Vibe Coding 概念大全

Vibe Coding 概念大全

• 本文内容基于公开资料整理与个人实践总结，力求用清晰易懂的方式，带你一文掌握 AI 编程的核心术语

AI 基础概念

人工智能（AI）

说白了，就是让电脑学会像人一样动脑子——能理解问题、自己学东西、还能想办法解决。 在 Vibe Coding 里，AI 就相当于你随叫随到的编程搭子：你只要说清楚想干啥，它立马帮你把代码写好，跟有个程序员朋友全天候待命差不多。

大语言模型（LLM）

大语言模型（LLM）就是一种特别能“说人话”的AI，像 ChatGPT、Claude 这些都是它的代表。 它之所以叫“大”，是因为背后有几十亿甚至上万亿个“小开关”（参数）在运作——读过的资料越多、学得越深，就越聪明，但同时也更费电脑资源。

你可以把它想象成一个通宵啃完全世界书和代码的超级学霸：你让它写代码、讲代码、改bug，它基本都能搞定，因为它啥都见过、啥都练过。

模型参数

模型的“参数”其实就是它学到的知识，用一堆数字存着。参数越多，说明这模型“脑子”里装的东西越多，通常也就越聪明。

举个例子：

• GPT-4 脑子最大，有大约1.8万亿个参数；
• Claude 3.5 Sonnet 没公布具体数字，但估计也有几千亿；
• DeepSeek-V3 有6710亿个参数。

不过，参数多也意味着更“烧钱”——不仅训练贵，用起来也更费电、更占资源。所以一般来说：参数越多，能力越强，但花的钱和算力也越多。

训练和推理

训练和推理，就是AI的“学习”和“考试”两个阶段。

训练：相当于AI在“上学”，拼命看海量数据（比如书、代码、网页），把知识学到脑子里。这个过程特别费时间、费电脑，一般只有大公司才干得起，普通人不用操心。

推理：就是AI“学成出山”后，你问它问题，它用学到的东西给你回答——比如你跟ChatGPT聊天、让它写代码，这时候它就是在“答题”。

简单说：训练是AI自己埋头苦读，推理是你用它现成的本事。我们平时用AI，其实都是在用它的“考试能力”。

微调（Fine-tuning）

微调就像是给一个已经大学毕业的AI“再上个专业培训班”。

它本来啥都懂一点，但如果你拿一堆医学资料或者你公司的代码专门训练它一阵子，它就能在那个领域变得更专业、更对口。

不过，搞微调要花不少钱和精力，对普通人来说有点“杀鸡用牛刀”。大多数时候，直接用现成的AI就完全够用了，不用自己折腾。

Token 和计费

Token

Token 就是 AI 看文字时的“最小计数单位”，你可以把它当成“词块”或者“字块”。

• 英文里，一个单词（比如 "hello"）大概算 1 个 token，有时候一个词还会被拆成几块。
• 中文更“费”一点，一个汉字通常算 1 到 2 个 token，所以中文比英文更容易“烧”token。

为啥要关心这个？因为用 AI 是按 token 收费的——你输入的问题 + AI 回答的内容，全都要算进去。用得越多，花得越多。

举个例子：

• “Hello World” ≈ 2 个 token
• “你好世界” ≈ 4 到 6 个 token

所以，别小看多打几个字，可能就多花几分钱！

输入 Token 和输出 Token

用 AI 时，收费是分开算的：

• 你发给 AI 的内容（比如问题、代码、文件）算“输入 token”；
• AI 回给你的答案（比如解释、生成的代码）算“输出 token”。

而且通常 输出比输入更贵，因为让 AI “动脑子写东西”比“看懂你在说啥”更费劲、更耗资源。

省钱妙招： 别啰嗦，提示词尽量写得清楚又简洁。这样 AI 一次就搞明白你要干啥，不用来回问好几轮——既省 token，又省时间！

上下文窗口

上下文窗口就是 AI 一次能“看”和“记住”多少内容，用 token 来算。你可以把它想象成 AI 的“临时记忆容量”。

不同模型这个容量差别很大：

• GPT-4o 能记大约 10 万字中文；
• Claude 3.5 Sonnet 能记约 15 万字；
• Gemini 2.0 Pro 更猛，能记下差不多 150 万字——相当于一本小书了！

