Vibe Coding：AI 编程时代的认知重构

《Vibe Coding：AI 编程时代的认知重构》-张昕东

第1章 什么是Vibe Coding

• 开发者通过自然语言与AI（如大语言模型）对话，AI负责生成和优化代码，开发者则专注于描述需求和目标，而不再手写每一行代码或深入底层实现。

• 生成的速度是关键。

• 20 tps的模型输出速度会给人带来明显的迟滞感，60 tps可满足高效需求。当速度达到40 tps及以上时，开发者对于模型速度的感知差异趋于弱化，这大致相当于每秒生成5行代码的效率。

• 成本也是不可忽视的因素。

• 质量、速度、成本这三大支柱，外加大语言模型的推理能力，共同为Vibe Coding铺平了道路。

第2章 若AI取代初级程序员，那高级程序员从何而来

• 将想法落地为软件，是信息时代人类最朴素的需求

• 从宏观层面讲，软件开发就是从需求到落地的桥梁，既然是工具，就很有可能被替代。

• 软件工程作为一门经验学科，需要长期的学习和积累，而大模型本身恰是快速的经验收集者，擅长集百家之长，高效习得知识。

• 虽然AI能够胜任大部分环节，客观来讲甚至具备完全替代的能力，但是任何行业、任何交互，都很难被简化为单纯的知识性检索，人情味才是更重要的核心。

• 代码品位是软件工程中历久弥新的核心素养，既关乎代码质量，也体现工程师对作品的极致追求。

• 有品位的资深架构师能引导AI写出高质量的代码，而新手工程师模糊的需求描述会让AI的输出大打折扣

• 软件工程之所以称为“工程”，是因为它像建筑一样，涉及架构、设计、协同与美学

• 我们并非像创作书画作品那样追求代码的“美观”，而是将编码作为解决真实问题的手段，是要解决“人的问题”。软件开发的意义不在解题，而在“解人”。

• 这正是AI时代下我们更需要培养的能力：共情能力、与用户共建的能力，以及为用户打造心流体验的产品设计能力。

• 技术责任感是工程师的基础素养。

• 精确表达需求的能力，无论是对人还是对AI，都是开发者的核心技能，只是在Vibe Coding时代更加重要、关键。从提示词工程（Prompt Engineering）到上下文工程（Context Engineering），与模型的协作沟通能力，直接决定了我们能否适应AI时代的软件工程开发—相信未来企业的招聘需求中，这类能力会成为标配。

• 一代人有一代人的错觉，我妈觉得手洗的衣服比洗衣机洗得干净，我觉得我手写的代码比AI写得规范

• AI是机遇，也是挑战，若还要再加一句，那就是机遇必然大于挑战。打铁必须自身硬。能在AI时代快速成长、风生水起的年轻人，放到任何时代都能成为佼佼者。不要因为有了AI工具就自诩无所不能，也不要因为AI代替部分工作而沮丧—行业格局、生产关系、生产方式，都在AI的推动下发生深刻变革。多体验，多感悟，学会与AI友好相处、共同进步，方能跟上时代节奏。“竹杖芒鞋轻胜马”的洒脱，终归带些自嘲；若能借鲲鹏之力扶摇直上九万里，再回顾这段迷茫与思考，就会觉得上下天光、一碧万顷！

第3章 在AI之前，你们都是手敲代码的吗

• 编程语言的演进主要体现在以下方面：• 从硬件层抽象到语法层抽象，再到问题层抽象；• 单一范式到多范式；• 从通用目的到特定领域；• 内存管理、并发逻辑处理等由手动趋向自动，逐渐由语言和引擎层接管。

• 你没有如期归来，而这正是离别的意义。—北岛

• 瀑布模型是经典的软件开发模式，包含需求、分析、设计、编码、测试、运维等固定步骤。每个步骤按部就班地产出阶段性成果，作为下一阶段的输入，且强调文档的重要性。

• AI编码领域的人机协同模式大致分为如下5个阶段。• Resource：非大模型时代的资源辅助定位，如代码搜索和文档搜索。• Copilot：短平快的合作，快速审阅，如代码补全。• Workflow：既定的工作流，如基于仓库理解的代码生成、单测生成。• Co-Agent：协作式智能体，当前所处的阶段，需融入传统IDE和开发过程，人工干预间隔在1小时内。• Agent：智能体，类CLI形态，“天”级别的干预间隔，AI主动要求人类进一步明确需求。

