Vibe Coding 是革命还是鲁莽放纵?——vibe-vibe 教程视角下的 AI 辅助开发边界与工程纪律
Vibe Coding 是革命还是鲁莽放纵?——vibe-vibe 教程视角下的 AI 辅助开发边界与工程纪律
导读:本文围绕"Vibe Coding 究竟是软件开发的革命性进步,还是对工程质量的不负责任放纵"这一核心争议展开。作为首个系统化 Vibe Coding 开源教程,vibe-vibe 仓库将这一议题整理为「核心概念」栏目下的必读文章,并配套提供了从「基础篇」的实操方法论到「进阶篇」可运行 Demo 的完整证据链。读完本文,你将理解 Vibe Coding 的真实定义边界、它的吸引力与风险分别来自哪里,以及如何在个人原型与生产系统之间建立可执行的工程纪律。
核心要点
AI 确实大幅加速了代码创建(例如"Vibe Coding"),但它同时危险地降低了引入细微 bug、安全漏洞和不可维护复杂性的门槛。 行业需要的不是无条件拥抱速度,而是开发者以"专家策展人"和"批判性验证者"的身份介入:强化良好的设计、代码审查、安全测试与系统理解,确保 AI 真正服务于健壮、可靠的软件。"Vibe Coding"不是低质量工作的借口——你仍然必须让 AI 生成符合你标准的代码。
这一判断并非孤例。在 vibe-vibe 仓库的 核心概念与范式演进栏目 中,同一系列文章从不同侧面反复印证同一结论:《Vibe Coding 不是低质量工作的借口》 给出了可落地的七条质量规则,《我们在 FAANG 是怎么做 Vibe Coding 的》 则展示了生产环境中的完整流程。本文则负责回答最根本的判断题:革命,还是鲁莽放纵?
"Vibe Coding" 的起源
"屈服于感觉,拥抱指数级增长,忘记代码的存在。"
2025 年初,Andrej Karpathy——OpenAI 联合创始人、特斯拉前 AI 总监——在一篇半开玩笑的帖子中用这句话向世界介绍了 vibe coding。他描述了一种超现实的编码体验:使用一个足够先进的 AI 结对程序员,他甚至可以通过语音识别与它"交谈",然后纯粹靠"感觉"推进一个项目。
Karpathy 会把那些原本会亲手处理的琐碎改动——比如 UI 微调——也直接交给 AI,在不细看 diff 的情况下点击"全部接受";遇到报错,就把错误信息原样贴回去,让系统再迭代一轮。代码库会以远超个人逐行掌控的速度膨胀,但靠着不断试、不断调,他依然能把应用推到"能跑"的状态。正如他自己承认的:
"对于一次性的周末项目来说还不错……我只是看东西、说东西、运行东西和复制粘贴东西,它大部分时候都能工作。"
换句话说,他并不是在精心制作代码,而是在 AI 的帮助下感觉自己的方式,把软件开发当成与机器的即兴对话。"Vibe Coding"由此诞生,半认真半开玩笑地描述这种自由形式、直觉驱动的编码模式。
帖子触动了神经。几周内,vibe coding 就成为《纽约时报》《Ars Technica》《卫报》等主流媒体讨论的流行语。这是一个引人注目的起源故事:世界顶级 AI 研究者之一,公开尝试把控制权交给 AI 编码器。对资深工程师来说,这个场景既像是对未来的惊鸿一瞥,又像是对 AI 炒作的辛辣漫画。
定义"Vibe":从 Karpathy 的意图到工程界的热议
Vibe coding 从来不是用来描述所有 AI 辅助编码的——它是一种特定的风格:你甚至在运行之前都不阅读 AI 写的代码。