好处是：代码文件特别大、对话历史特别长的时候，大窗口模型不会“忘前事”，处理起来更顺畅。

但注意：窗口越大，每次用的 token 就越多，花的钱也越多。所以别盲目追求大，够用就行——就像吃饭，吃太撑反而浪费。

提示词相关

提示词（Prompt）

提示词就是你跟 AI 说话的方式——你告诉它要干啥，越清楚，它干得越好。

别只说“做个网站”这种模糊话，那等于让别人“做顿饭”，却不说是中餐还是西餐。 好的提示词得具体、带背景、说清格式，比如：

“用 React 做个蓝色主题的记账网站，要有添加支出、查看列表、统计总额这三个功能。”

这样 AI 才能精准干活，不瞎猜。

另外，AI 对话其实有三种“角色”：

• 系统提示（你看不见）：悄悄告诉 AI “你是个程序员，要专业、简洁”；
• 你发的消息（用户提示）：就是你的需求或问题；
• AI 回的（助手提示）：它的回答。

知道这三块有啥用？比如调试时，你可以假装前面已经聊过几轮，把上下文“喂”给 AI，它就能更懂你在说啥，不用从头解释。

总之：会说话，AI 才会办事。

系统提示词

系统提示词就像是你在 AI 开工前，悄悄给它立的“人设”和“规矩”。

比如你告诉它：

“你是个资深 React 开发，说话要专业，代码要简洁清晰。”

那接下来整个对话里，它都会按这个角色来回答——不会突然跑偏去讲 Python，也不会写一堆啰嗦的注释。

这个设置是全程生效的，而且对用户自己不可见（但能影响 AI 的表现）。 所以，如果你希望 AI 更像某个领域的专家、语气更正式或更随意，都可以通过系统提示词提前“调教”好。

简单说：系统提示词 = 给 AI 定角色、定风格、定规矩的幕后指令。

提示词工程

提示词工程说白了，就是“怎么跟 AI 把话说到位”的技巧。

你不是随便问一句，而是有策略地组织语言，让 AI 一眼就明白你要啥、怎么干、干成什么样。 在 Vibe Coding 里，这本事特别值钱——会写提示词的人，往往一两句话就能让 AI 输出高质量代码；不会的，可能来回折腾好几轮还跑偏。

所以，提示词工程 = 用最聪明的方式指挥 AI，少废话、快出活、结果准。 它不是玄学，而是一门“让 AI 听懂人话”的实用技能。

零样本提示（Zero-shot）

零样本提示就是你直接给 AI 下命令，不给例子、不带示范，全靠它自己“凭经验”干活。

比如你直接说：“把这段英文翻译成中文。” AI 就会调用它以前学过的东西，试着完成任务。

这种方式适合简单、常见的任务，比如翻译、解释概念、写个基础函数——因为这些它见得太多了，不用教也会。

但要是任务比较冷门或复杂，光靠零样本可能不够准，这时候就得给点例子（也就是“少样本提示”）帮它理解。

简单说：零样本 = 一句话直接吩咐，AI 靠老本儿干活。能行就行，不行就得多教两招。

少样本提示（Few-shot）

少样本提示就是“先给 AI 打个样”，让它照着你的格式或风格来干活。

比如你想让 AI 翻译，但又怕它乱翻，就先写两三个例子：

英文：Hello → 中文：你好 英文：Thank you → 中文：谢谢

然后你再给新句子，它就会模仿你给的格式，乖乖输出“中文：早上好”这种一致的结果。

这种方式特别适合：

• 你有特定格式要求（比如日志、表格、代码注释）
• 或者任务有点模糊，光说不清，得看例子才明白

简单说：少样本提示 = 先示范，再干活，AI 学得快、做得准。比干巴巴下命令靠谱多了。

思维链提示（Chain-of-Thought）

思维链提示就是让 AI 别急着“脱口而出”，而是像人一样一步一步想清楚再答。

你只要在问题里加一句：“请一步一步思考”或者“Let’s think step by step”，AI 就会先把问题拆解、分析逻辑、理清步骤，最后再给答案。

这招对复杂问题特别管用——比如写一个带多个功能的程序、排查奇怪的 bug，或者处理有陷阱的逻辑题。 因为 AI 一旦跳过思考直接写代码，很容易漏掉细节；但让它“出声思考”（哪怕只是文字），往往能写出更合理、更靠谱的代码。