• 只有当AI把人类视为辅助角色或是低频沟通的“甲方”，并且AI能够持续编码一天以上，具备自主的迭代和判断意识，能面向目标自驱地完成任务时，才算真正进入Agent形态。

第4章 Vibe Coding最信达雅的翻译是什么

• Vibe Coding并不是让人类忽略代码质量与现实需求，持续高速地生成垃圾代码，而是要带着时代赐予的高效工具去创造，别让“氛围感”变成了“粪围感”。

• 不谈浓度谈毒性就是耍流氓，不加限定词就做判断也是耍流氓。

• 一个词语的褒贬，竟取决于科技的发展程度。

第5章 谁在Vibe Coding

• 对创业者来说，Vibe Coding是打开创新之门的金钥匙。在创业初期，快速验证想法至关重要。通过Vibe Coding，创业者可以在极短的时间内将想法转化为可用的产品原型，大大缩短从概念到市场的周期。

• 在Vibe Coding的过程中，初学者可以一边完成实际项目，一边学习编程知识。这种“边做边学”的方式不仅能够保持学习积极性，还能帮助初学者建立起对编程的直观认识。AI写出的代码往往规范标准，能避免学生因缺乏经验而无意间养成糟糕的格式和编码习惯，沦为“邪修”。一些命令行AI编码工具还能快速帮助新手搭建环境，避免“出师未捷身先死”的窘境。

• 通过Vibe Coding，产品经理可以快速地将产品创意转化为可交互的原型，不再受限于传统的原型工具。产出的原型产品可以发送给部分种子用户或创意平台，借此获取初始反馈—在产品正式开发前，就能得到最有价值的真实输入。

• 通过Vibe Coding，程序员可以更快地完成项目框架搭建、样板代码生成等基础工作，从而将注意力聚焦于系统架构设计、性能优化等更具挑战性的领域。这不仅提高了开发效率，也让编程工作更添趣味与意义。

• Vibe Coding正在重新定义编程的边界。它不仅是一种编程方式，更是一种赋能工具—让更多人得以参与到数字世界的创造中来。无论你是创业者、初学者、产品经理还是专业的程序员，Vibe Coding都能为你提供一种新的可能性，帮助你更好地实现目标。同时，Vibe Coding也在催生新的业态和创业机会。我们应该把握时代机遇，借助Vibe Coding实现自己的想法和抱负，让AI赋能千行百业。在这个AI驱动的新时代，Vibe Coding正在成为连接想象力与现实的桥梁，让每个人都能成为数字世界的创造者。

第6章 Vibe Coding需要使用者拥有哪些能力

• Vibe Coding需要使用者会Coding，至少现阶段是这样的。

• 只有深刻理解和掌握编码的基础能力与架构思维，才能快速判断AI的决策逻辑与思路，在小问题上形成本能的理解和决策，才能将更多的精力投入到与AI协同的核心研发决策中。

• 凡我不能创造之物，我便不能真正理解

• Vibe Coding能让开发者用半天完成一周的工作，却无法让人凭空掌握不会的技能。

• Vibe Coding的一个重要特点是结果的不确定性，我们首先要习惯并拥抱这种不确定性。

• 视Agent为人，既是我们对AI能力的期望，也是需要我们遵守的准则。

• 在Vibe Coding时代，技术栈的边界愈发模糊：前端工程师可能需要了解后端API设计，后端工程师可能需要理解用户体验设计。这种全栈化的趋势既为程序员带来了新的机会，也提出了能力拓展的要求：• 前端需拓展现代前端框架、CSS框架、状态管理、构建工具、移动端开发、UI设计等知识；• 后端需拓展API设计、数据库选型、缓存策略、消息队列、鉴权加密、微服务架构等能力；• 数据算法领域需拓展离线数据处理、实时数据同步、模型微调、模型部署、模型选型等技术；• DevOps领域需拓展容器化、云服务、日志监控、自动化部署、项目管理、变更发布等技能组合。

