Vibe Coding 概念大全

Vibe Coding 概念大全

本文内容基于公开资料整理与个人实践总结，力求用清晰易懂的方式，带你一文掌握 AI 编程的核心术语

AI 基础概念

人工智能（AI）

说白了，就是让电脑学会像人一样动脑子 —— 能理解问题、自己学东西、还能想办法解决。在 Vibe Coding 里，AI 就相当于你随叫随到的编程搭子：你只要说清楚想干啥，它立马帮你把代码写好，跟有个程序员朋友全天候待命差不多。

大语言模型（LLM）

大语言模型（LLM）就是一种特别能 “说人话” 的 AI，像 ChatGPT、Claude 这些都是它的代表。它之所以叫 “大”，是因为背后有几十亿甚至上万亿个 “小开关”（参数）在运作 —— 读过的资料越多、学得越深，就越聪明，但同时也更费电脑资源。

你可以把它想象成一个通宵啃完全世界书和代码的超级学霸：你让它写代码、讲代码、改 bug，它基本都能搞定，因为它啥都见过、啥都练过。

模型参数

模型的 “参数” 其实就是它学到的知识，用一堆数字存着。参数越多，说明这模型 “脑子” 里装的东西越多，通常也就越聪明。

举个例子：

• GPT-5 脑子最大，有大约 1.8 万亿个参数；
• Claude 4.5 Sonnet 没公布具体数字，但估计也有几千亿；
• DeepSeek-V4 有 6710 亿个参数。

不过，参数多也意味着更 “烧钱”—— 不仅训练贵，用起来也更费电、更占资源。所以一般来说：参数越多，能力越强，但花的钱和算力也越多。

训练和推理

训练和推理，就是 AI 的 “学习” 和 “考试” 两个阶段。

训练：相当于 AI 在 “上学”，拼命看海量数据（比如书、代码、网页），把知识学到脑子里。这个过程特别费时间、费电脑，一般只有大公司才干得起，普通人不用操心。

推理：就是 AI “学成出山” 后，你问它问题，它用学到的东西给你回答 —— 比如你跟 ChatGPT 聊天、让它写代码，这时候它就是在 “答题”。

简单说：训练是 AI 自己埋头苦读，推理是你用它现成的本事。我们平时用 AI，其实都是在用它的 “考试能力”。

微调（Fine-tuning）

微调就像是给一个已经大学毕业的 AI “再上个专业培训班”。

它本来啥都懂一点，但如果你拿一堆医学资料或者你公司的代码专门训练它一阵子，它就能在那个领域变得更专业、更对口。

不过，搞微调要花不少钱和精力，对普通人来说有点 “杀鸡用牛刀”。大多数时候，直接用现成的 AI 就完全够用了，不用自己折腾。

Token 和计费

Token

Token 就是 AI 看文字时的 “最小计数单位”，你可以把它当成 “词块” 或者 “字块”。

英文里，一个单词（比如 "hello"）大概算 1 个 token，有时候一个词还会被拆成几块。中文更 “费” 一点，一个汉字通常算 1 到 2 个 token，所以中文比英文更容易 “烧” token。

为啥要关心这个？因为用 AI 是按 token 收费的 —— 你输入的问题 + AI 回答的内容，全都要算进去。用得越多，花得越多。

举个例子：

• “Hello World” ≈ 2 个 token
• “你好世界” ≈ 4 到 6 个 token

所以，别小看多打几个字，可能就多花几分钱！

输入 Token 和输出 Token

用 AI 时，收费是分开算的：

• 你发给 AI 的内容（比如问题、代码、文件）算 “输入 token”；
• AI 回给你的答案（比如解释、生成的代码）算 “输出 token”。

而且通常 输出比输入更贵，因为让 AI “动脑子写东西” 比 “看懂你在说啥” 更费劲、更耗资源。

省钱妙招：别啰嗦，提示词尽量写得清楚又简洁。这样 AI 一次就搞明白你要干啥，不用来回问好几轮 —— 既省 token，又省时间！

上下文窗口

上下文窗口就是 AI 一次能 “看” 和 “记住” 多少内容，用 token 来算。你可以把它想象成 AI 的 “临时记忆容量”。

不同模型这个容量差别很大：

• GPT-4o 能记大约 10 万字中文；
• Claude 3.5 Sonnet 能记约 15 万字；
• Gemini 2.0 Pro 更猛，能记下差不多 150 万字 —— 相当于一本小书了！