Karpathy 发明这个词,本意是半开玩笑地描述一种靠直觉和交互式反馈推进开发的极端方式。然而术语一旦出圈,含义很快被拉宽——很多人开始把任何用了 AI 的编程都叫作"vibe coding",反而模糊了边界。资深开发者 Simon Willison 很快指出:"vibe coding 并不等于在 LLM 帮助下写代码"。在负责任的 AI 辅助开发里,你当然可以用 GitHub Copilot、ChatGPT 等工具生成代码,但你仍然要像平时一样审查、测试并集成这些结果。而 Vibe Coding 在最原始的定义里,恰恰是把这层严格性大幅后移了。
这种区别至关重要。Karpathy 描述的是一种特定的极端:开发者更像是提示给予者和 bug 测试者,AI 完成大部分编码工作,开发者不仔细阅读每一行。这几乎是一种自嘲——一个专家编码者故意不使用自己的技能,只是为了看看 AI 能走多远。但随着术语流行,一些观察者错过了这个"眨眼",把 vibe coding 当成一种可以广泛应用的正经方法论。
在线讨论中,定义向两个方向延伸:
- 一派庆祝 vibe coding:把它当作一种令人兴奋的新人机协作范式,是"与 AI 结对编程,帮助你更快前进,而不是完全交出控制权";
- 一派谴责它:把它当作危险的草率实践,任何称职的工程师都不应沉迷其中。
一个越来越清晰的共识是:真正的 vibe coding 是"让 AI 驾驶",人类只负责轻推和观察——它是 AI 辅助开发光谱中更激进的子集,与"有纪律地使用 AI 工具"是两回事。如果你还在做健全性检查、补测试、守住验收标准,那你做的其实是 AI 辅助开发,而且完全可以很有纪律;真正意义上的"纯 vibe"流程,是把代码审查明显后置的那一种。
吸引力:为什么开发者拥抱 Vibe Coding
"对于低风险项目和原型,为什么不让它运行呢?LLM 可以比熟练的人类快一个数量级地生成代码。"
速度和创造性流动是 Vibe Coding 最诱人的承诺。对 Karpathy 这样本身具备极强实现能力的人,AI 的价值不在于"替他写代码",而在于把试错循环加速:样板代码生成更快,整段实现更早成形,于是可以以前所未有的速度尝试新点子。支持者把它比作"进入状态"——你不必停下来检查每个分号,而是乘着创造性的浪潮,被程序实时演变的感觉所引导。这是通过感觉编码,是当人类必须手动处理每个细节时不可能实现的体验。
Vibe Coding 还暗示了软件创建民主化的未来。通过大幅降低生成可工作代码的门槛,它让"有想法但缺乏深厚编程专业知识的人"也能参与创建软件,可能开启一个"家庭烹饪软件"(home-cooked software)的时代——由最终用户自己构建高度个性化的应用与工具。一些新手甚至会在这个过程中"被编程 bug 咬到,继而成为成熟的开发者",意味着 Vibe Coding 可能成为学习的入口,而不是专业知识的替代品。
即使是经验丰富的工程师,在明智使用时也能发现它的价值:高速探索性编程——类似快速原型设计或黑客马拉松模式。本质上,这是"hack 一个 0.1 版本"这一古老实践,在 AI"共同开发者"加持下的提速与普及。值得注意的是,许多真正试过 Vibe Coding 的人都提到:这并非"什么都不做",而是一种新的交互技能——你得学会怎样描述意图、怎样在偏离时纠偏,以及什么时候必须介入。 把 AI 当作协作者而非替代思考的工具,才能持续获得收益。
