软件开发正在经历一场深刻的范式革命，本文将对比两种 AI 编程范式Vibe Coding 与 Spec Coding ，并通过 spec-kit 来尝试一个案例，体验下 AI 时代，编程的最新玩法。

我们小时候都玩过乐高积木。通过堆砌各种颜色和形状的积木，我们可以构建出城堡、飞机、甚至整个城市。现在，想象一下如果有一个数字世界的乐高，我们可以用这样的“积木”来构建智能程序，这些程序能够阅读、理解和

LangChain是一个框架，用于开发由LLM驱动的应用程序。可以简单认为是LLM领域的Spring，以及开源版的ChatGPT插件系统。

相信大家都经历过这样的疑惑，在使用 AI 的过程中，为什么我明明都纠正过它的问题，但是它下次还是依然会犯同样的错误，以至于我们不得不针对性写大量的规则来约束整个 Vibe Coding 的过程。 问题

面对需求，葱葱蓉蓉游刃有余。 以顶层规则、模块README与任务spec组成最小上下文，稳定驱动跨模块代码生成。

作为一个对 LLM 工作原理很感兴趣，但又常常被各种零散教程绕晕的人，我读完 Sebastian Raschka 的《从零构建大模型》之后，其实挺松一口气的。

大模型发展这两年，应用型 AI 的焦点一直在 “提示工程”（prompt engineering），但随着更强大的大语言模型（LLM）走向多轮、长时间的自主行动，一个更关键的概念开始走到台前：上下文工

在使用 AI 编程过程中，想让 AI 帮忙写一个前端页面，他哐哐哐写一大堆，结果一运行不是样式错乱，就是控制台报错。这个时候你把截图发给 AI，它道个歉，然后再给你生成一版错误的代码。 因为 AI它并

你有没有遇到过这种情况？满怀期待地让AI助手写代码，结果它理解错了需求，写了一堆你不想要的功能；或者你想让它改个小地方，结果它把整个文件都改乱了；又或者几轮对话后，AI完全忘了你最初想要什么，代码越改