好处是：代码文件特别大、对话历史特别长的时候，大窗口模型不会 “忘前事”，处理起来更顺畅。

但注意：窗口越大，每次用的 token 就越多，花的钱也越多。所以别盲目追求大，够用就行 —— 就像吃饭，吃太撑反而浪费。

提示词相关

提示词（Prompt）

提示词就是你跟 AI 说话的方式 —— 你告诉它要干啥，越清楚，它干得越好。

别只说 “做个网站” 这种模糊话，那等于让别人 “做顿饭”，却不说是中餐还是西餐。好的提示词得具体、带背景、说清格式，比如：“用 React 做个蓝色主题的记账网站，要有添加支出、查看列表、统计总额这三个功能。”

这样 AI 才能精准干活，不瞎猜。

另外，AI 对话其实有三种 “角色”：

• 系统提示（你看不见）：悄悄告诉 AI “你是个程序员，要专业、简洁”；
• 你发的消息（用户提示）：就是你的需求或问题；
• AI 回的（助手提示）：它的回答。

知道这三块有啥用？比如调试时，你可以假装前面已经聊过几轮，把上下文 “喂” 给 AI，它就能更懂你在说啥，不用从头解释。

总之：会说话，AI 才会办事。

系统提示词

系统提示词就像是你在 AI 开工前，悄悄给它立的 “人设” 和 “规矩”。

比如你告诉它：“你是个资深 React 开发，说话要专业，代码要简洁清晰。”

那接下来整个对话里，它都会按这个角色来回答 —— 不会突然跑偏去讲 Python，也不会写一堆啰嗦的注释。

这个设置是全程生效的，而且对用户自己不可见（但能影响 AI 的表现）。所以，如果你希望 AI 更像某个领域的专家、语气更正式或更随意，都可以通过系统提示词提前 “调教” 好。

简单说：系统提示词 = 给 AI 定角色、定风格、定规矩的幕后指令。

提示词工程

提示词工程说白了，就是 “怎么跟 AI 把话说到位” 的技巧。

你不是随便问一句，而是有策略地组织语言，让 AI 一眼就明白你要啥、怎么干、干成什么样。在 Vibe Coding 里，这本事特别值钱 —— 会写提示词的人，往往一两句话就能让 AI 输出高质量代码；不会的，可能来回折腾好几轮还跑偏。

所以，提示词工程 = 用最聪明的方式指挥 AI，少废话、快出活、结果准。 它不是玄学，而是一门 “让 AI 听懂人话” 的实用技能。

零样本提示（Zero-shot）

零样本提示就是你直接给 AI 下命令，不给例子、不带示范，全靠它自己 “凭经验” 干活。

比如你直接说：“把这段英文翻译成中文。” AI 就会调用它以前学过的东西，试着完成任务。

这种方式适合简单、常见的任务，比如翻译、解释概念、写个基础函数 —— 因为这些它见得太多了，不用教也会。

但要是任务比较冷门或复杂，光靠零样本可能不够准，这时候就得给点例子（也就是 “少样本提示”）帮它理解。

简单说：零样本 = 一句话直接吩咐，AI 靠老本儿干活。能行就行，不行就得多教两招。

少样本提示（Few-shot）

少样本提示就是 “先给 AI 打个样”，让它照着你的格式或风格来干活。

比如你想让 AI 翻译，但又怕它乱翻，就先写两三个例子：英文：Hello → 中文：你好英文：Thank you → 中文：谢谢

然后你再给新句子，它就会模仿你给的格式，乖乖输出 “中文：早上好” 这种一致的结果。

这种方式特别适合：

• 你有特定格式要求（比如日志、表格、代码注释）
• 或者任务有点模糊，光说不清，得看例子才明白

简单说：少样本提示 = 先示范，再干活，AI 学得快、做得准。比干巴巴下命令靠谱多了。

思维链提示（Chain-of-Thought）

思维链提示就是让 AI 别急着 “脱口而出”，而是像人一样一步一步想清楚再答。

你只要在问题里加一句：“请一步一步思考” 或者 “Let’s think step by step”，AI 就会先把问题拆解、分析逻辑、理清步骤，最后再给答案。

这招对复杂问题特别管用 —— 比如写一个带多个功能的程序、排查奇怪的 bug，或者处理有陷阱的逻辑题。因为 AI 一旦跳过思考直接写代码，很容易漏掉细节；但让它 “出声思考”（哪怕只是文字），往往能写出更合理、更靠谱的代码。