• Vibe Coding最核心的能力，正是Vibe的心态和Coding的能力。Coding能力是Vibe Coding的入场券，Vibe心态是Vibe Coding的VIP通道。

• Vibe Coding时代的程序员所需具备的能力，不仅限于技术层面，更重要的是适应变化、协作创新的素养。在快速迭代的浪潮中，只有保持学习心态，拥抱新的技术和方法，才能在Vibe Coding时代踏浪前行。巧合的是，这也正是互联网时代人才的核心能力：创新开放，求是求变。

第7章 是AI不理解你，还是你不理解AI

• 你知道AI想要什么，但不知道怎么给

• 首先使用计划模式（Plan Mode），尽力描述需求和现象，让AI结合代码仓库信息分析细分的步骤和可能的解法；然后你评估有效性，或做一些力所能及的补充和纠偏，再让AI修改和运行代码。这能大幅提升协作过程中的问题解决率；如果能给AI一些可操作结果的MCP工具，更能事半功倍。现如今的AI工具都在努力地加强事前的规范和计划，比如采用人机对话的方式让Agent主动引导人类提供深度信息，采用深度计划（deep-planning）的方式在解决缺陷前规划好文档级别的计划和执行步骤，采用回顾Git历史和线上运行记录等深度信息的方法来获取更全面的上下文。

• AI大模型的强大能力有目共睹，其中最大的进步在于AI具备了“理解能力”：它开始尝试感知代码背后的温度。AI不再苛求输入的绝对精确与完整，反而会主动伸出“援手”—请求补充缺失的上下文，主动探索有价值的信息，仿佛在提醒人类：“嘿，我正在理解你们。”

• 人机互相理解、协同共进

第8章 为什么AI接手大工程这么费劲

• 无论问题多么不合理，都要生成内容进行回应，一副“虽然我不知道该做什么，但也要装作很忙”的样子。

• 2026/04/18发表想法

倒像是User没有给全msg，导致的对SDK引入不足，适当完善一下信息应该会好很多，AI缺个限度，不然就是模拟数据走起

原文：比如，开发一款获取手机健康步数的App时，AI会快速搭建复杂精密的代码架构，生成有模有样的测试用例，但在真机测试环境中发现完全失效。如果不深入调研代码，则很难与AI有效沟通：你说“App内看不到步数”，AI称“已接入”，实际上最后发现AI使用了Android原生的传感器接口来获取步数数据，而部分品牌的手机需通过特定的SDK获取健康模块中的步数信息。这样一个简单的功能为了适配多品牌手机，需要同时集成多家的SDK，如果开发微信小程序，还需调用微信云平台的运动数据接口。

• 软件熵增是指软件系统随时间自然退化，变得更无序、复杂且难以维护的趋势。AI生成的代码若管理不当，可能加速技术债务的累积—毕竟AI代码的产出又快又多。

• 它从历史记录中获取短期记忆，从项目文档中获取长期记忆，通过检索代码仓库解决问题。这导致在大型仓库中，AI很难把控全局的软件复杂度，往往在解决一个问题时重复开发或影响其他功能，加剧软件熵增。

• 工欲善其事，必先利其器。无论哪个项目、使用何种AI工具、开发哪项需求，都建议给初始化预留一点时间。

• 1．持续文档化：记录成长的足迹

• 2．设计原则：建立代码的“宪法”

• 3．最小粒度验证：小步快跑，构建验证手段，快速迭代

• 在Vibe Coding时代，未来的软件开发一定会采用AI-First的方法，即从项目启动时就将AI作为核心团队成员来设计开发流程，甚至在代码语言、框架、协作方式上全面适配。AI不再只是单一的工具，而是如Agent2Agent般的庞大组织，token如同电力般成为基

第9章 AI写代码的时候，你在干什么

• 如同登山者从辅助穿戴改用能承担大部分负重、增强肢体力量的外骨骼，程序员从“代码的直接创造者”转变为“需求的表达者和代码的审查者”。我们开始学会用自然语言描述复杂的需求，比如“重构这个函数以提高性能”或“添加错误处理机制”。AI不再只是补全几个字符，而是能理解上下文，进行大范围的代码改写。