简单说：加一句“慢慢想”，AI 就从“抢答选手”变成“认真解题的学霸” 。结果更准，结构也更清晰。

Markdown 语言

Markdown 就是用简单符号快速排版文字的方法，比如：

• 用 # 写标题
• 用 **加粗** 让字变粗
• 用 - 列清单

在 Vibe Coding 里，它特别常用，因为：

• AI 回答你时，默认就用 Markdown 格式（带标题、代码块、列表等）
• 项目说明文件（比如 README）基本都是用 Markdown 写的
• 一些规则或配置文档也是 Markdown

所以，会点 Markdown，你就能看得懂 AI 的输出，也能写出整洁专业的文档——不用点鼠标调格式，敲几个符号就行，又快又清爽。

AI 编程模式

Vibe Coding

Vibe Coding 是计算机大牛 Andrej Karpathy 在 2025 年初提出来的一个新玩法：你不用自己敲代码，只要用大白话告诉 AI 你想要什么功能、希望程序怎么运行，AI 就能帮你写出能跑的代码。

说白了，编程的重点不再是记语法、写细节，而是你能把自己的想法说清楚。就像点外卖——你不用会做菜，但得知道自己想吃啥，剩下的交给厨房（也就是 AI）搞定

Agentic Coding 智能体编程

Agentic Coding 就是让 AI 像个能自己动脑干活的“小助手”，不光听你问才答，还能主动规划、动手、检查、修错。

比如在 Cursor 的 Agent 模式里，它能自己看代码、想方案、改文件、跑测试，发现问题还能自动修好——整个过程不用你一步步指挥。 说白了，它不是“问答机”，而是“办事员”，能独立搞定一整套复杂任务。

多智能体协作

多智能体协作，说白了就是让几个 AI 各干各的活儿，像组了个小团队一起搞项目。

比如你想做个网站：一个 AI 负责搭整体结构，一个写页面（前端），一个搞后台逻辑（后端），还有一个专门挑毛病、查代码漏洞。它们互相配合，不用你挨个指挥。

这两年这玩法越来越火，因为单个 AI 再聪明也容易顾此失彼，而“团队作战”才能扛得住真正复杂的活儿——就像没人指望一个人又当设计师又当程序员还当测试员，对吧？

智能体编排

编排其实就是当“AI 团队的包工头”。

你有一堆 AI 智能体，各自会干点活，但谁先干、谁后干、怎么传数据、结果怎么拼起来——这些都得有人安排。编排器就是干这个的：不亲自写代码，但把整个流程理顺，让每个 AI 在对的时间干对的事。

就像乐队指挥，自己不吹号不拉琴，但一抬手，小提琴进，鼓点跟上，铜管收尾——整首曲子才不乱套。没它，一群 AI 各自为战，反而容易搞砸。

Agent Loop 智能体循环

Agent Loop 说白了，就是 AI 干活的“思考-动手-检查”循环。

它不是一次性给你答案就完事，而是像人一样反复折腾： 先看看现在啥情况（比如读代码、看报错）， 然后想“接下来该干啥”， 接着动手改、跑命令、写点东西， 再回头瞅一眼“改对了没？跑通了吗？”， 要是不行，就再来一轮——直到搞定为止。

用 Cursor Agent 的时候，你其实是在放一个会自己试错、调整、死磕到底的 AI 程序员在干活。理解这点，你就知道为啥它有时候要来回跑好几次——不是卡了，是在认真闭环。

ReAct 推理与行动

ReAct（Reasoning and Acting）

ReAct 其实就是让 AI 学会“边想边干，干了再想”。

以前的 AI 要么光说不练（只输出答案），要么瞎干一通（直接执行不思考）。ReAct 改变了这个毛病：它让 AI 先动脑子——“现在啥情况？该怎么做？”；然后动手试一试；做完马上看结果对不对；如果不对，立刻调整思路再来。

这就像你修电脑：先判断是不是网线松了（推理），去插紧（行动），看能不能上网（观察），不行就换思路查路由器（再推理）…… AI 用 ReAct 就是这么一步步靠谱地把复杂任务搞定的。现在的智能编程工具，背后基本都靠这套逻辑撑着。