简单说：加一句 “慢慢想”，AI 就从 “抢答选手” 变成 “认真解题的学霸” 。结果更准，结构也更清晰。

Markdown 语言

Markdown 就是用简单符号快速排版文字的方法，比如：

• 用 # 写标题
• 用 加粗 让字变粗
• 用 - 列清单

在 Vibe Coding 里，它特别常用，因为：

1. AI 回答你时，默认就用 Markdown 格式（带标题、代码块、列表等）
2. 项目说明文件（比如 README）基本都是用 Markdown 写的
3. 一些规则或配置文档也是 Markdown

所以，会点 Markdown，你就能看得懂 AI 的输出，也能写出整洁专业的文档 —— 不用点鼠标调格式，敲几个符号就行，又快又清爽。

AI 编程模式

Vibe Coding

Vibe Coding 是计算机大牛 Andrej Karpathy 在 2025 年初提出来的一个新玩法：你不用自己敲代码，只要用大白话告诉 AI 你想要什么功能、希望程序怎么运行，AI 就能帮你写出能跑的代码。

说白了，编程的重点不再是记语法、写细节，而是你能把自己的想法说清楚。就像点外卖 —— 你不用会做菜，但得知道自己想吃啥，剩下的交给厨房（也就是 AI）搞定

Agentic Coding 智能体编程

Agentic Coding 就是让 AI 像个能自己动脑干活的 “小助手”，不光听你问才答，还能主动规划、动手、检查、修错。

比如在 Cursor 的 Agent 模式里，它能自己看代码、想方案、改文件、跑测试，发现问题还能自动修好 —— 整个过程不用你一步步指挥。说白了，它不是 “问答机”，而是 “办事员”，能独立搞定一整套复杂任务。

多智能体协作

多智能体协作，说白了就是让几个 AI 各干各的活儿，像组了个小团队一起搞项目。

比如你想做个网站：一个 AI 负责搭整体结构，一个写页面（前端），一个搞后台逻辑（后端），还有一个专门挑毛病、查代码漏洞。它们互相配合，不用你挨个指挥。

这两年这玩法越来越火，因为单个 AI 再聪明也容易顾此失彼，而 “团队作战” 才能扛得住真正复杂的活儿 —— 就像没人指望一个人又当设计师又当程序员还当测试员，对吧？

智能体编排

编排其实就是当 “AI 团队的包工头”。

你有一堆 AI 智能体，各自会干点活，但谁先干、谁后干、怎么传数据、结果怎么拼起来 —— 这些都得有人安排。编排器就是干这个的：不亲自写代码，但把整个流程理顺，让每个 AI 在对的时间干对的事。

就像乐队指挥，自己不吹号不拉琴，但一抬手，小提琴进，鼓点跟上，铜管收尾 —— 整首曲子才不乱套。没它，一群 AI 各自为战，反而容易搞砸。

Agent Loop 智能体循环

Agent Loop 说白了，就是 AI 干活的 “思考 - 动手 - 检查” 循环。

它不是一次性给你答案就完事，而是像人一样反复折腾：先看看现在啥情况（比如读代码、看报错），然后想 “接下来该干啥”，接着动手改、跑命令、写点东西，再回头瞅一眼 “改对了没？跑通了吗？”，要是不行，就再来一轮 —— 直到搞定为止。

用 Cursor Agent 的时候，你其实是在放一个会自己试错、调整、死磕到底的 AI 程序员在干活。理解这点，你就知道为啥有时候要来回跑好几次 —— 不是卡了，是在认真闭环。

ReAct 推理与行动

ReAct（Reasoning and Acting）

ReAct 其实就是让 AI 学会 “边想边干，干了再想”。

以前的 AI 要么光说不练（只输出答案），要么瞎干一通（直接执行不思考）。ReAct 改变了这个毛病：它让 AI 先动脑子 ——“现在啥情况？该怎么做？”；然后动手试一试；做完马上看结果对不对；如果不对，立刻调整思路再来。

这就像你修电脑：先判断是不是网线松了（推理），去插紧（行动），看能不能上网（观察），不行就换思路查路由器（再推理）…… AI 用 ReAct 就是这么一步步靠谱地把复杂任务搞定的。现在的智能编程工具，背后基本都靠这套逻辑撑着。

工具调用

工具调用，其实就是让 AI 从 “嘴炮” 变成 “能动手” 的关键一步。

AI 本身只会生成文字，干不了实际的事。但通过工具调用，它能在需要时 “喊人帮忙”—— 比如读文件、跑命令、查网页、连数据库等等。

整个过程分四步，特别像你指挥一个实习生：

1. 看出问题：AI 想，“光靠我说不行，得查点东西”；
2. 选对工具：决定是读文件、还是调 API；
3. 下指令：不是自己干，而是说清楚 “请用 XX 工具，参数是 A、B、C”；
4. 收结果再处理：等系统真把结果拿回来，它再结合这个信息继续干活或回答你。