当然,也有具体的成功故事推动炒作:独立黑客快速推出盈利产品、开发者用 C 语言编写新 DSL 时 95% 的代码由 AI(如 Claude Sonnet + Cursor)生成、只手工介入内存管理与架构等关键环节。这些轶事说明:在有能力的人手中,Vibe Coding 可以产出非平凡的、可工作的系统。
"它工作直到它不工作":安全与可维护性风险
"疯狂地按'全部接受'按钮,相当于用你的代码库玩俄罗斯轮盘赌。"
这是资深工程师对 Karpathy 那套做法最直接的反应。Vibe Coding 令人兴奋,但真正拉响警报的是它在安全、代码质量和长期可维护性上的风险:如果在生产环境里不经审查就接受 AI 生成的改动,后果通常不会太好。一位评论者说得更直接:
"这种'vibe coding'废话相当于闭着眼睛开车,因为你的特斯拉开着自动驾驶。它工作得很好,直到你撞到树上,想知道为什么 AI 没有看到它的到来。"
安全是最直接的担忧之一。 现代应用遍布陷阱——SQL 注入、XSS、认证与授权漏洞——都需要明确约束、细致审查和充分测试才能挡住。即使模型再强,它也不会天然掌握你的业务安全边界;如果 prompt 和上下文没有把这些边界交代清楚,生成结果就可能写出表面合理、实则危险的实现:敏感 API 缺少身份验证、端点修改绕开授权检查、模板里埋入明显的 XSS 风险。真正需要警惕的不是"AI 很笨",而是人在几次顺利体验后过度放松了验证动作。
代码健康与可维护性是更深层的问题。传统软件工程极其重视代码的可理解性——不是为了虚荣,而是为了能修复 bug、能在未来集成新功能。Vibe Coding 明确不强调理解代码,Karpathy 自己也承认"代码增长超出了我通常的理解范围"。如果生产中出现问题,或系统需要扩展,必须有人知道它如何工作。一个 vibe-coded 代码库可能最终像一个神秘的黑盒——在最好的情况下减慢开发,在最坏的情况下无法修复、只能推倒重来。
隐藏 bug 与技术债务则是第三个风险向量。打地鼠式的开发风格——提示功能、运行代码、看到错误、喂回给 AI、继续循环——意味着你总在处理眼前可见的问题,而不是主动设计正确性与健壮性。一位开发者将其比作在不知道"承重墙"在哪里的情况下建造,可能无意中做出结构上不健全的决定。早期的 vibe coder 也报告说,你迟早会撞上一道生产力墙:如果你在没有设计约束的前提下直接开跑,最终常常还是要回头重构。
"一开始你似乎在取得进展,但由于你没有结构,你被出现的下一个错误或功能所吞噬……你在开始时'节省'的时间,你以后必须花费来重写代码以做你最初打算做的事情。"
也许最严厉的批评是:Vibe Coding 缺失了所有维持软件质量的传统检查——设计审查、代码审查、测试、调试。 这是"在程序性恍惚中编码,希望结果是正确的"。如果 AI 引入了一个细微的 bug,而你从不编写单元测试或仔细阅读 diff,它就不会被发现,直到运行时出问题。而当 AI 无法立即修复 bug 时,人类仍然必须卷起袖子调试——只是这次是在调试自己没完全写过的代码。
资深开发者群体的集体智慧可以概括为一句话:如果你确实选择 vibe code,请以极度怀疑的态度对待输出。 审查它,像测试手写代码一样彻底地测试它,否则你离一个未检查的缓冲区或逻辑错误只有一步之遥。正如一位 Hacker News 评论者调侃的:"这听起来像是通过随机钉未切割的木头,直到它勉强看起来像一把椅子并支撑你的体重来建造一把椅子。"你确实得到了一把"椅子"——但谁会在生产中坐上去?
