Vibe Coding 已死，但接替它的不是你想的那个
23 小时，52,860 行代码，20 个模块，40+ 数据模型，一个完整的生产级 SaaS。 不是 demo，不是 PPT，是能跑起来的内容合规审核平台。 我是怎么做到的？不是靠 Vibe Coding，不是靠 TDD，不是靠任何你听过的方法论。
所有人都在解决错误的问题
2025 年 2 月，Karpathy 发推提出 Vibe Coding：描述需求，接受输出，不看代码。
2026 年 2 月，他自己说这个概念"已经过时"。
然后呢？行业给出了一堆"替代方案"：
- Test-Driven Vibe Development：先写测试，再让 AI 填空
- Spec-Driven Development：先写规格说明书，再让 AI 生成
- Agentic Engineering：人管架构，Agent 管实现
- Context Engineering：上下文是一级系统，需要架构设计
听起来都很有道理。但我实际用下来发现一个问题：
它们全部在优化"怎么让 AI 写出更好的代码"，但这根本不是 AI 开发的瓶颈。
代码已经不贵了，贵的是什么？
我做了一个实验。用 AI 给一个浏览器扩展项目加 MCP Server 功能模块：外部消息 API、Native Messaging Host、安装脚本、客户端配置文档。
6 分钟。11 个文件。从零到完整交付。
6 分钟。我泡一杯咖啡的时间，一个完整模块就出来了。
这意味着什么？意味着 TDD 的核心假设——"代码很贵，写之前要验证"——已经不成立了。代码便宜到可以整模块重新生成，重写比调试还快。
那 Vibe Coding 就是对的？也不是。Vibe Coding 的问题不在于代码质量，在于第二天你打开一个新的 AI 会话，它什么都不记得了。你得重新解释项目背景、技术栈、模块关系、上次做到哪了。
这才是真正的瓶颈：上下文的持久化和传递。
每一个现有方法论都假设上下文在对话里、在人脑里、在代码注释里。但 AI 的对话会结束，人脑会忘记，代码注释没有 AI 会读。
我的解法：让 AI 永远不冷启动
我设计了一套文档结构，不是给人看的——是给 AI 读的。
.claude/CLAUDE.md → 技术栈、项目结构、模块定位
.claude/RULES.md → 开发规则、文档更新规则、行数限制
docs/modules/INDEX.md → 模块总览、依赖关系
docs/modules/X/ → 模块详情：接口、数据模型、页面规格
docs/modules/X/phases/→ 当前阶段的目标和任务
每个新 AI 会话进来，读这条链路，3 分钟获得完整上下文。不需要人工复述背景。不需要"你上次帮我做了什么"。
AI 的记忆不在对话里，在文档结构里。
我把这个方法论叫做 Relay Coding（接力编程）。每次 AI 会话是一棒接力，文档结构是接力棒。棒不掉，上下文就不断。
来，看数据
案例一：CopyGuard — 生产级 SaaS 平台
从零构建的智能内容合规审核平台。Next.js 16 + TypeScript + PostgreSQL + Prisma + Vercel AI SDK。
功能列表（不是规划，是已实现）：
- AC 自动机关键词匹配引擎
- AI 语义审核（多供应商、流式输出）
- 8 步内容生产流水线（选题→结构→填充→视觉→审核→拼接→导出→财务）
- 视频生成（可灵 V3、海螺、PixVerse）+ FFmpeg 拼接 + TTS
- 多租户 RBAC + 熔断器 + 速率控制 + 乐观锁
- 财务看板（成本追踪 + 收益归一化 + ROI 分析）
| 日期 | 耗时 | 产出 |
|---|---|---|
| Day 1 | 3h | Prisma Schema（40+ 模型）+ Apple HIG 设计体系 |
| Day 2 | 8h | 6 个核心模块完成 |
| Day 3 | 30min | 快速修复 |
| Day 4 | 1.5h | 分镜表引擎 + 流水线 + 批量审核 |
| Day 5 | 3h | 视觉生成管线 + 财务看板 |
| Day 6 | 7h | 集成联调 + 视频拼接 + 无障碍 |
23 小时。52,860 行代码。20 个模块。40+ 数据模型。
Day 5 那 3 个小时，我产出了 200 个文件。包括 3 个视频生成适配器、FFmpeg 转场拼接、TTS 集成、帧连续性算法、成本追踪引擎和财务 ROI 看板。
每小时 67 个文件。每小时 2,300 行代码。
案例二：AutomaGo — 浏览器扩展 AI 增强
给已有的 Automa 浏览器扩展加 5 个 AI 模块：模型管理、AI Block、悬浮窗、AI 工作流编排（含 Agent Loop + 多智能体）、MCP 协议服务器。
14 小时。96 个文件。5 个模块全部完成。
其中 MCP Server 模块：11 个文件，6 分钟。
和现有方法论的正面对比
不玩虚的，逐条比：
vs Vibe Coding
Vibe Coding 的问题不是代码质量差——很多时候 AI 写的代码比初级工程师好。问题是没有记忆。
Vibe Coding：
会话1 做了 A 模块 → 结束
会话2 想做 B 模块 → "什么是 A 模块？"
Relay Coding：
会话1 做了 A 模块 → 文档更新
会话2 读文档链路 → "A 模块已完成，B 模块依赖 A 的 auth store，开始做 B"
Vibe Coding 是单次对话的最优解。Relay Coding 是跨会话连续开发的最优解。
vs TDD / Superpowers
Superpowers 项目有一套完整的方法论：Brainstorm → Spec → Plan → Worktree → TDD → Subagent Review → Code Review → Finish Branch。
我算了一笔账。如果用这套流程做 MCP Server 模块：
| 步骤 | 预估耗时 |
|---|---|