重点来了：AI 并不直接操作电脑，它只是 “开单子”，真正执行的是背后的程序。

在 Vibe Coding 里，这套机制就是 AI 的 “手和脚”。比如 Cursor 的 Agent 模式，之所以能自动改代码、跑测试，全靠它不断调用外部工具 —— 没这能力，AI 再聪明也只能纸上谈兵。

Agent Skills 智能体技能

Agent Skills 就像是给 AI 装 “专业插件包”，让它临时变成某个领域的老手。

Anthropic 在 2025 年底搞了个标准：你只要建个文件夹，放个 SKILL.md 说明文档，再配上脚本、规则或参考资料，AI 遇到相关任务时就会自动 “加载这个技能”。

比如：

• 你有个 PDF 表单填写 的 Skill，AI 原本不会处理 PDF，但一加载它，立马知道怎么填；
• 你团队有套特殊的 上线部署流程？写成一个 Skill，AI 就能照着你的规矩来，不用你每次手把手教；
• 想让 AI 按你们项目的风格 审查代码？丢个代码规范 Skill 给它，它就按你的标准挑毛病。

最关键的是，AI 不会一股脑把所有技能都塞进脑子 —— 只在真正用得上的时候才调出来。这样既省资源，又不卡顿，就像人一样：平时不用记怎么做心肺复苏，等真遇到急救场景，才翻手册或调用训练记忆。

说白了，Skills 让 AI 从 “通才” 变成 “随叫随到的专家”。

Skills 的核心设计是 渐进式披露：AI 只在需要时才加载相关内容，不会一次性把所有信息都塞进上下文，既节省 Token 又保持灵活性

A2A（Agent-to-Agent）

A2A（Agent-to-Agent）说白了，就是给 AI 们定一套 “团队聊天规则”。

单个 AI 再厉害，干大活也容易抓瞎。但如果几个 AI 能像同事一样互相说话、分任务、同步进度，事情就好办多了。A2A 就是让它们能互相理解、协调行动的底层约定 —— 比如一个 AI 说 “前端我搞定了，后端你接着来”，另一个就能听懂并接上。

没有这套协议，每个 AI 都是孤岛；有了它，它们才能真组成一个配合默契的 “AI 小组”，一起搞定复杂项目。就像打篮球，光个人技术好不够，得会传球、喊话、看队友位置 ——A2A 就是 AI 团队的 “场上沟通”。

BMAD 敏捷 AI 开发方法

BMAD-METHOD（Breakthrough Method of Agile AI-Driven Development，突破性敏捷 AI 驱动开发方法）是一套系统化的 AI 智能体开发框架，旨在将原本混乱的 AI 编程过程变得结构化、可复用。

BMAD 方法，说白了就是给 AI 编程 “立规矩、分角色”，把原来靠感觉瞎跑的 AI 开发，变成一套像正规军打仗一样的流程。

它把整个开发过程拆成几个明确角色，每个 AI 负责一块：

• 分析师 AI：搞清楚用户是谁、市场要啥，输出项目简报；
• 产品经理 AI：把简报变成具体功能清单（PRD）；
• 架构师 AI：设计技术方案，决定用什么框架、怎么搭系统。

而且 AI 还分两种：

• 简单 AI：干点小事，比如写个文档、查个代码，一个文件搞定；
• 专家 AI：能记住上次干到哪，有自己的 “工作台”（专属文件夹），适合长期复杂任务，比如从零搭一个 App。

每个 AI 都有清晰的 “人设”—— 你是谁、说话啥风格、能干啥、怎么配合别人，全都标准化了。不是随便乱聊，而是各司其职、按流程推进。

这套方法在 GitHub 上火到几万星，说明大家终于意识到：光靠一个 AI 盲打蛮干不行，得像管理真人团队一样，让 AI 有分工、有纪律、有记忆 —— 这才真正把 AI 变成了靠谱的开发伙伴。

Browser Use 浏览器使用

Browser Use 说白了，就是让 AI 能像真人一样 “自己开浏览器干活”。

它不靠网站提供 API，而是直接操作网页：点按钮、填表单、翻页面、抓数据 —— 就跟你在电脑前手动操作一模一样。

典型用法比如：

• 让 AI 自己去网上搜资料、比价格、整理信息；
• 把网页上的表格或新闻自动扒下来变成结构化数据；
• 帮你填那种又长又烦的在线申请表；
• 甚至跨多个网站串着操作，比如先查航班、再订酒店、最后发邮件确认。

