 在 UI 代码中塞入临时的数据库调用——修复它以适应你的层。
vibe-vibe 的演示项目本身就是分层架构的样本:数据库访问集中在 demos/demo-01-todo/src/db(index.ts 负责连接、schema.ts 负责表定义),查询逻辑集中在 demos/demo-01-todo/src/lib/queries.ts,输入校验集中在 src/lib/validation.ts,页面组件只负责渲染。这种清晰的边界让 AI 生成的代码"往哪放、怎么写"都有章可循。
更进一步,可以考虑创建linting 或静态分析检查,专门针对常见的 AI 错误——例如标记使用已弃用 API 或过于复杂的函数——从而自动化对 AI 贡献的质量控制。静态检查无法替你做设计判断,但能把"结构是否合规"这个机械问题交给机器。
规则 3:使用 AI 加速,而不是自动驾驶
在实践中,这意味着用 Vibe Coding 来加速理解良好的任务,而不是替你思考。很好的用途:生成样板代码、搭建组件、将一种语言翻译成另一种语言、从伪代码起草简单算法。有风险的用途:让 AI 在最少指导下从头设计你的模块,或者在你根本不理解的领域生成代码——因为那样你无法判断它是否正确。如果你打算保留代码,不要停留在 vibe 模式——切换到工程模式并加强它。
规则 4:测试、测试、测试
生成速度不会自动带来正确性,关键路径一定要有测试。即便 AI 能帮你补测试,也不要只依赖它生成的测试,因为同一套遗漏可能同时出现在实现和测试里。对面向用户的功能,还要做手动验证:点一遍 UI、试一试异常输入,确认它不是只在"快乐路径"上看起来正常。前文展示的 Todo API 测试(demos/demo-01-todo/tests/todos.test.ts)同时覆盖 200/201 成功路径与 400 错误路径,正是这一规则的参考模板。
规则 5:迭代和完善
如果第一次 AI 给你的东西不令人满意,不要接受它。Vibe Coding 是一个迭代对话:如果初始输出笨拙或令人困惑,你可以提示 AI 改进它("简化这段代码""将其拆分为更小的函数"等),或者拿草稿自己重构。通常一个好的方法是在循环中使用 AI:提示实现 → 识别弱点 → 提示修复或手动调整 → 重复。vibe-vibe 教程把"迭代对话"作为核心技术主题之一反复强调,因为高质量 AI 辅助开发的常态不是"一次生成、直接上线",而是"多轮打磨、逐步收敛"。
规则 6:知道何时说不
有时,Vibe Coding 就不是正确的工具。负责任地使用它的一部分,是识别需要手动编码或更深入设计工作的场景。例如,处理关键的安全模块时,你可能想要仔细设计它,也许只使用 AI 来协助小部分;或者如果 AI 不断为一个简单问题生成复杂的解决方案,停下来自己写——你最终可能会节省时间。**不要让"AI 做的"成为不理解自己代码的借口。**如果经过几次尝试 AI 没有生成你需要的东西,收回控制权并以传统方式编码——至少那时你会有完全的理解。
规则 7:记录和分享知识
确保来自 AI 的任何代码都像手写代码一样彻底记录(如果不是更多的话)。如果有非显而易见的决定,或者你怀疑其他人可能会对 AI 生成的内容感到困惑,添加注释。在团队讨论中,公开说明什么是 AI 生成的、什么不是——这有助于审查者对这些部分给予额外关注。
遵循这七条规则,团队可以享受 Vibe Coding 的生产力优势,同时减轻最坏的风险。把它视为增强人类开发者,而不是取代他们。目标是与 AI 共同创造:让它以高速处理重复的苦差事,而人类处理创造性和批判性思维部分。
何时 Vibe Coding 有效(何时失败)
同样重要的是认识到 Vibe Coding 在哪里闪耀、在哪里不闪耀。并非每个项目或任务都同样适合 AI 驱动的工作流程。
适用场景
- 快速原型设计可能是 Vibe Coding 的最佳点。如果你有一个小应用或功能的想法,用 AI 助手快速组合一个快速原型或概念验证非常有效——这时你不介意代码有点粗糙,只是想验证想法。许多工程师在周末项目中仅使用 AI 编码取得了成功。另一个好用例是一次性脚本或内部工具:解析日志文件的脚本、自动化个人任务的小工具、团队的内部仪表板,这类任务低风险,脚本崩溃不是世界末日。
- 学习和探索。如果你在一个新语言或 API 中工作,要求 AI 生成示例可以加速你的学习(当然,要根据官方文档仔细检查 AI 的输出)。在探索模式下,即使 AI 的代码不完美,它也会给你材料来修补和学习,就像有一个教学助手向你展示尝试,然后你再完善。
- 结构化、样板繁重的任务。需要创建 10 个类似的数据类?实现一个常规的 CRUD 层?AI 在这种机械重复方面很出色,只要模式清晰,AI 就会遵循它并为你节省时间(只需验证它正确遵循了模式)。
不适用场景