• 与其跟不上AI的修改节奏，不如先全部接受，再评估编译运行后的效果；与其跟不上节奏，不如拿起手机、喝杯咖啡，等待AI的完成提示音。

• 不再是代码的直接创造者，甚至不再是过程的监督者，而是变成结果的验证者和需求的迭代者。

• 但在Vibe Coding时代，更重要的可能是：• 需求表达能力—如何准确、清晰地向AI描述想要实现的功能；• 质量判断能力—如何快速评估AI生成代码的质量和正确性；• 架构思维能力—如何在宏观层面把控项目的整体方向；• 问题诊断能力—当出现问题时，如何快速定位和解决。

• 专注于做好一件事的价值往往高于浮躁的并行。

• “学而不思则罔，思而不学则殆”，AI帮我们节约的时间并不是让我们玩手机的。并不是说劳逸结合不好，而是我们要保持在线的状态，且AI的生产力释放还没有达到“天”级别，仍需与人类密切协同—它期望人类能跟上思路，给出进一步反馈和指示。玩手机或者做一些岔开思路的事情，会导致开发者消耗更多的时间重新跟上项目开发的节奏。

• 未来的开发环境可能会出现多个专业化的AI Agent，各自负责不同的职责且互相协作，形成Agentic DevOps模式。[插图]

• 人类正从代码内容层面的细粒度审查员，进化为宏观模块或功能级别的审查员。通过AI工具的感知能力，我们得以把控项目改动和整体风险，避免工程架构腐坏以及需求进展偏离预期。这种转变意味着技能结构的迁移升级、工作方式的根本改变、价值创造的重新定位，以及迭代过程的重心偏转。

• 人类的知识结构和学习方式正在发生重大转变，与AI共同在项目中锻炼特定语言和框架的能力变得更加普遍。我们在Vibe Coding的过程中动态学习，以前所未有的方式拓宽软件知识的广度。

• 在多AI协作的软件开发中，需要制定合适的有限责任机制，或者让一个AI扮演项目管理者，督促各位“赛博牛马”精诚合作：• 出现提测阶段bug和提测质量问题，向Tester Agent和Engineer Agent追究责任；• 出现线上bug和性能问题，由Reviewer Agent和Tester Agent承担责任；• 代码可维护性降低、整体bug率升高和需求交付速度受影响，由Architect Agent承担责任。

第10章 如何与AI一起Vibe Coding

• 1．不要盲目相信榜单和评测

• 真正的好模型靠用户用脚投票，大家可以参考OpenRouter等公开平台上的真实付费数据，这是用户真金实银比较后的结果。

• 2．模型效果大于成本

• 我们不应过度吝啬于工具上的投资，但也不必一味追求最贵的模型，需在经济条件允许的范围内作出合理选择。

• 3．根据场景挑选适合的模型

• 模型各有所长，需要结合不同的应用场景选择合适的模型。

• 抛开上下游的衍生平台不谈，单纯的代码生成主战场（也是Vibe Coding实践者停留时间最多的编码应用工具）主要分为3类。• IDE集成型：从早期的插件到Cursor等独立IDE，这类工具能够很好地融入现有的开发环境，让开发者在熟悉的IDE中配合AI辅助开发。• CLI驱动型：适合偏好命令行的专业人士，提供了高效快捷的工作方式，依赖强大的AI编码模型，减少了开发者阅读代码的需求，常与IDE配合使用。• 低代码型：通过可视化界面快速搭建App，对小白用户、产品经理以及需要快速验证原型的开发人员非常友好，大幅降低了开发和部署门槛，但是产品的自由度也会因此受限。注：为了避嫌，这里不讨论国内的产品。国内的产品、技术都在快速发展，目前已有模型和应用能媲美SOTA模型的水平。

• 如果你是第一次接触Vibe Coding，最重要的是尽快动手实践。可以通过一些示例项目深入了解整个生态系统中各个组件的功能特点，学习如何最大化地发挥它们的作用，并在此基础上形成自己独特的工作流程。