原型工具还是生产责任?(个人项目 vs. 专业软件)
"为了好玩而 vibe coding 一个原型很容易。开发一个具有身份验证、安全性、最佳实践的健壮软件解决方案……要困难得多,vibe coders 还做不到。"
这句话捕捉了一个广泛共识:Vibe Coding 对个人或一次性项目可以接受,但还没有准备好进入生产环境的"黄金时段"。 即使是 Karpathy 本人,也小心地把他的实验框定为"没人依赖它"的周末项目。对于高风险或长期软件——核电站的控制软件、医疗设备——无忧无虑的 vibe 方法是不可行的。
个人工具 vs. 生产系统之间的分裂一再出现。支持者常以"这是为了学习和个人项目"来化解批评;事实上,Vibe Coding 目前的多数使用场景正是私人实验、黑客马拉松演示或作者单独使用的小众工具。用 AI 快速组合一个版本 1,完全预期你可能丢弃或重写它——这符合 Fred Brooks 的经典建议("计划扔掉一个")。但危险在于:如果有人把 Vibe Coding 当成"甚至不必在版本 1 上做合理工程"的许可证,就可能锚定在一个"有点能跑"的坏基础上,不断打补丁而不是正确重建。更健康的做法可能是反过来的:首先自己做一个诚实的实现(这样你深入理解了问题),然后再让 AI 试一版并对比,从而有能力判断输出。
在团队中,Vibe Coding 还提出了现实的工作流问题。vibe-coded 原型可以交给团队生产化吗? 可能可以,但如果团队必须费力审计和重构它,最初的速度优势就会被抵消。更麻烦的是:如果管理层只看到闪亮的原型,他们可能低估达到生产质量所需的努力,从而施压部署不安全的东西。业界也出现了对"10 倍到 100 倍生产力提升"这类说法的质疑——100 倍意味着把过去整个团队一个月的工作压缩到一天,这在现实中并未发生。
由此产生了一个明智的指导方针:使用 Vibe Coding 进行探索和原型;进入生产时,应用通常的严格性。 正如一篇博客总结的:
"'Vibe Coding'可能会让你达到一个功能概念的 80%。但要产出可靠、安全且值得付费的东西,你需要经验丰富的人类来完成今天模型还做不到的艰苦工作。"
换句话说,最后的 20%——往往是 80% 的努力——仍然需要传统工程。团队真正的挑战,是如何把 AI 驱动的开发以负责任的方式纳入流程:在 spike 或原型阶段允许更多 vibe coding,但在任何东西上线前,都必须走完整的代码审查与测试周期。 工具厂商也在补这条鸿沟——AI 生成代码的沙盒执行、自动化测试生成、更强的权限隔离。行业正在摸索的,是如何同时拿到两边的好处:Vibe Coding 的创造力与速度,以及传统工程流程的安全性与健壮性。
对开发者和团队的影响:我们现在都是产品经理了吗?
Vibe Coding 把程序员的大量日常工作从"制作实现"转向指定要构建什么,由此产生了"我们现在都是产品经理"的调侃。一些人庆祝这种转变——开发者可以聚焦更高层的问题解决与用户需求;另一些人担忧它会降低专业技能,让未来的初级开发者只会提示 AI"让这个更快",却从未经历过调试棘手 bug、理解算法复杂性的"基础学习时刻"。
一些资深开发者的担忧非常具体:
"我担心的是,如果我开始这样做,我会停止参与构建某些东西的困难方面。我认为我现在拥有的技能会萎缩。"
AI 修复了大多数问题后,如果开发者从"每周排查问题 5 次"变成"每几周 1 次",问题解决能力是否会被削弱?这仍是开放问题。未来的开发者可能拥有不同的技能画像——更像"管弦乐队指挥"与"QA 工程师 + 产品思考者"的结合。过渡期的尴尬在于:今天的工程师重视通过动手编码磨练的技能,而 Vibe Coding 似乎短路了这个训练过程。
然而,在宣布"编码职业完蛋"之前,必须看到:复杂、可靠的系统仍然需要资深工程师。 工业革命是恰当的类比:
"仍然有人制造定制的高质量物品……但大多数过去在车间制造的东西,现在在工厂生产,工人数量减少了几个数量级。"