工具调用

工具调用，其实就是让 AI 从“嘴炮”变成“能动手”的关键一步。

AI 本身只会生成文字，干不了实际的事。但通过工具调用，它能在需要时“喊人帮忙”——比如读文件、跑命令、查网页、连数据库等等。

整个过程分四步，特别像你指挥一个实习生：

1. 看出问题：AI 想，“光靠我说不行，得查点东西”；
2. 选对工具：决定是读文件、还是调 API；
3. 下指令：不是自己干，而是说清楚“请用 XX 工具，参数是 A、B、C”；
4. 收结果再处理：等系统真把结果拿回来，它再结合这个信息继续干活或回答你。

重点来了：AI 并不直接操作电脑，它只是“开单子”，真正执行的是背后的程序。

在 Vibe Coding 里，这套机制就是 AI 的“手和脚”。比如 Cursor 的 Agent 模式，之所以能自动改代码、跑测试，全靠它不断调用外部工具——没这能力，AI 再聪明也只能纸上谈兵。

Agent Skills 智能体技能

Agent Skills 就像是给 AI 装“专业插件包”，让它临时变成某个领域的老手。

Anthropic 在 2025 年底搞了个标准：你只要建个文件夹，放个 SKILL.md 说明文档，再配上脚本、规则或参考资料，AI 遇到相关任务时就会自动“加载这个技能”。

比如：

• 你有个 PDF 表单填写 的 Skill，AI 原本不会处理 PDF，但一加载它，立马知道怎么填；
• 你团队有套特殊的 上线部署流程？写成一个 Skill，AI 就能照着你的规矩来，不用你每次手把手教；
• 想让 AI 按你们项目的风格 审查代码？丢个代码规范 Skill 给它，它就按你的标准挑毛病。

最关键的是，AI 不会一股脑把所有技能都塞进脑子——只在真正用得上的时候才调出来。这样既省资源，又不卡顿，就像人一样：平时不用记怎么做心肺复苏，等真遇到急救场景，才翻手册或调用训练记忆。

说白了，Skills 让 AI 从“通才”变成“随叫随到的专家”。

Skills 的核心设计是 渐进式披露：AI 只在需要时才加载相关内容，不会一次性把所有信息都塞进上下文，既节省 Token 又保持灵活性

A2A（Agent-to-Agent）

A2A（Agent-to-Agent）说白了，就是给 AI 们定一套“团队聊天规则”。

单个 AI 再厉害，干大活也容易抓瞎。但如果几个 AI 能像同事一样互相说话、分任务、同步进度，事情就好办多了。 A2A 就是让它们能互相理解、协调行动的底层约定——比如一个 AI 说“前端我搞定了，后端你接着来”，另一个就能听懂并接上。

没有这套协议，每个 AI 都是孤岛；有了它，它们才能真组成一个配合默契的“AI 小组”，一起搞定复杂项目。 就像打篮球，光个人技术好不够，得会传球、喊话、看队友位置——A2A 就是 AI 团队的“场上沟通”。

BMAD 敏捷 AI 开发方法

BMAD-METHOD（Breakthrough Method of Agile AI-Driven Development，突破性敏捷 AI 驱动开发方法）是一套系统化的 AI 智能体开发框架，旨在将原本混乱的 AI 编程过程变得结构化、可复用。

BMAD 方法，说白了就是给 AI 编程“立规矩、分角色”，把原来靠感觉瞎跑的 AI 开发，变成一套像正规军打仗一样的流程。

它把整个开发过程拆成几个明确角色，每个 AI 负责一块：

• 分析师 AI：搞清楚用户是谁、市场要啥，输出项目简报；
• 产品经理 AI：把简报变成具体功能清单（PRD）；
• 架构师 AI：设计技术方案，决定用什么框架、怎么搭系统。

而且 AI 还分两种：

• 简单 AI：干点小事，比如写个文档、查个代码，一个文件搞定；
• 专家 AI：能记住上次干到哪，有自己的“工作台”（专属文件夹），适合长期复杂任务，比如从零搭一个 App。

每个 AI 都有清晰的“人设”——你是谁、说话啥风格、能干啥、怎么配合别人，全都标准化了。不是随便乱聊，而是各司其职、按流程推进。

这套方法在 GitHub 上火到几万星，说明大家终于意识到：光靠一个 AI 盲打蛮干不行，得像管理真人团队一样，让 AI 有分工、有纪律、有记忆——这才真正把 AI 变成了靠谱的开发伙伴。