| 写设计规格 | 15 min |
| 审批规格 | 5 min |
| 写实现计划 | 10 min |
| 创建 worktree | 2 min |
| 5 个任务 × TDD + 双阶段审查 | 125 min |
| 最终审查 + 合并 | 15 min |
| 合计 | ~170 min |
我实际用了 6 分钟。
28 倍的差距。
而且 Superpowers 的作者自己也发现了问题——他们的双 subagent 审查（规格审查 + 代码质量审查）太慢了，每次要 25 分钟，后来改成了 inline self-review（30 秒）。这说明什么？说明连他们自己都受不了这套仪式的成本。
TDD 的根本前提是"代码很贵，写之前要验证"。当代码 6 分钟能重新生成时，这个前提不存在了。
vs Spec-Driven Development
Thoughtworks 推的 Spec-Driven Development 方向是对的：规格说明书驱动，代码是派生物。Google 用这个方法做代码迁移，Airbnb 6 周迁移了 3500 个测试文件。
但 SDD 有两个盲区：
- 没有跨会话连续性设计。 规格写完了，AI 会话结束了，下一个会话怎么知道要读哪个规格？
- 没有知识积累机制。 开发过程中发现的坑、踩过的雷，没有地方记录。下次遇到同样的问题还得重新踩。
Relay Coding 的 BACKLOG.md 解决第二个问题——它不是 TODO 清单，是业务知识库，每条记录包含"为什么出问题"和"怎么解决的"。AI 读到就不会重复犯错。
vs Context Engineering
Anthropic 2025 年 9 月发的 Context Engineering 指南说得很好："上下文是一级系统，需要架构设计。"
完全同意。但然后呢？
它给了原则，没给目录结构。给了理论，没给模板。
"上下文需要架构设计"——好，那架构长什么样？文件放在哪？AI 按什么顺序读？文档什么时候该删什么时候该留？
Relay Coding 给的是落地方案：
- 目录结构：
.claude/ + docs/modules/ + phases/ - 读取顺序：
CLAUDE → RULES → INDEX → CONTEXT/TASKS - 生命周期：模块文档持久，阶段计划临时
- 复杂度控制：
stats.sh强制行数限制 - 自动注入：
hooks/session-start零手动操作
Context Engineering 是论文，Relay Coding 是可以 cp -r 到你项目里的脚手架。
Relay Coding 的 5 个核心设计
其他方法论要么没有，要么做了但没做到位的：
1. 模块内聚
一个目录 = AI 的完整工作上下文。
前端页面、后端接口、数据模型、阶段计划，全在一个模块目录里。AI 进入这个目录，就能完成全栈开发。不需要在 10 个不同的地方找信息。
没有任何其他方法论定义过"一个目录应该包含什么才够 AI 完成全栈开发"。
2. 文档链路
AI 的上下文不靠对话传递，靠读取顺序。
CLAUDE.md → RULES.md → modules/INDEX.md → modules/X/INDEX.md → phases/phase-N/
新会话 3 分钟获得完整上下文。这不是 AI 的记忆——比记忆更好，因为它不会失真。
3. 持久/临时分离
阶段计划是消耗品，模块文档是资产。
phase-1 做完就删。不堆积，不膨胀。其他方法论的文档要么全留（越来越多），要么全丢（知识流失）。
4. 知识积累
BACKLOG.md 不是 TODO 清单，是业务知识库。
每条记录：怎么发现的 → 为什么出问题 → 怎么解决 → 涉及哪些模块。
AI 读到就知道解决方案，不需要重新踩坑。没有其他方法论关注跨阶段的业务知识保留。
5. 复杂度约束
代码超 500 行 → 强制拆分。
stats.sh 自动检测。不是建议，是规则。因为 AI 的上下文窗口有限，单个文件越大，AI 理解得越差。控制文件大小就是控制 AI 的工作质量。
"你这不就是写文档吗？"
不一样。
写文档是给人看的。Relay Coding 的文档是给 AI 设计的认知架构。
传统文档：写完没人看，和代码脱节，更新靠自觉。
Relay Coding 文档：
- AI 每次会话都会读（不是"可以读"，是 hooks 自动注入，必须读）
- 有严格的行数限制（超了就必须拆，防止膨胀）
- 有明确的生命周期（临时计划完成就删，不堆积）
- 有结构化的读取顺序（不是随便翻，是链路式逐级展开）
这不是"写文档"，这是给 AI 搭建外部记忆系统。
你今天就可以用
Relay Coding 完全开源。
# 安装到你的项目
git clone https://github.com/Jamplesmise/relay-coding.git
cp -r relay-coding/.claude relay-coding/docs relay-coding/scripts relay-coding/hooks your-project/
# 填写你的技术栈
vim .claude/CLAUDE.md
# 开始开发
# session-start hook 自动注入文档链路，AI 直接知道从哪里开始
GitHub: [relay-coding](Jamplesmise/relay-coding: A powerful case)
最后
每隔几个月就有人提出"AI 编程的新范式"。大多数是把旧方法论贴上 AI 标签——TDD 加个 AI 前缀变成 TDVD，Spec 加个 AI 前缀变成 SDD。
真正的范式转移不是给旧方法加前缀，是识别出新的瓶颈并解决它。
旧瓶颈：代码很贵 → 解法：测试、审查、质量保障 新瓶颈：上下文很贵 → 解法：文档链路、模块内聚、知识积累
Vibe Coding 发现了代码不贵这个事实，但没给出替代方案，所以"已经过时"。
Relay Coding 发现了上下文才贵这个事实，并给出了可执行的解法。
23 小时。52,860 行。这是数据，不是口号。