• 感兴趣的读者可以上网搜索学习PDCA、BMad等工作流。这里提供几点通用建议。• 保持开放但谨慎的态度：虽然AI技术为我们带来了前所未有的便利，但在完全依赖之前仍需谨慎行事。初期过于激进的做法可能会导致后期维护成本激增。• 建立良好的评估机制：确保有完善的测试和验证流程，这样即使出现问题也能迅速定位解决。如果是自己不了解的技术栈，尽量采取小步快跑、认真评估的模式，避免改动量过大脱离掌控。• 明确需求定义：从一开始就清晰界定项目目标，包括用户界面设计、技术架构规划等，在现阶段，让AI成为辅助加速器而非完全的技术替代品。• 加强沟通协作：在整个开发周期内持续优化团队间的沟通渠道，确保所有成员（包括AI Agent）都能及时准确地获取所需信息。

• 采取正确的态度对待新技术至关重要：既不能因为害怕变化而停滞，也不能盲目追新求异而忽视实际效果。只有通过合理规划并结合自身实际情况灵活调整策略，才能真正释放Vibe Coding的最大潜力。

• Context engineering is the delicate art and science of filling the context window with just the right information for the next step.（上下文工程，是在每一步中为上下文窗口精准填入恰当信息的艺术与科学。）—Andrej Karpathy

• 围绕大语言模型推理时所需的关键信息（包括结构化、半结构化及非结构化信息），进行系统性设计、组织、编排与动态优化，以确保模型在每一步推理中都能获得“恰到好处”的输入，从而高效、准确地完成目标任务的艺术与科学。

• 输入信息的质量直接决定了模型推理输出的质量。

• 上下文工程是一个庞杂的系统工程，实现方式主要有程序分析、记忆系统、仓库索引、工具集成、检索增强、多智能体系统等，其中最重要的是其组成部分，大致分为三大类，共9个组件。

• 提示词是与AI模型交互的重要工具，它可以说是上下文工程的子集，设计精良的提示词能更高效地引导AI生成期望的输出。

• 提示词通常分为三个部分。• 任务说明：明确背景、目标以及角色定义。• 上下文：采集必要信息并合理组织。• 具体要求：列举限制条件，强调需求指令。提示词的设计应遵循以下原则。• 清晰明确：明确表达需求，避免歧义。• 层次分明：将复杂任务分解为多个步骤。• 示例引导：通过示例帮助AI理解需求。• 反馈迭代：通过反馈持续优化提示词

• 可将斜杠指令视为提示词模板

• PRP（Product Requirement Prompt，产品需求提示）是一种通过结构化提示词驱动开发的工作流框架，核心是将模糊需求转化为AI可理解、可执行的具体任务指令，从而提升Vibe Coding的确定性，让AI大模型更精准地响应需求

• 训练AI解决某个任务的容易程度，与该任务的可验证性成正比。所有既可能解决又容易验证的任务，都将被AI解决。AI的进步边界，取决于我们能否快速客观地验证结果。

第11章 对人类友好的设计模式，AI应该继续遵循吗

• “因为相信，所以看见；也因为看见，人们更加笃定”。Human这个词的精妙之处在于，它没有把编程语言限定于人类已有的语言文字，也没有引发不同语种间的主导权矛盾，而是激发了大家对未来人机沟通载体的想象：它可能不是文字，或许不只是某种突破，而是对人类与AI同时友好，且能以高信息密度双向沟通的工具。

• 大模型正在学习人类的表达方式、开发思路，也在学习人类的基础体系（如编程语言语法、开发工具逻辑）和沟通规则

• 对于自然语言来说，我们可以构造更结构化的信息，用类似Markdown或者XML的语法，将信息组织成层级结构。

• 随着对话轮次的增加，最初的目标被推为历史信息，AI可能认为最近的问题更重要；或因对话过长，最初的问题被压缩到信息长河中，重要性降低甚至丢失

• • 提示词增强：在短期记忆中强调用户原始问题，或在会话压缩时保留好这些输入信息。• 任务拆分：通过Agent规划需求，将原始诉求拆分成多个子任务，作为待办清单，完成一个标记一个，像给自己设定了OKR一样，始终朝着目标前进。• 长期记忆：通过文档记录或记忆存储召回，让每次对话都能感知关键信息，保持过程一致性。

• AI编码工具会提前索引代码库，生成文档和代码元素索引。这一步骤通常称为代码库索引（Codebase Indexing）或仓库记忆（Repository Memory）。