Browser Use 浏览器使用

Browser Use 说白了，就是让 AI 能像真人一样“自己开浏览器干活”。

它不靠网站提供 API，而是直接操作网页：点按钮、填表单、翻页面、抓数据——就跟你在电脑前手动操作一模一样。

典型用法比如：

• 让 AI 自己去网上搜资料、比价格、整理信息；
• 把网页上的表格或新闻自动扒下来变成结构化数据；
• 帮你填那种又长又烦的在线申请表；
• 甚至跨多个网站串着操作，比如先查航班、再订酒店、最后发邮件确认。

关键优势是：AI 能直接用你已经登录的浏览器。你不用给每个网站写接口，也不用担心没开放 API——只要你能打开的网页，AI 基本都能操作。

现在像 Cursor、Claude Code 这些工具都内置了这能力，写代码时能自动开浏览器预览、跑测试；开源项目比如 Browser-Use 也让你用 Python 调大模型来控制浏览器。

一句话总结：Browser Use 让 AI 真正“上网”，而不只是“联网说话”。

Computer Use 计算机使用

Computer Use 就是让 AI 从“会说话”升级成“会动手操作你整个电脑”。

和只能在浏览器里点点点的 Browser Use 不同，Computer Use 能干的事更广： 它能看屏幕、移动鼠标、敲键盘、开软件、跑命令行——就像有个看不见的数字员工坐在你电脑前干活。

它是这么工作的：

1. 看一眼屏幕（截屏分析当前界面）
2. 想下一步干啥（比如“点这个保存按钮”）
3. 动手操作（模拟鼠标点击或键盘输入）
4. 看结果对不对，不对就再调整

当然，为了安全，这功能一般跑在虚拟机里，不会真动你本机文件——除非你明确授权。

Anthropic 在 2026 年基于这个技术推出了 Claude Cowork，一个能直接帮你整理下载文件夹、从截图里抠数据填表格、甚至做品牌周报的桌面助手。 它不再只是聊天框里的“嘴替”，而是真正能进你工作流、碰你文件、用你软件的“同事”。

说到底，Computer Use 标志着 AI 从“回答问题”迈进了“替你做事”的时代——不是写代码给你，而是直接在你电脑上把事办了。

上下文管理

上下文（Context）

上下文，就是 AI 回答问题时能“看到”的所有背景信息。

比如：你们之前聊了啥、你当前打开了哪些代码文件、项目整体长什么样、配置是怎么设的，还有你额外给的文档或说明——这些都算。

你给的上下文越准、越全，AI 写出来的东西就越贴合你的实际需求。 这就像带新同事接手项目：你要是只说“你改一下登录功能”，他可能瞎改；但如果你顺手把相关文件、设计稿、历史问题都指给他看，他立马就能上手干对事。

所以，别光提需求，多让 AI “看见”你的项目现场——它才能真帮上忙。

上下文工程

上下文工程，说白了就是“给 AI 喂刚好够用的信息”，不多不少，刚刚好。

太多信息？AI 容易懵、跑偏，还费钱； 太少信息？它根本不知道你在干啥，瞎猜一通。

所以高手会这样干：

• 只塞最相关的代码文件，别把整个项目一股脑扔进去；
• 附上几句关键背景，比如“这是个电商后台，用户要能一键退款”；
• 用规则文件（比如 .ai-rules.md）告诉 AI 你们项目的命名规范、技术栈、禁忌；
• 还会定期清理旧对话，别让上周聊的登录功能干扰今天改的支付逻辑。

本质上，上下文工程不是堆信息，而是精准投喂——像给同事递工具，你要的是扳手，我就递扳手，不连锤子锯子螺丝刀全砸你桌上。

这样 AI 才能又快又准地干活。

规则文件

规则文件（Rules File）是放在项目中的配置文件，用来告诉 AI 你的项目规范、技术栈、代码风格等信息。有了规则文件，AI 每次生成代码时都可以参考这些规则，生成的代码更符合你的项目风格，省去了反复强调的麻烦。

不同 AI 编程工具使用不同的规则文件格式：

• Cursor：早期使用 .cursorrules 单文件格式，现在推荐使用 .cursor/rules/*.mdc 多文件格式
• Claude Code：使用 CLAUDE.md 文件
• GitHub Copilot：使用 .github/copilot-instructions.md 文件

以 Cursor 为例，现代的 .mdc 规则文件支持 YAML 元数据，可以指定规则的适用范围：

---
description: React 组件开发规范
globs: src/components/**/*.tsx
alwaysApply: false
---
# React 规范
- 使用函数式组件
- 优先使用 hooks