关键优势是：AI 能直接用你已经登录的浏览器。你不用给每个网站写接口，也不用担心没开放 API—— 只要你能打开的网页，AI 基本都能操作。

现在像 Cursor、Claude Code 这些工具都内置了这能力，写代码时能自动开浏览器预览、跑测试；开源项目比如 Browser-Use 也让你用 Python 调大模型来控制浏览器。

一句话总结：Browser Use 让 AI 真正 “上网”，而不只是 “联网说话”。

Computer Use 计算机使用

Computer Use 就是让 AI 从 “会说话” 升级成 “会动手操作你整个电脑”。

和只能在浏览器里点点点的 Browser Use 不同，Computer Use 能干的事更广：它能看屏幕、移动鼠标、敲键盘、开软件、跑命令行 —— 就像有个看不见的数字员工坐在你电脑前干活。

它是这么工作的：

1. 看一眼屏幕（截屏分析当前界面）
2. 想下一步干啥（比如 “点这个保存按钮”）
3. 动手操作（模拟鼠标点击或键盘输入）
4. 看结果对不对，不对就再调整

当然，为了安全，这功能一般跑在虚拟机里，不会真动你本机文件 —— 除非你明确授权。

Anthropic 在 2026 年基于这个技术推出了 Claude Cowork，一个能直接帮你整理下载文件夹、从截图里抠数据填表格、甚至做品牌周报的桌面助手。它不再只是聊天框里的 “嘴替”，而是真正能进你工作流、碰你文件、用你软件的 “同事”。

说到底，Computer Use 标志着 AI 从 “回答问题” 迈进了 “替你做事” 的时代 —— 不是写代码给你，而是直接在你电脑上把事办了。

上下文管理

上下文（Context）

上下文，就是 AI 回答问题时能 “看到” 的所有背景信息。

比如：你们之前聊了啥、你当前打开了哪些代码文件、项目整体长什么样、配置是怎么设的，还有你额外给的文档或说明 —— 这些都算。

你给的上下文越准、越全，AI 写出来的东西就越贴合你的实际需求。这就像带新同事接手项目：你要是只说 “你改一下登录功能”，他可能瞎改；但如果你顺手把相关文件、设计稿、历史问题都指给他看，他立马就能上手干对事。

所以，别光提需求，多让 AI “看见” 你的项目现场 —— 它才能真帮上忙。

上下文工程

上下文工程，说白了就是 “给 AI 喂刚好够用的信息”，不多不少，刚刚好。

太多信息？AI 容易懵、跑偏，还费钱；太少信息？它根本不知道你在干啥，瞎猜一通。

所以高手会这样干：

• 只塞最相关的代码文件，别把整个项目一股脑扔进去；
• 附上几句关键背景，比如 “这是个电商后台，用户要能一键退款”；
• 用规则文件（比如 .ai-rules.md）告诉 AI 你们项目的命名规范、技术栈、禁忌；
• 还会定期清理旧对话，别让上周聊的登录功能干扰今天改的支付逻辑。

本质上，上下文工程不是堆信息，而是精准投喂 —— 像给同事递工具，你要的是扳手，我就递扳手，不连锤子锯子螺丝刀全砸你桌上。

这样 AI 才能又快又准地干活。

规则文件

规则文件（Rules File）是放在项目中的配置文件，用来告诉 AI 你的项目规范、技术栈、代码风格等信息。有了规则文件，AI 每次生成代码时都可以参考这些规则，生成的代码更符合你的项目风格，省去了反复强调的麻烦。

不同 AI 编程工具使用不同的规则文件格式：

• Cursor：早期使用 .cursorrules 单文件格式，现在推荐使用 .cursor/rules/*.mdc 多文件格式
• Claude Code：使用 CLAUDE.md 文件
• GitHub Copilot：使用 .github/copilot-instructions.md 文件

以 Cursor 为例，现代的 .mdc 规则文件支持 YAML 元数据，可以指定规则的适用范围：

plaintext

description: React 组件开发规范
globs: src/components/**/*.tsx
alwaysApply: false
---
# React 规范
- 使用函数式组件
- 优先使用 hooks

规则文件的激活方式有多种，比如：

• 始终生效：设置 alwaysApply: true
• 模式匹配：当引用匹配 globs 的文件时自动激活
• 手动调用：在对话中用 @规则名 引用
• AI 自主决定：AI 根据任务相关性自动加载