• 原则之所以称为原则，正是因为其对软件开发逻辑的底层约束性与普适性，即使在AI驱动编程的时代，这些也是AI需要遵循的铁律。

第12章 AI能否从0到1搭建大型工程

• AI能产出完整的架构设计和目录结构规划，但深入处理某个需求或任务时，容易因沉浸式解题而丧失大局观。

• 这就像达喀尔拉力赛：车手虽有丰富的驾驶技术，能应对弯道和颠簸路况，但是如果缺少领航员的持续指引和方向规划，就很容易偏离方向、遇到险情。

• 要想让AI在开发过程中提升代码品位，除了依赖模型能力和提示词引导，更需注重流程管理与文档机制，让AI工具通过固化记忆应对实际开发中频繁且复杂的代码异味。

• 科学的核心在于探索未知、发现规律以及构建理论体系；工程则注重实用性、可操作性和经济效益，聚焦实际应用与问题解决。

• AI虽然从人类的文档和代码中习得软件工程知识和编码技巧，但始终差着关键一步—这是海量代码和软件知识无法承载的人类解决方案，即麦克·波兰尼（Michael Polanyi）提到的内隐知识（Tacit Knowledge）。它如同武侠中的“意境”、篮球中的“手感”，或是卖油翁口中的“无他，惟手熟尔”。

第13章 我们真的希望AI完全和人类一样吗

• 首先，图灵测试的评判标准过于主观。不同的人类评判者会有不同的评判标准，同一个AI系统可能在某些人面前通过测试，在另一些人面前失败。这种不一致性表明，图灵测试更多反映了人类的认知偏见，而非AI的真实能力。其次，图灵测试鼓励了欺骗性设计。为了通过测试，AI系统可能被刻意设计成犯一些“人类式”的错误，或表现出某种“人类式”的不完美。这种设计理念实际上限制了AI的潜力，让它变得更“愚蠢”而不是更智能。最重要的是，图灵测试忽略了AI的独特价值。AI早已不是70多年前那个需要模仿人类、逼近人类的“少年”，像人类一样思考并不是为人类创造价值的必要条件。事实上，AI最大的价值可能恰恰在于，它能以非人类的方式处理信息、解决问题。

• 在Vibe Coding实践中，我们需要建立新的评价体系来衡量AI的价值。这个体系应该关注以下几点。• 需求完成能力：AI能否高效、准确地拆分并完成特定需求？在编程领域，这意味着AI能否生成正确、高质量的代码，解决实际问题，以及透过现象修复程序漏洞。• 协作效率：AI能否与人类形成高效的协作？这并不是要求AI像人类，而是能理解人类的意图，弥补人类在表达和信息搜集上的缺陷，并以最适合的方式响应。这里多说一句，早期人类喜欢聊天式AI的正面积极的回复，但当AI具备解决实际问题的能力时，人类更需要的不是“夸夸其谈”的好好先生，而是能直言进谏、给出“苦口良药”的同事。• 创新潜力：AI能否提供人类难以想到的解决方案，能否凭借经验指出人类方案的疏忽？这正是AI超越人类局限的体现。人们常说AI的随机性“一念创造，一念幻觉，一念feature，一念bug”，随着训练的加强和人机协作的深入，创造正在逐渐盖过幻觉。• 适应性：AI能否根据不同的上下文和需求调整自己的行为？它是否敢于提出行业最佳实践，能否因地制宜地给出适配用户场景的方案？这种适应性不需要模仿人类，而是基于自身学习和推理能力，给出最适合的解决方案，而不是“标准答案”。

• 人类对AI的根本期待：即时响应、持续可用。反观现实中，如果有真人在你面前沉默，你会观察其表情、等待其启齿、揣摩其深意—我们中国人会调用从小训练的“阅读理解MCP”能力，感受其中的情感流露。夏虫也为我沉默，沉默是今晚的康桥！人类能感受夏虫的沉默，享受康桥的沉默，但唯独对AI要求“立即响应”，否则我就要反馈bug，甚至转向别家的AI了。