规则文件的激活方式有多种，比如：

• 始终生效：设置 alwaysApply: true
• 模式匹配：当引用匹配 globs 的文件时自动激活
• 手动调用：在对话中用 @规则名 引用
• AI 自主决定：AI 根据任务相关性自动加载

💡 注意，随着工具版本的更新，这些文件的名称和标准可能会发生改变，一切以工具官方文档为主。

AGENTS.md

AGENTS.md 说白了，就是专给 AI 看的“项目操作手册”。

你平时写的 README.md 是给人看的——讲项目是干啥的、怎么安装； 而 AGENTS.md 是给 AI 编程助手用的——告诉它：在这个项目里，具体该怎么干活。

比如：

• 跑起来要输什么命令（npm run dev）
• 测试怎么执行（npm test）
• 代码命名规矩（组件用 PascalCase，工具函数用 camelCase）
• 用的是 TypeScript 严格模式……

AI 工具（像 Cursor、Claude Code、Copilot 等）一打开你的项目，只要看到根目录有 AGENTS.md，就会自动读取里面的内容，不用你再重复叮嘱“记得用 TS”“别乱改启动方式”。

这文件现在成了一个开放标准，几万个开源项目都在用。 相当于你给所有 AI 助手发了一张“上岗须知”——它们一进门就知道规矩，直接上手干对事，不添乱。

一句话：README.md 告诉人“这是什么”，AGENTS.md 告诉 AI“该怎么干”。

一个典型的 AGENTS.md 文件大概长这样：

# 项目设置
- 安装依赖：npm install
- 启动开发：npm run dev
- 运行测试：npm test
​
# 代码规范
- 使用 TypeScript 严格模式
- 组件文件使用 PascalCase 命名
- 工具函数使用 camelCase 命名

SDD 规范驱动开发

SDD（规范驱动开发）说白了，就是先写清楚“到底要干啥”，再让 AI 动手写代码——把需求变成“法律”，AI 必须照章办事。

以前我们常是：边想边写、写完再补文档，结果代码和需求对不上，改来改去全是坑。 SDD 反过来：规范文档是唯一真相源，代码只是它的“执行结果”。

你可以把它理解成给项目立一部“宪法”：

• 功能要实现什么？
• 接口长什么样？
• 出错怎么处理？
• 用什么技术栈？ 全写明白，AI 才能精准输出，而不是靠你一句模糊的“做个登录页面”瞎猜。

为啥现在越来越多人用 SDD？ 因为大家发现：AI 写得好不好，不靠 prompt 玩花活，而靠需求清不清楚。一份好规范，胜过一百条“请认真一点”的提示。

典型流程也很清晰：

1. 定原则：比如“必须响应式”“错误率低于0.1%”
2. 写需求：用户是谁？要解决什么问题？
3. 问清楚：让 AI 自己提问题，比如“手机号格式校验要多严？”
4. 做设计：定架构、API、数据模型
5. 拆任务：把大活切成小块，标好先后顺序
6. 生成代码：AI 按任务一项项实现，你只负责验收

2025 年 GitHub 还出了个 Spec Kit 工具包，用 /spec、/plan 这类命令一步步带你走完这套流程，主流 AI 编程工具都支持。

总结一句话：SDD 不是让人类少写代码，而是让 AI 少犯错——先想透，再动手，才是 AI 时代的高效开发。

RAG 检索增强生成

RAG 说白了，就是给 AI 装个“随身资料库”，让它能边查边答，而不是光靠死记硬背。

普通 AI 回答问题全靠训练时学过的东西——就像考试只准用脑子，不能翻书。 但用了 RAG，AI 就像进了考场还能带你的项目文档、代码库、内部 Wiki 当“开卷参考资料”： 它先快速搜一遍你提供的材料，找到相关片段，再结合这些内容生成答案。

在 Vibe Coding 里这招特别管用——比如你要加个新功能，AI 不是凭空瞎写，而是先翻你现有的代码，看你怎么命名、怎么组织逻辑、用什么工具库，然后照着你的风格写出来，新代码和老代码像一个团队写的。