💡 注意，随着工具版本的更新，这些文件的名称和标准可能会发生改变，一切以工具官方文档为主。

AGENTS.md

AGENTS.md 说白了，就是专给 AI 看的 “项目操作手册”。

你平时写的 README.md 是给人看的 —— 讲项目是干啥的、怎么安装；而 AGENTS.md 是给 AI 编程助手用的 —— 告诉它：在这个项目里，具体该怎么干活。

比如：

• 跑起来要输什么命令（npm run dev）
• 测试怎么执行（npm test）
• 代码命名规矩（组件用 PascalCase，工具函数用 camelCase）
• 用的是 TypeScript 严格模式……

AI 工具（像 Cursor、Claude Code、Copilot 等）一打开你的项目，只要看到根目录有 AGENTS.md，就会自动读取里面的内容，不用你再重复叮嘱 “记得用 TS”“别乱改启动方式”。

这文件现在成了一个开放标准，几万个开源项目都在用。相当于你给所有 AI 助手发了一张 “上岗须知”—— 它们一进门就知道规矩，直接上手干对事，不添乱。

一句话：README.md 告诉人 “这是什么”，AGENTS.md 告诉 AI “该怎么干”。

一个典型的 AGENTS.md 文件大概长这样：

plaintext

# 项目设置
- 安装依赖：npm install
- 启动开发：npm run dev
- 运行测试：npm test

# 代码规范
- 使用 TypeScript 严格模式
- 组件文件使用 PascalCase 命名
- 工具函数使用 camelCase 命名

SDD 规范驱动开发

SDD（规范驱动开发）说白了，就是先写清楚 “到底要干啥”，再让 AI 动手写代码 —— 把需求变成 “法律”，AI 必须照章办事。

以前我们常是：边想边写、写完再补文档，结果代码和需求对不上，改来改去全是坑。SDD 反过来：规范文档是唯一真相源，代码只是它的 “执行结果”。

你可以把它理解成给项目立一部 “宪法”：

• 功能要实现什么？
• 接口长什么样？
• 出错怎么处理？
• 用什么技术栈？全写明白，AI 才能精准输出，而不是靠你一句模糊的 “做个登录页面” 瞎猜。

为啥现在越来越多人用 SDD？ 因为大家发现：AI 写得好不好，不靠 prompt 玩花活，而靠需求清不清楚。一份好规范，胜过一百条 “请认真一点” 的提示。

典型流程也很清晰：

1. 定原则：比如 “必须响应式”“错误率低于 0.1%”
2. 写需求：用户是谁？要解决什么问题？
3. 问清楚：让 AI 自己提问题，比如 “手机号格式校验要多严？”
4. 做设计：定架构、API、数据模型
5. 拆任务：把大活切成小块，标好先后顺序
6. 生成代码：AI 按任务一项项实现，你只负责验收

2025 年 GitHub 还出了个 Spec Kit 工具包，用 /spec、/plan 这类命令一步步带你走完这套流程，主流 AI 编程工具都支持。

总结一句话：SDD 不是让人类少写代码，而是让 AI 少犯错 —— 先想透，再动手，才是 AI 时代的高效开发。

RAG 检索增强生成

RAG 说白了，就是给 AI 装个 “随身资料库”，让它能边查边答，而不是光靠死记硬背。

普通 AI 回答问题全靠训练时学过的东西 —— 就像考试只准用脑子，不能翻书。但用了 RAG，AI 就像进了考场还能带你的项目文档、代码库、内部 Wiki 当 “开卷参考资料”：它先快速搜一遍你提供的材料，找到相关片段，再结合这些内容生成答案。

在 Vibe Coding 里这招特别管用 —— 比如你要加个新功能，AI 不是凭空瞎写，而是先翻你现有的代码，看你怎么命名、怎么组织逻辑、用什么工具库，然后照着你的风格写出来，新代码和老代码像一个团队写的。

一句话：RAG 让 AI 从 “凭记忆答题” 变成 “查你家底干活”，更准、更贴合、更少返工。

向量数据库

向量数据库，说白了就是个 “懂意思” 的搜索库。

普通搜索靠关键词匹配 —— 你搜 “登录”，就只能找到带 “登录” 俩字的内容；但向量数据库先把你的代码、文档转成一串数字（叫 “向量”），这串数能代表它的意思。

所以当你搜 “用户登录”，哪怕某个函数叫 handleAuth 或 verifySession，只要它干的是登录的事，系统也能认出来并找给你 —— 因为它们的 “语义” 很接近。