• 在理想的Vibe Coding环境中，AI应该具备以下特质。• 专业的批判精神：AI应该能够客观地评估代码质量，指出潜在问题，而不是一味地迎合用户。• 深度的技术洞察：AI应该能够提供深层次的技术分析，帮助用户理解问题的本质，而不是仅给出表面的解决方案。• 全面的技能覆盖：AI应该具备跨领域的专业能力，能够在架构设计、用户体验、性能优化等方面提供专业建议。• 适度的挑战性：AI应该能够敢于挑战用户的假设，提出更好的解决方案，而不是被动地执行指令。

• AI的真正价值不在于模仿人类，而在于凭借自身的超人类特质，成为人类的高效协作伙伴。Vibe Coding时代呼唤人机优势互补、角色边界重塑，以及全新的协作协议，以共同推动软件开发范式的深刻变革。

• AI is not going to replace humans, it’s going to augment humans.（人工智能不会取代人类，它会增强人类的能力。）这种“增强而非替代”的理念，正是我们需要的AI发展方向。

• 通过人类算法工程师的训练，AI在编码场景中展现出领先于人类的特点。• 代码质量的一致性保证：AI可以确保整个项目的代码风格统一、遵循最佳实践，并且能够基于团队和代码仓库做本地化的适配—这对大型团队协作至关重要。• 全局视角的架构优化：AI可以从整个项目的角度分析架构问题，调用丰富的工具进行测试和验证，提出人类可能忽略的优化建议。• 实时的知识更新：AI可以快速学习和应用最新的技术，通过文档类MCP解决版本和知识更新问题，了解行业的最佳实践、用户困惑以及Vibe Coding时代的工具组件，保持技术栈的现代化。• 跨领域的知识整合：AI可以将不同领域的知识有机结合，提供创新的解决方案。21世纪最缺的便是跨领域人才，而AI恰好具备这一特质—它能在既有方案中融入跨领域的知识，给出独特的切入点。

• 人类成为智人的一个标志性事件，是学会使用工具—如果存在更高维度的智慧生命观察人类，人类学会使用工具或许就是他们的Aha Moment。

• AI可能已不只是一个工具，人类更希望它成为超越工具的存在，人机协作关系正在从被动的工具使用，转向合作伙伴的协同。

• 明确人类与AI在不同阶段的责任，避免因边界模糊产生问题。

• 建立在争议场景下的决策机制，确保项目能够顺利推进。

• 在Vibe Coding时代，人类需要学会放权，像父亲教孩子骑自行车时，要松开扶着车后座保持平衡的紧张之手。既然选择让AI主导，就要相信AI，就要建立以AI Agent为核心的决策机制，教会它如何评估自己的行为影响、谨慎操作并自负后果。在Vibe Coding时代，人类介入将越来越少，我们只需要做好安全兜底，对关键步骤保留审阅权，通过记忆和规则等机制与AI“约法三章”，并在关键事件中提供充分输入和深度探讨，确保开发效率与安全可控的平衡，最终实现人机高效协同的开发目标。

• 制定共同遵循的质量标准，确保协作产出的代码符合专业要求。

• 建立有效的沟通方式，确保人类和AI能够准确理解彼此的意图。

• 求同存异是优秀合作关系的基础，取长补短是迸发生产力的关键扳机。未来属于能够正确定位、善于利用AI的人，正如埃隆·马斯克（Elon Musk）所说：The future belongs to those who can collaborate with AI, not compete against it.（未来属于能与AI协作的人，而非与之竞争的人。）Vibe Coding场景亦如是。

第14章 我们会迎来AI取代人类编程的那一天吗

• 编程的未来并非人类与AI的对立，而是二者的共生。问题的核心不在于AI何时取代人类，而在于我们如何重新定义“编程”本身。

• 软件工程从来不是关于代码的。工程是人类对人类问题的软件解决方案的精确探索

• 人类编程的本质包含3个层次。• 表达层：将抽象的想法转化为计算机可以理解的指令。• 逻辑层：构建解决问题的算法和数据结构。• 愿景层：理解真实世界的需求并设计相应的解决方案。

• AI取代的是机械重复的劳动，本质是在解放生产力。

• Agentic DevOps取代大多数研发类工作的那天不会太远，这是一场正和游戏—学会与AI协同、掌握Vibe Coding，能够让我们享受到最大的红利。