什么是 Vibe Coding (Vibe 编码)？

在软件工程领域，开发模式正从严格的手动编码转向更加灵活的 AI 辅助和 AI 驱动模式，这一转变得益于生成式 AI 和 AI 辅助编码技术。Vibe coding 正处于这一变革的前沿。“Vibe coding”代表着向意图驱动型软件开发的转变，在这种开发模式中，AI 系统根据自然语言指令生成代码，辅助开发人员完成工作。

“Vibe coding”由著名计算机科学家 Andrej Karpathy 于 2025 年 2 月提出。根据 Andrej Karpathy 的说法，这是一种最大限度减少人工编码的编程策略：程序员和开发人员在编程任务中使用 AI 生成的代码，而更多关注最终结果、测试和优化调整。他还强调了 AI 工具、编程工具和 AI 编码助手在软件开发中的重要作用。 

Vibe coding 领域已经从简单的代码提示发展到更深入地理解编码过程，其核心关注上下文、意图和协同编排。随着 AI 进一步应用于实际任务，开发的重点将不再是特定编程语言和语法之间的区别，而是明确表达意图和上下文。

• 快速原型开发：随着 Vibe coding 在生态系统中持续发展，快速原型开发正成为帮助团队将早期想法转化为可用原型并实现规模化的重要推动力。这种能力对于在市场中测试一个想法是否真正能够解决问题，或者策略是否需要彻底调整，具有重要价值。
• 问题优先的方法： 从使用僵化的编码风格构建代码转向动态结构，使快速创新成为可能，因为解决问题这一行为本身对开发者来说比技术栈本身更重要。
• 降低风险，最大化影响：Vibe Coding 将使企业能够快速推出最简化可实施产品 (MVP)，以低廉的成本实验各种想法，并根据反馈进行采用和调整。这会降低沉没成本、扩大风险分散度，并且因为资源只投入到已经过验证的概念中，所以能够更轻松地实现方向调整。
• 多模态切换：Vibe Coding 正在演变为结合语音、视觉和文本编码的多模态编程，可以提高生产力。一些最吸引人的趋势包括语音驱动的编码、可视化编程界面、AI 赋能的代码生成以及混合式开发环境。这些趋势提高了编码的可用性、灵活性和直观性，重塑了软件开发的环境。

要在实践中实现 Vibe Coding，用户需要遵循以下步骤：

步骤 1：选择 AI coding 平台

首先，选择适合自身需求的 AI 编码平台和 Vibe coding 工具。当前的 AI coding 平台，例如 Replit、Cursor、GitHub Copilot、Windsurf 和 bolt.new，不仅提供自动完成功能，还可以在 IDE、开发环境或代码编辑器中实现实时代码生成、多文件推理、调试、命令执行、部署辅助以及工作区记忆功能。

步骤 2：描述意图和上下文

Vibe coding 并不高度依赖具体提供的提示，而是更加关注所提供的上下文。在开发代码之前，应明确应用程序的目标和需求，以及约束条件、首选技术栈和设计风格。

下面通过一个示例来理解。

为一家新创企业创建一个用于习惯追踪的 Web 应用。用户应能够创建习惯，并每天跟踪习惯完成情况。创建用于展示用户表现情况的图表，并提供极简风格的深色模式界面。使用 React 进行前端开发，并使用 Node.js 或 Python 进行后端开发。将需求与适当的上下文结合起来，有助于 Anthropic 等提供商的 AI 助手生成更准确且符合正确架构的输出。 提示清晰明确，与上下文相关，并且目标明确。

步骤 3：生成初始应用程序代码

根据提供的意图和上下文，AI 会生成应用程序的第一个版本。输出内容可能涵盖应用程序架构、前端代码、后端代码、API、数据库设计以及相关文档。生成的内容仅是构建应用程序的起点。

步骤 4：迭代优化生成的软件

AI 代码生成的开发过程本质上是迭代式的，需要持续优化。在审查初始生成内容后，开发人员将进一步完善应用程序并添加新功能。他们可以调整需求、更改功能、提升性能、改善可用性、进行代码重构、重新设计应用程序架构，或执行其他必要调整。 这意味着开发人员遵循以下循环：意图 → 生成 → 审查 → 优化 → 再生成