在 AI 编程里，这就意味着： AI 能快速翻出项目里真正相关的代码片段，哪怕命名风格五花八门、注释写得少，它也能 “心领神会”。

相当于给你的项目装了个 “语义雷达”—— 不看字面，看意图。

嵌入 Embedding

嵌入（Embedding）说白了，就是把文字或代码 “翻译” 成一串数字，这串数字能代表它的意思。

比如 “用户登录” 和 function authenticateUser () 看起来字不一样，但经过嵌入后，它们在数字空间里会离得很近 —— 因为意思差不多。

正是靠这个，向量数据库才能做到 “语义搜索”：你搜一个概念，它能找到干同一件事但命名不同的代码。

你不用搞懂它怎么算的，只要记住：嵌入是让 AI 能 “理解意思” 而不是 “死抠字眼” 的底层技术，也是 RAG、智能代码补全这些功能能跑起来的关键。

MCP 模型上下文协议

MCP（Model Context Protocol）说白了，就是给 AI 世界定了个 “通用插口”—— 就像 USB 之于电脑。

以前，每个工具（比如数据库、Figma、GitHub）都得单独给 AI 写一套对接代码，费时又重复。现在有了 MCP 这个开放标准，只要工具按这个协议 “插上”，所有支持 MCP 的 AI（比如 Claude Code、Cursor 等）都能直接用它，不用再一个个适配。

在 Vibe Coding 里，这等于给 AI 开了外挂：

• 接上 Figma MCP，AI 能直接看设计稿，自动生成网页代码；
• 接上 GitHub MCP，它能自己提 PR、查 issue、同步仓库；
• 接上 数据库 MCP，它能查真实业务数据，边分析边写逻辑。

关键不是 “AI 变聪明了”，而是它终于能安全、标准地连上你的真实工作环境。MCP 不是功能，而是让各种功能能被轻松 “即插即用” 的底座 —— 从此 AI 不再困在聊天框里，而是真正走进你的开发流。

AI 输出相关

AI 幻觉

AI 幻觉，说白了就是 AI “一本正经地胡说八道”——比如给你一个根本不存在的函数名、瞎编某个库的用法，或者信口开河说 “这个 API 支持 XXX”，其实压根没有。

这不是它故意骗你，而是大模型天生靠 “猜概率” 说话：只要听起来合理，哪怕没这回事，它也可能脱口而出。

怎么防？几个土办法很管用：

1. 让它交证据：直接问 “这 API 有官方文档吗？发链接看看”；
2. 自己动手查：别全信，关键地方翻一遍官网或源码；
3. 换个人问：换个模型（比如从 Claude 换到 GPT）看说法是否一致；
4. 重启对话：有时候上下文乱了会带偏 AI，新开一个窗口重说需求，反而更准。

记住：AI 是个聪明但爱脑补的实习生，你可以用它的效率，但得守住你的判断。

温度

“温度” 就是 AI 的 “脑洞开关”。

• 温度调低（比如 0.1） ：AI 变得一本正经、按部就班，输出稳定、靠谱 —— 写代码就该这样，少整花活，别瞎创新。
• 温度调高（比如 1.0+） ：AI 开始放飞自我，想法多但容易跑偏，适合聊创意、想点子，但不适合写能跑的代码。

所以编程时，一般把温度压低点 ——你不是要一个诗人，而是一个守规矩的程序员。

流式输出

流式输出，就是 AI 边想边说，字一个一个蹦出来给你看 —— 不像以前非得等它憋完一大段才显示。

好处很明显：你一眼看出它跑偏了（比如开始写错框架、用错 API），立马点停止，省时间、省 Token，也少生气。

这就像跟人聊天时对方一句句说，你随时能插话：“打住，不是这个意思！”而不是等他讲完十分钟小作文，才发现全答错了。

现在主流 AI 编程工具基本都默认开流式，体验更自然，也更可控 —— 毕竟，快反馈比完美输出更重要。

项目管理概念

MVP（最小可行产品）

MVP 就是 “先做个能用的最小版本，别一上来就想造宇宙”。

核心就一点：只做最必要的功能，先把核心问题解决掉。

比如你想做个记账 App，MVP 可能就俩功能：

• 能记一笔花了多少钱
• 能看到所有记录

别的像图表分析、多账户同步、自动分类…… 统统先砍掉。

好处很明显：

• 一周就能跑起来，不用搞三个月；
• 马上拿给用户试，看他们到底用不用、卡在哪；
• 如果没人用，亏的时间也少；如果真有用，再加功能也不迟。

说白了，MVP 不是 “做简陋”，而是用最低成本验证你是不是在干一件值得干的事。

迭代开发

迭代开发，说白了就是 “先跑起来，再慢慢升级”。

别想着一口吃成胖子，而是把大项目拆成一个个小版本：每个周期就干几件事 —— 定个小目标、让 AI 写代码、你测一测、发个可用版、收点反馈、再优化。

在 Vibe Coding 里特别顺手：你先让 AI 实现最核心的功能（比如 “能登录”），跑通了、没问题，再下一轮加 “找回密码”，再下一轮加 “第三方登录”……一步步来，每步都可控、可测、可停。