一句话：RAG 让 AI 从“凭记忆答题”变成“查你家底干活”，更准、更贴合、更少返工。

向量数据库

向量数据库，说白了就是个“懂意思”的搜索库。

普通搜索靠关键词匹配——你搜“登录”，就只能找到带“登录”俩字的内容； 但向量数据库先把你的代码、文档转成一串数字（叫“向量”），这串数能代表它的意思。

所以当你搜“用户登录”，哪怕某个函数叫 handleAuth 或 verifySession，只要它干的是登录的事，系统也能认出来并找给你——因为它们的“语义”很接近。

在 AI 编程里，这就意味着： AI 能快速翻出项目里真正相关的代码片段，哪怕命名风格五花八门、注释写得少，它也能“心领神会”。

相当于给你的项目装了个“语义雷达”——不看字面，看意图。

嵌入 Embedding

嵌入（Embedding）说白了，就是把文字或代码“翻译”成一串数字，这串数字能代表它的意思。

比如“用户登录”和 function authenticateUser() 看起来字不一样，但经过嵌入后，它们在数字空间里会离得很近——因为意思差不多。

正是靠这个，向量数据库才能做到“语义搜索”：你搜一个概念，它能找到干同一件事但命名不同的代码。

你不用搞懂它怎么算的，只要记住： 嵌入是让 AI 能“理解意思”而不是“死抠字眼”的底层技术，也是 RAG、智能代码补全这些功能能跑起来的关键。

MCP 模型上下文协议

MCP（Model Context Protocol）说白了，就是给 AI 世界定了个“通用插口”——就像 USB 之于电脑。

以前，每个工具（比如数据库、Figma、GitHub）都得单独给 AI 写一套对接代码，费时又重复。 现在有了 MCP 这个开放标准，只要工具按这个协议“插上”，所有支持 MCP 的 AI（比如 Claude Code、Cursor 等）都能直接用它，不用再一个个适配。

在 Vibe Coding 里，这等于给 AI 开了外挂：

• 接上 Figma MCP，AI 能直接看设计稿，自动生成网页代码；
• 接上 GitHub MCP，它能自己提 PR、查 issue、同步仓库；
• 接上 数据库 MCP，它能查真实业务数据，边分析边写逻辑。

关键不是“AI 变聪明了”，而是它终于能安全、标准地连上你的真实工作环境。 MCP 不是功能，而是让各种功能能被轻松“即插即用”的底座——从此 AI 不再困在聊天框里，而是真正走进你的开发流。

AI 输出相关

AI 幻觉

AI 幻觉，说白了就是 AI “一本正经地胡说八道”—— 比如给你一个根本不存在的函数名、瞎编某个库的用法，或者信口开河说“这个 API 支持 XXX”，其实压根没有。

这不是它故意骗你，而是大模型天生靠“猜概率”说话：只要听起来合理，哪怕没这回事，它也可能脱口而出。

怎么防？几个土办法很管用：

• 让它交证据：直接问“这 API 有官方文档吗？发链接看看”；
• 自己动手查：别全信，关键地方翻一遍官网或源码；
• 换个人问：换个模型（比如从 Claude 换到 GPT）看说法是否一致；
• 重启对话：有时候上下文乱了会带偏 AI，新开一个窗口重说需求，反而更准。

记住：AI 是个聪明但爱脑补的实习生，你可以用它的效率，但得守住你的判断。

温度

“温度”就是 AI 的“脑洞开关”。

• 温度调低（比如 0.1） ：AI 变得一本正经、按部就班，输出稳定、靠谱——写代码就该这样，少整花活，别瞎创新。
• 温度调高（比如 1.0+） ：AI 开始放飞自我，想法多但容易跑偏，适合聊创意、想点子，但不适合写能跑的代码。

