如何高效使用氛围编程：一种与 AI 协作的新编程范式

作者：Tom（Y Combinator 合伙人）翻译与整理：baiyutang

在过去的一个月里，我尝试用 LLM（大语言模型）配合开发几个 side project，并开始沉迷于一种新型的编程方式：氛围编程（Vibe Coding）。它不仅让开发效率大幅提升，而且是一种可以通过实践逐步掌握并优化的技能。就像早期的 Prompt Engineering，一切才刚刚开始。

本文将系统分享我在 Vibe Coding 实践中的方法论和经验，希望帮助你更好地拥抱这场软件开发的范式变革。

一、什么是氛围编程（Vibe Coding）？

简单来说，氛围编程（Vibe Coding）就是将 AI 作为协作开发者，采用语言（而非代码）进行系统开发。它并不是“偷懒式敲代码”，反而需要你以一种更清晰、更结构化的方式思考架构、模块和流程。

“你需要像一个优秀的工程师一样思考，只不过合作对象是 AI。”

二、氛围编程的八个高效实践方法

1. 从计划而非代码开始

在你写第一行代码之前，应该先与 LLM 一起制定一份结构清晰的开发计划，最好以 Markdown 的形式写入项目根目录，作为整个项目的“路线图”。

• 划分模块

• 标明优先级

• 哪些功能暂不开发（Won’t Do）

• 哪些留作后续（Ideas for Later）

开发过程中回顾这份计划，逐个小模块推进，完成一个就 commit 一次，保持代码干净且可控。

2. 用测试约束 AI，而非指令控制

与其试图每一步都“微操”AI 的输出，不如先手写测试用例，然后让 AI 自由地实现代码。

• 我会手动编写测试，不交给 LLM

• 只要测试通过，AI 写出来的代码我就接受

• 不需要关注每一行代码是否“优雅”，只要行为正确、结构合理

这种方式可以最大化 AI 的效率，又避免陷入细节泥潭。

3. 不要在失败的代码上继续叠加 Prompt

AI 写错一次，不要继续在错误基础上反复修改。因为：

“每一次 Prompt 都可能在代码中积累一层新的‘错误债’。”

建议流程：

• 尝试失败 → git reset --hard → 重新开始

• 复制之前 AI 写得不错的片段，在“干净的代码库”里重新实现

4. 选 AI 擅长的语言与框架

我用的是 Ruby on Rails，表现非常好。原因可能是：

• Rails 拥有统一的代码风格与目录结构

• AI 训练数据丰富，对它“很熟悉”

而像 Rust、Elixir 等新语言，效果就不如预期。选 AI 擅长的生态，是提升效率的关键捷径。

5. 使用 Git：频繁提交是你和 AI 的保护伞

每一个功能完成后都 commit 一次。原因很简单：

• 万一 AI 改坏代码，你可以快速回滚

• 避免“全局 AI 修复”带来的非预期变更

6. 非代码任务也交给 AI：它是你的 DevOps + 设计助手

AI 不只是程序员，它还可以帮你：

• 配置 DNS、部署 Heroku

• 生成 favicon 图标并自动转换格式

• 生成部署脚本、打包命令、环境配置

“它能帮你省下大量令人头疼的杂活，让你专注在真正有价值的逻辑设计上。”

7. 构建可协作的项目结构：模块化 + 小文件是关键

• 把功能拆分成模块，建立清晰的 API 边界

• 减少大文件、互相耦合严重的代码结构

• 这样 AI 更容易理解、修改、维护

我相信未来我们将更倾向于构建“AI 可理解的系统架构”，这也会倒逼开发者进行更好的抽象设计。

8. 多模型、多模态协同：找到最适合你的工具组合

在实践中我常用这些工具：

• Cursor / Windsurf：编程编辑器增强型 LLM

• Claude 3.7：更适合代码修改与 DevOps 协助

• Gemini：更擅长构建全局结构与索引全项目

此外，还使用了：

• Aqua（语音输入工具）：以 140 字/分钟的速度“口述写代码”

• 本地 API 文档收集：让 AI 离线理解接口，不依赖联网搜索

三、总结：AI 编程，不只是快

氛围编程（Vibe Coding） 的核心不是速度，而是你与 AI 如何形成有效的合作关系。如果你愿意尝试“把工程师的思维方式嫁接给 AI”，它会成为你的超能拍档。

未来的开发者不是“替代 AI 的人”，而是“能高效调动 AI 的人”。

“你是架构师，AI 是建筑工；你是导演，AI 是演员；你写剧本，AI 来演。”—— 氛围编程（Vibe Coding），不只是写代码，是一种新思维。