这样既避免 AI 一次性搞太复杂而翻车，也让你能及时调整方向 —— 毕竟，跑得快不如跑得稳，改得快才是真敏捷。

重构

重构，就是给代码 “做整理、不做改动”—— 功能一模一样，但让它变得更干净、更好懂、更好改。

比如：

• 把重复的几行抽成一个函数
• 把 a1、tmp 这种名字改成 userEmail、isValid
• 把嵌套八层的 if 拆清爽
• 把 500 行的大文件切成几个小模块

在 Vibe Coding 里，你可以直接让 AI 帮你干这事，比如：“把这段逻辑提取成独立函数，并重命名变量让它更清晰”。

但记住一点：一次只动一小块，改完马上测。别让 AI 一口气 “优化” 整个项目 —— 看着爽，跑起来崩，反而更难修。

重构不是炫技，是为了让代码活得更久、改得更快。

技术债

技术债，说白了就是 “现在图快，以后遭罪”。

比如为了赶上线，你让 AI 生成一段能跑但乱糟糟的代码：逻辑硬编码、没注释、重复一堆…… 当时是快了，但以后每次改功能、修 bug，都得在泥潭里打滚 —— 改一处，崩三处。

这就像刷信用卡：今天爽了，明天连本带利还，越拖利息越高。 AI 写代码尤其容易埋这种雷 —— 它只管 “跑通”，不管 “好不好改”。

所以得定期主动还债：

• 每隔一阵子，挑关键模块让 AI 帮你重构；
• 别等代码烂到没人敢动才动手；
• 把 “整洁可维护” 当成需求的一部分，不是可选项。

记住：省下的那点时间，迟早会以十倍代价还回去。别让 AI 帮你堆出一座 “屎山”，再聪明的助手也救不了。

版本控制

版本控制，就是给代码装 “后悔药” 和 “时光机”。

你每改一次代码，它都记下来：谁改的、改了啥、为啥改。要是 AI 一通操作把项目搞崩了，你不用抓狂重写 —— 一键退回上个好用的版本就行。

Git 是干这活儿最常用的工具，GitHub 则是大家存代码、协作的地方。

在 Vibe Coding 里，这玩意儿尤其关键：你让 AI 大改一通，结果跑不起来？别慌，git checkout 回退一下，世界清净。甚至可以开个新分支让 AI 随便试，搞砸了也不影响主代码。

说白了：有版本控制，你才敢放手让 AI 干活；没它，等于蒙眼走钢丝。

部署

部署，说白了就是 “把做好的东西搬上线，让人能用上”。

你本地写完代码，用户可看不见 —— 得把它传到服务器上跑起来。现在这事比以前简单多了，基本不用自己配服务器，直接用现成平台：

• Vercel：前端、Next.js 项目一键上线，连数据库都能带；
• Netlify：静态网站、React/Vue 项目秒部署，还送免费域名和 CDN；
• Railway / Render：后端 API、Node/Python 服务扔上去就能跑；
• 甚至像 Bolt.new 这类零代码工具，点个按钮就自动部署 + 生成链接。

在 Vibe Coding 时代，很多 AI 工具还能自动帮你打包、推送到这些平台 —— 你只管写需求，它连上线都包了。

但记住：能跑 ≠ 能用。部署只是第一步，监控、日志、错误处理这些也得跟上。不过至少，现在 “上线” 这件事，真的不再是门槛了。

---

Koala 简易使用推荐

学习完全套 Vibe Coding 相关概念后，日常开发调用各类大模型、适配 AI 编程工具，推荐直接使用 Koala。它整合了 Claude、DeepSeek、GPT 等主流模型，完美兼容 Cursor、Claude Code 等 Vibe Coding 开发工具接口，无需逐个注册适配多个平台，国内手机号即可注册、充值便捷，调用价格更实惠，不管是新手入门练习 AI 编程，还是开发者日常高强度项目开发，都能省心省钱、无缝对接各类编程场景。