所以编程时，一般把温度压低点—— 你不是要一个诗人，而是一个守规矩的程序员。

流式输出

流式输出，就是 AI 边想边说，字一个一个蹦出来给你看—— 不像以前非得等它憋完一大段才显示。

好处很明显： 你一眼看出它跑偏了（比如开始写错框架、用错 API），立马点停止，省时间、省 Token，也少生气。

这就像跟人聊天时对方一句句说，你随时能插话：“打住，不是这个意思！” 而不是等他讲完十分钟小作文，才发现全答错了。

现在主流 AI 编程工具基本都默认开流式，体验更自然，也更可控——毕竟，快反馈比完美输出更重要。

项目管理概念

MVP（最小可行产品）

MVP 就是“先做个能用的最小版本，别一上来就想造宇宙”。

核心就一点：只做最必要的功能，先把核心问题解决掉。

比如你想做个记账 App，MVP 可能就俩功能：

• 能记一笔花了多少钱
• 能看到所有记录

别的像图表分析、多账户同步、自动分类……统统先砍掉。

好处很明显：

• 一周就能跑起来，不用搞三个月；
• 马上拿给用户试，看他们到底用不用、卡在哪；
• 如果没人用，亏的时间也少；如果真有用，再加功能也不迟。

说白了，MVP 不是“做简陋”，而是用最低成本验证你是不是在干一件值得干的事。

迭代开发

迭代开发，说白了就是“先跑起来，再慢慢升级”。

别想着一口吃成胖子，而是把大项目拆成一个个小版本： 每个周期就干几件事——定个小目标、让 AI 写代码、你测一测、发个可用版、收点反馈、再优化。

在 Vibe Coding 里特别顺手： 你先让 AI 实现最核心的功能（比如“能登录”），跑通了、没问题， 再下一轮加“找回密码”，再下一轮加“第三方登录”…… 一步步来，每步都可控、可测、可停。

这样既避免 AI 一次性搞太复杂而翻车，也让你能及时调整方向—— 毕竟，跑得快不如跑得稳，改得快才是真敏捷。

重构

重构，就是给代码“做整理、不做改动”——功能一模一样，但让它变得更干净、更好懂、更好改。

比如：

• 把重复的几行抽成一个函数
• 把 a1、tmp 这种名字改成 userEmail、isValid
• 把嵌套八层的 if 拆清爽
• 把 500 行的大文件切成几个小模块

在 Vibe Coding 里，你可以直接让 AI 帮你干这事，比如：“把这段逻辑提取成独立函数，并重命名变量让它更清晰”。

但记住一点：一次只动一小块，改完马上测。 别让 AI 一口气“优化”整个项目——看着爽，跑起来崩，反而更难修。

重构不是炫技，是为了让代码活得更久、改得更快。

技术债

技术债，说白了就是“现在图快，以后遭罪”。

比如为了赶上线，你让 AI 生成一段能跑但乱糟糟的代码：逻辑硬编码、没注释、重复一堆…… 当时是快了，但以后每次改功能、修 bug，都得在泥潭里打滚——改一处，崩三处。

这就像刷信用卡：今天爽了，明天连本带利还，越拖利息越高。 AI 写代码尤其容易埋这种雷——它只管“跑通”，不管“好不好改”。

所以得定期主动还债：

• 每隔一阵子，挑关键模块让 AI 帮你重构；
• 别等代码烂到没人敢动才动手；
• 把“整洁可维护”当成需求的一部分，不是可选项。

记住：省下的那点时间，迟早会以十倍代价还回去。 别让 AI 帮你堆出一座“屎山”，再聪明的助手也救不了。

版本控制

版本控制，就是给代码装“后悔药”和“时光机”。

你每改一次代码，它都记下来：谁改的、改了啥、为啥改。 要是 AI 一通操作把项目搞崩了，你不用抓狂重写——一键退回上个好用的版本就行。

Git 是干这活儿最常用的工具，GitHub 则是大家存代码、协作的地方。

在 Vibe Coding 里，这玩意儿尤其关键： 你让 AI 大改一通，结果跑不起来？别慌，git checkout 回退一下，世界清净。 甚至可以开个新分支让 AI 随便试，搞砸了也不影响主代码。

说白了：有版本控制，你才敢放手让 AI 干活；没它，等于蒙眼走钢丝。

部署

部署，说白了就是“把做好的东西搬上线，让人能用上”。

你本地写完代码，用户可看不见——得把它传到服务器上跑起来。 现在这事比以前简单多了，基本不用自己配服务器，直接用现成平台：

• Vercel：前端、Next.js 项目一键上线，连数据库都能带；
• Netlify：静态网站、React/Vue 项目秒部署，还送免费域名和 CDN；
• Railway / Render：后端 API、Node/Python 服务扔上去就能跑；
• 甚至像 Bolt.new 这类零代码工具，点个按钮就自动部署+生成链接。

在 Vibe Coding 时代，很多 AI 工具还能自动帮你打包、推送到这些平台——你只管写需求，它连上线都包了。

但记住：能跑 ≠ 能用。部署只是第一步，监控、日志、错误处理这些也得跟上。不过至少，现在“上线”这件事，真的不再是个门槛了。