换成软件行业的语言:常规 CRUD 应用或简单网站,未来确实可能被 AI"工厂化生产",所需人类开发者数量可能下降;但定制系统、复杂系统、新问题密集的系统,仍然需要成熟工程师把关,只是他们现在把 AI 工具当作力量倍增器。团队形态大概率会变化——更强调 AI 编排、结果审计和质量把关的新角色会出现,代码审查可能明确包含"识别 AI 编写的部分并检查已知 AI 失败模式(不安全的默认值、低效循环)"的步骤,文档与知识共享也要求记录"为什么选择这个方案"甚至生成代码所用的提示。
从经济角度看,早期拥抱这些工具的人可能变得显著更有生产力,而完全否定 AI 的人可能发现自己效率落后。最安全的职业赌注,是学会负责任地使用 AI 工具:AI 编码助手"使熟练的人能够比以往任何时候都更独立地创造,但它不会取代那些能够解决只有经验和直觉才能识别的难题的人"。结合经验和 AI 熟练度的开发者将处于最佳位置——利用 AI 在简单部分上的速度,把技能用在困难部分。
结论:在 Vibe 与严谨之间取得平衡
Vibe Coding 的兴起引发了兴奋、反弹与认真讨论——但最终,它强化的是一个老原则:工具会变,软件工程的底层约束不会消失。 大型语言模型确实提供了全新的软件构建方式:通过自然语言提示快速迭代,把过去几天的工作压缩到几小时,甚至让非开发者也能拼出简单应用。这种变化真实存在,且不会消失。
关键要点在于细微差别:
Vibe Coding 既不是我们所知编程的终结,也不是懒惰黑客的无意义流行语。它是一个具有特定优势和劣势的工具与技术。 在正确的环境中使用——黑客马拉松项目、原型、个人脚本——它可以显著减少摩擦、打开创造性的大门;在错误的环境中鲁莽使用——安全敏感的生产系统、多协作者团队项目——它可能招致灾难。
讨论指向"两全其美"的路径:不抛弃 Vibe Coding,而是驯化它——建立"安全 vibe coding"实践,例如沙盒执行 AI 编写的代码、让 AI 在写代码时同时生成测试和文档、设置明确边界(关键部分始终人工审查、强制版本控制等)。随着工具成熟,Vibe Coding 的工作流会变得更交互式和透明,解决许多当前的抱怨。
一个恰当的座右铭是:"使用 AI 更快地编码,但永远不要外包你的理解。" 当你接受一段并不理解的代码时,债务就已经产生。优秀的工程师会在合并前通过审查、测试和结构整理把这笔债补回来。这个问题并不新鲜——过去复制粘贴 Stack Overflow 代码而不理解的人,也会遇到同样的后果,AI 只是把这件事放大了。社区逐渐形成的共识很朴素:看 diff、补测试、守住设计、理解每个关键决定。
另一个可能的结果是专业化:前端 UI 调整、小型工具脚本、内部工具会倾向 vibe 式工作流,因为风险低、迭代速度是关键;库开发、核心算法、安全关键代码则主要保持手工编写或至少手工审计,因为对错误的容忍度为零。随着 AI 改进,边界会移动——70/30 可能逐渐变成 90/10 或 95/5,但最后那一片"困难的部分"可能永远不会完全消失。人类将攀登到更高的抽象层次,处理新的难题,而 AI 处理下面更多的苦力工作。
最后,Vibe Coding 是讨论"我们在软件开发中重视什么"的催化剂。它迫使我们回答:如果 AI 能比我们更快地生成代码,我们的角色是什么? 许多人给出的答案令人鼓舞:提供愿景、洞察力和深刻的理解——设定意图并确保结果真正满足意图,做出需要上下文与远见的艰难权衡,把伦理、责任与对用户的同理心注入过程。Vibe Coding 并没有消除对人类的需求;它转移了人类需求的位置。"放手"可能令人恐惧,但如果明智地做,它也可以是赋权的,让我们能够解决更大的问题。
最终,vibe 应该服务于代码,而不是反过来。 只要守住这个前提,Vibe Coding 就能成为有效的方法,而不是把团队带向失控。
在 vibe-vibe 教程中:这些原则如何落地
上述讨论并非纸上谈兵。vibe-vibe 仓库本身就是一个"系统化 Vibe Coding 教程",它的结构恰恰体现了本文的结论——先用 vibes 快速产出,再用工程纪律把成果稳住。