步骤 5：验证、安全与部署

与传统开发的软件代码一样，AI 生成的软件仍需经过工程化处理才能投入生产环境。这需要进行代码审查、测试、依赖项检查、潜在漏洞安全评估、合规性验证等工作，以确保代码质量。这意味着开发人员的目标是创建安全、可靠、可扩展、易维护且达到生产级质量的软件。

AI 模型失败的原因从来不只是提示质量不佳。AI 模型失败往往是因为缺少必要的上下文信息。未来大型语言模型（LLM）的发展将更多来自上下文工程，而非单纯优化提示。要让 Gemini 等 AI 模型生成可靠输出，必须向其提供以下类型的上下文：

• 业务上下文 —— 我们希望解决什么问题？
• 架构上下文 —— 我们的系统如何融入现有架构？
• 代码库上下文 —— 代码库中已有的约定、模式和依赖关系是什么
• 安全上下文 —— 我们需要遵守哪些政策、合规要求和限制条件？
• 运营上下文 —— 我们需要满足哪些性能和可扩展性要求？

如果 AI 模型在生成输出时忽略这些因素，就可能生成技术上正确、但无法适应实际运营环境的代码。因此，上下文工程将成为企业 AI 的核心能力，用于生成具备上下文感知能力的输出。

Vibe coding 是一项突破，它证明 AI 能够根据自然语言指令生成代码，使软件原型开发更加快速、高效。然而，仅仅生成代码并不等同于完成软件工程。生产级软件开发需要经过规划、架构设计、代码生成、测试、安全审查、部署以及治理等完整流程。这也是 Vibe coding 开始暴露局限性的地方。

当前行业正在从“提示驱动代码生成”转向“意图驱动 AI 智能体生成软件”的方向发展。在这种模式下，重点不再是基于提示生成代码，而是覆盖完整的软件工程流程。这样一来，现代软件开发的重点将不再只是解决代码生成问题，而是通过自动化和编排各阶段的软件工程任务，实现端到端的软件开发。

Vibe Coding 无疑是强大的，但它存在一些技术和现实世界的挑战。以下是一些主要挑战：

1. 技术复杂性：Vibe Coding 可以应对基本的标准框架，但对于技术要求新颖或复杂的真实应用，Vibe Coding 会变得具有挑战性。³
2. 代码质量和性能问题：Vibe Coding 有助于测试应用程序和创建原型，但仍需要优化和完善，以确保代码质量。 Vibe Coding 对于分布式应用程序来说并非理想选择，因为它需要结构化的架构和复杂的优化策略。
3. 调试挑战：由 AI 生成的代码难以调试，因为它具有动态性且缺乏架构结构。
4. 维护和更新：很多时候，如果软件应用程序不及时更新，它就会过时，这就是为什么它们需要定期维护和更新。如果代码结构维护不当，使用 AI 生成的代码构建的应用程序就会面临维护和更新挑战。这可能会导致开发人员在尝试保持更新和优化时难以理解底层逻辑。
5. 安全问题：这一局限性最为严重，因为它可能会导致若干风险和极端漏洞。由 AI 生成的代码常被排除在代码审查和安全检查之外，这导致其中潜藏的漏洞难以被发现，最终可能被恶意利用。

Vibe coding 引入了一种新的技术债务类型，即“安全债务”。开发人员越是在未经验证的情况下采用 AI 编码，未来可能出现并需要修复的安全漏洞就越多。

这些漏洞包括：将 API 密钥和密码硬编码到应用程序中、SQL 注入风险、不安全的 API、权限配置过高的应用程序、不完善的身份验证机制，以及存在安全漏洞的第三方库等。

在企业级环境中，风险更高，因为通过 Vibe coding 创建的最初存在漏洞的原型，后续可能会演变为实际投入生产的应用程序。该应用程序可能处理客户信息、财务数据、医疗信息、知识产权以及其他关键业务流程。最初用于快速验证想法的原型，可能在未经必要安全分析的情况下，演变为关键业务应用程序。关注重点也从“我们能否创建它”转变为“我们是否能够信任它？”

由于 vibe coding 的兴起，软件工程的经济模式正在发生变化。传统上，软件开发受到编码技能门槛和投入成本的限制，尤其对初学者而言更是如此。

随着人工智能的兴起，瓶颈将从代码编写本身转向创意和决策，因为代码生成能力将变得更加充足。 长期以来，业界一直在争论 AI 是否能够用于软件开发。然而，在当今时代，更值得关注的问题是，如何充分利用 AI 加速创新，并推动产品快速进入市场。