- 企业级软件和复杂系统是 Vibe Coding 经常失败的地方。任何需要深入理解业务逻辑、大量并发、严格安全或合规性的东西,都不适合完全信任 AI 生成的内容。除非你明确说明,否则 AI 不知道你的业务约束或性能要求(即使说明了,它也可能做不对)。在这些领域,AI 可以部分协助,但人类专业知识和仔细的 QA 对最终产品至关重要。
- 长期可维护性。如果你正在构建一个将存在多年、由许多开发者维护的代码库,用 AI 生成代码的大杂烩开始它可能是一个糟糕的基础。没有强有力的指导,架构可能不一致。通常最好在前期花额外的时间构建一个干净的框架(有或没有 AI 帮助),而不是通过连续的 AI 提示拼凑整个产品。许多早期采用者观察到,Vibe Coding 节省的初始时间,可能会在项目需要扩展或适应时,于代码清理和重构期间被加倍偿还。
- 关键算法或优化。AI 可以生成排序算法或数据库查询——但如果需要高度优化(比如自定义内存管理例程,或必须在次线性时间运行的算法),就进入了人类独创性和深入理解仍然占优的领域。AI 可能会给你在小数据上能工作的东西,但在规模上崩溃,而且它不一定会警告你。
- 可解释性和清晰度优先的场景。有时你需要其他人(或审计员)可以轻松阅读和推理的代码。如果 AI 想出了一个复杂的方法,它可能会妨碍清晰度。在 AI 能够可靠地生成简单且结构清晰的代码之前,需要人类的介入来保持事情简单明了。
vibe-vibe 仓库本身的结构也印证了这个判断:三个 demo 项目(demos/demo-01-todo、demos/demo-02-todo-auth、demos/demo-03-social-schema)是有界、可快速迭代的教学原型;而教程文档体系(docs/Basic 与 docs/Advanced)则承担"长期可维护的知识资产"角色,需要持续的结构化整理与交叉引用。两者的边界正是"Vibe Coding 适合快速验证"与"长期资产需要工程化治理"的直观对照。
总之,Vibe Coding 是一个强大的加速器,但不是银弹。在速度比打磨更重要的地方使用它,在你有余地迭代和修复事情的地方使用它。避免将其用作关键任务软件的一次性解决方案——这就像雇用赛车手开校车,是错误场景的错误工具。也许有一天 AI 会如此先进,以至于 Vibe Coding 真的可以成为所有开发的默认选择——但今天还不是那一天。今天,它最适合作为"正确问题"的帮手,并有正确的监督。
结论:负责任地 Vibe——拥抱氛围,但尊重工艺
Vibe Coding 和一般的 AI 辅助软件开发代表了我们工具的一次激动人心的飞跃。它会继续存在,并且只会变得更加复杂。前瞻性的工程团队不应该忽视它——那些有效利用 AI 的人可能会超越那些不这样做的人。本文的信息不是拒绝 Vibe Coding,而是以开放的眼光和完整的工程纪律来接近它。
最大的收获是:没有质量的速度毫无意义。更快地发布有错误、不可维护的代码是一个虚假的胜利——你只是在加速走向悬崖。最好的工程师会平衡两者:使用 AI 更快地移动而不打破东西。关键在于找到那个甜蜜点:AI 做繁重的工作,人类确保一切都正确站立。
对于技术负责人和工程经理来说,行动号召很明确:设定"AI 是被负责任地使用的工具"的基调。鼓励使用 Vibe Coding 进行实验,但也建立期望(比如前文概述的七条规则)来保护你的代码库。对 AI 生成的贡献进行强制性代码审查,创造一个欢迎询问"嘿,这有意义吗?"的环境,并投资于提升团队有效地与 AI 一起工作的能力——这甚至意味着培训开发者如何编写好的提示、如何批判性地评估 AI 建议。这是一套新的技能,类似于过去向高级语言或分布式版本控制的转变——那些更早适应的人将获得好处。
我们最终应该从软件工程中真正重要的事情来看待 Vibe Coding:解决用户问题、创建可靠的系统、持续学习。Vibe Coding 是达到目的的手段,而不是目的本身。如果它帮助我们更好更快地为用户服务,那很好;但如果它诱使我们跳过用户最终依赖的尽职调查(如质量和安全),那么我们必须控制它。基本原则——清晰的思考、理解需求、为变化而设计、彻底测试——仍然和以往一样重要,如果不是更重要的话。
最后,也许精神应该是:**"快速行动,但不要打破东西——或者如果你打破了,确保你知道如何修复它们。"**利用氛围以光速编码,但用工程卓越的坚实基础支撑它。AI 可以与工艺共存;事实上,在工匠手中,它可以是一把强大的凿子。但仍然需要工匠的手来引导那把凿子,创造真正持久而精心制作的东西。
所以,开发者们,继续 vibe 吧——只是要小心。拥抱未来,但不要放弃让我们走到这里的原则。Vibe Coding 不是低质量工作的借口;相反,它是一个机会,去提升"当我们把人类判断与机器生成能力配对时"可以实现的目标。内化这一点的团队不仅会快速行动——他们会构建值得保留的东西。
编码愉快,保持氛围高,质量更高。