基础篇:用"三轮微调"与"验收清单"驯化生成结果
在 基础篇第 1 章 中,教程要求学习者在 AI 原型工具(如秒哒)里"先做出一个能看、能点、能聊的版本",然后执行三轮微调法:
- 第 1 轮:修明显错误——只处理信息写错、区块缺失、布局严重不对、聊天入口未出现等问题,明确要求"这一轮先只修这些明显问题,不要重做整体风格";
- 第 2 轮:调风格和内容——处理"它已经能用,但还不像我"的问题,只做风格层面修改;
- 第 3 轮:做小幅细化——处理按钮文案、提示语、间距等细节,"不要新增模块,也不要重做布局"。
同时给出两条微调原则:一次只改一类问题;尽量把改动边界说清("只改这一部分""先不要新增新模块")。这正是把"人类监督"嵌入 AI 协作循环的可操作模板。随后 1.4 节 提供了过关线与验收清单(页面能正常打开、名字和简介清楚显示、聊天入口能完成基础提问、手机端可浏览),并引导学习者把"界面问题、内容问题、数字分身问题、体验问题"分门别类记入下一轮优化清单——这就是"识别弱点 → 记录 → 下一轮修复"的纪律化迭代,避免"修一处、动很多地方"的失控。
进阶篇:用源码与测试验证"审查、测试、安全边界"
进阶教程的 Demo 项目 则用真实代码演示了"AI 时代不减弱的工程实践":
- 输入验证(守住安全边界):在 demo-01-todo 的校验模块 中,使用 Zod 定义
createTodoSchema,标题强制min(1)、max(200),分类限定为inbox / work / personal枚举;在 API 路由 里通过safeParse校验请求体,失败时返回 400 与明确错误信息——这是"不让脏数据进系统"的人类工程判断; - 测试兜底(验证 AI 输出):demo-01-todo 的测试用例 使用 Vitest 覆盖 GET 列表、按分类过滤、POST 创建,并专门断言"标题为空返回 400""缺少标题字段返回 400"——对应"像对待同事的任何 PR 一样对待 AI 代码,测试之前不能合并";
- 认证边界(把权限约束显式化):在 demo-02-todo-auth 的 safe-action 中间件 中,
authActionClient在每次 action 执行前强制校验会话,未登录直接抛出"未登录"——这正是文档所强调的"业务安全边界必须由人类显式声明,不能指望模型天然掌握"; - 学习路径设计(原型 → 工程化):Demos 总览 建议按 demo-03(Schema 设计)→ demo-01(完整 CRUD 与前后端联调、测试)→ demo-02(认证与权限控制)的顺序学习,每一步都在把"能跑的原型"推向"可维护、可验证、有边界的系统"。
同栏文章:七条规则与 FAANG 流程
仓库同栏目下的两篇文章把本文的结论进一步操作化:
- 《Vibe Coding 不是低质量工作的借口》 总结了七条规则:始终审查 AI 生成的代码(没有例外);建立编码标准并遵循;用 AI 加速而非自动驾驶;测试、测试、测试;迭代与完善;知道何时说"不";记录与分享知识——并强调"未经审查的 AI 代码不要直接并入代码库";
- 《我们在 FAANG 是怎么做 Vibe Coding 的》 展示了完整流程:技术设计文档 → 设计审查 → 子系统文档 → 冲刺规划与任务拆解 → 先补测试再让 Coding Agents 实现(测试驱动开发)→ 至少两位开发者批准才合并 → 暂存环境验证后上线,整体周期缩短约 30%——AI 放大的是严谨流程,而不是取代流程。
这些仓库内证据共同指向本文的核心结论:Vibe Coding 与工程纪律并不对立,恰恰相反——只有把审查、测试、验证与安全边界放回开发主线,Vibe Coding 的速度优势才能真正转化为可靠产出。 工具会变,但"理解你的代码、验证你的结果、守住你的边界"这些软件工程底层约束不会消失。
相关阅读(仓库内):