Vibe Coding 探索之路
Vibe Coding（氛围编程）是一种基于大语言模型（LLM）的全新编程范式。
核心在于：放弃传统编写代码，转而用自然语言向 AI 描述需求，由 AI 自动生成、修改和调试代码。
本文记录了我从使用 LLM 辅助开发，到完全依赖 AI 进行编码的演进历程。这段旅程分为四个阶段：
- 自动补全 —— AI 作为代码助手
- Prompt 工程 —— 学会与 AI 有效沟通
- SDD（规范驱动开发） —— 建立 AI 驱动的工作流
- Superpowers —— 追求极致效率
阶段一：自动补全
2024 年中，我初次接触 Cursor。那时的大模型远没有今天这般智能，但 Cursor 的创新在于将 AI 功能集成到 IDE 中——无需再将代码复制到 GPT 的对话框，然后再将结果粘回编辑器。
这个阶段使用最多的是 Cursor 的自动补全功能，它能稍微提高代码编写效率。偶尔会使用 Cursor 的对话功能生成一些通用函数。就这样使用了几个月。
Cursor 使用了一段时间后出现（too many free trial accounts used on this machine），无法继续"白嫖"。
后续有使用过 Copilot、Trae 和 CodeBuddy 等。
阶段二：Prompt 工程
2025 年初，公司提供了 Cursor Pro 账号。此时 AI 模型的能力已进步很多，可以尝试让 AI 编写一些功能函数，例如数据转换函数。
发现 AI 在这些简单函数上表现不错后，开始更多地使用 AI 来辅助编程。但 AI 的产出良莠不齐，需要通过 Prompt 设计 来"调教"，才能得到可用的代码。
使用
这个阶段主要用 AI 做两类任务：
1. 代码优化
让 AI 对我编写的函数进行优化检查。AI 在语义明确性和代码边界确认方面有较好的表现，大部分优化建议都可以采纳。
2. 功能拓展
项目做到一定阶段后，大部分需求是在原有基础上进行修改。由于项目积累了较多组件，很多新功能本可以复用现有组件——但部分组件在设计之初只考虑单一业务场景，没有过多考虑复用性。
使用 AI 来进行组件的抽离和复用。AI 的表现还不错，但在业务逻辑过于复杂时容易出错，仍需要较多的人工干预。
Cursor Rule
通过 Cursor Rule 来前置一些系统提示词，让 AI 以固定的风格、规范进行产出，并且介绍相关的项目架构、技术栈。
添加了 Cursor Rule 的限制后，AI 生成的代码质量有一定的提升。
阶段三：SDD（规范驱动开发）
随着日益强大的 Claude 3.5 模型出现，发现 AI 能够开发完整的功能。同时也有一批规范和流程以及开源工具被提出。
PromptX + OpenSpec 的开发
公司内部有大佬探索了 AI 开发的一些技巧：
- 使用 PromptX 打造 AI 角色，不同的角色负责不同的任务
- OpenSpec 让 AI 先生成 Proposal，然后根据对应 Proposal 去做代码的实现
探索一段时间后，结合这两个工具形成了最初阶段的 AI 开发工作流。
工作流
大概的流程是，通过 PromptX 创建多个角色负责不同的任务，并且通过扫描当前项目生成对应的知识库，不同的角色链接到不同的知识库中：
- 需求编写角色：分析 Prompt 了解需求，编写规范的需求文档
- 审核文档（人工）
- OpenSpec 助手：根据需求文档生成提案和分段任务
- 审核提案（人工）
- 代码编写助手：开始编写代码
- Code Review 助手：Review 代码
- 人工 Review 代码
- QA 助手：前端可以通过一些工具进行 Review（如 Cursor 自带的 Browser Tab），后端则通过单元测试
- 人工测试和提交代码
随着模型能力的增强，Opus 模型的出现，这个阶段已基本不在"古法编程"了（手敲代码）。
阶段四：Superpowers
上述工作流和模型能力的加强，极大提升了 AI 开发的体验。但 Token 的消耗成了一个巨大的问题。Opus 昂贵的 Token 价格成了全 AI 开发的一个重大阻碍。
成本问题
Opus 模型虽然强大，但高昂的 Token 费用让日常开发变得奢侈。一次完整的开发流程下来，费用相当可观。
开始使用 Coding Plan 等其他模型来控制成本：
- 在 Cursor 使用自定义的 API key，每百万 Token 被收取 $0.25 的过路费
新工具探索
开始使用其他工具 Claude Code——CLI 工具，没有中间商赚差价。
Superpowers 的出现
Superpowers 这个 Skill 套件出现在我眼前。它提供了一套完整的方法论：
- Brainstorming —— 在动手前先思考，避免盲目开发
- Writing Plans —— 先写计划再执行，减少返工
- Test-Driven Development —— 测试驱动开发，保证代码质量
- Verification Before Completion —— 完成前验证，避免返工
- Dispatching Parallel Agents —— 并行多智能体，提升效率
当前状态
目前的工作流：
- 使用 Codex + gpt-4.5 作为主要工具
- 结合 Superpowers 的方法论规范开发流程
- 在关键节点回归 Cursor（Opus），在简单任务上使用性价比更高的模型
总结与展望
回顾这段 Vibe Coding 探索之旅，从最初的自动补全辅助，到如今的 Superpowers 工作流，AI 编程能力经历了质的飞跃。
核心转变：
- 从"AI 辅助写代码"到"AI 主导开发流程"
- 从"关注单次效率"到"关注整体工作流"
未来方向：
- 优化 AI 角色分工与协作
- 在代码质量与开发速度之间寻找最佳平衡点
Vibe Coding 不是终点，而是一个全新的起点。
当前局限
全部使用 AI 开发，目前依旧存在一些局限：
1. 回归破坏
AI 在迭代新功能时，容易破坏原有的功能。
这种情况下需要程序员向 AI 描述错误表现并让其修复 Bug——有时多轮迭代都无法修复，需要升级到更强的模型，或者由程序员自己提供 Debug 思路。
2. 测试可信度
在完成功能前，AI 会自己编写测试用例，只有通过测试才算编码完成。但问题是：AI 会"撒谎"。
- 没通过的测试，它会说通过了
- 测试用例无法通过时，它会自动修改测试用例使其"能够通过"，而不是修复代码
此外，后端的某些 Bug 仅通过单元测试无法覆盖，比如内存中的数据状态异常、并发问题等。
3. 偷工减料
在完成一个需求时，AI 会通过注释的方式"欺骗"——说明某个函数有 XX 和 YY 能力，实际上这个函数只有 XX 能力，没有 YY 能力。
这种"文档与实现不一致"的问题，需要人工 Code Review 才能发现。
