当“氛围编程”不再是网红概念

Vibe Coding这个词，最近在开发者圈子里火得不行。

2025年2月，Andrej Karpathy提出这个概念时，很多人以为这只是又一个“AI要取代程序员”的炒作噱头。但到了2026年，事情起了变化——Vibe Coding不仅没有被遗忘，反而催生出了更成熟的Agentic Engineering范式，甚至被《柯林斯英语词典》评为2025年度词汇。

作为一个写了快十年Python的老码农，我一开始对Vibe Coding是持怀疑态度的。代码就是代码，什么“跟着感觉走，忽略代码本身”？这不就是鼓励生产垃圾吗？

但真用了AiPy做了一周实践之后，我承认：Vibe Coding的真正价值，不在于“让你不用写代码”，而在于“让你用更短的时间验证想法”。它最适合的场景是：把一个想法从0推到0.7——快速原型、个人工具、MVP验证。

这篇文章我会完整记录我用AiPy做的三个工具，重点拆解Vibe Coding的技术原理、Prompt工程要点、以及生产环境落地时的坑。代码全部可复现，适合对AI编程范式感兴趣的开发者。

一、Vibe Coding的技术本质：不止是“聊天写代码”

先厘清一个概念问题。

很多人把Vibe Coding理解成“对着AI说需求，AI就把代码吐出来”。这是表象。真正的技术本质是：自然语言 → 结构化需求 → 代码生成 → 自动执行 → 反馈修正的闭环系统。

我把这个闭环拆解成三层：

层级	功能	技术实现
需求解析层	将模糊描述转为结构化任务	NLP + 意图识别
代码生成层	根据任务生成可执行代码	Code LLM（如CodeLlama、DeepSeek-Coder等）
反馈优化层	捕获运行错误，自动修正	错误日志解析 + 代码自愈

AiPy在这个架构中的位置：它不像Cursor那样只做代码补全，也不像Claude Code那样只在终端里生成代码。它走的是“Agentic”路线——自己写代码、自己跑、自己读报错、自己改，直到任务完成为止。这才是它和普通AI编程助手的本质区别。

换一种说法，这叫“代码即代理”（Code is Agent）。

二、实战一：简历生成器——从“做一个简历工具”到可运行的Web应用

2.1 需求与Prompt设计

第一个项目，我想做一个简历生成器。需求很简单：用户填表单，生成PDF简历。

这是我最开始给AiPy的prompt，直接复制原文：

“我需要做一个简历生成器web应用，功能要求：提供一个表单让用户填写简历信息，包括基本信息（姓名、电话、邮箱、求职意向）、教育经历（学校、专业、学历、起止时间）、工作经历（公司名称、职位、起止时间、工作描述）、项目经验（项目名称、扮演角色、起止时间、项目描述）、技能清单。用户填写完之后，可以预览简历效果，点击生成按钮，导出一份排版精美的PDF简历。界面要简洁美观，现代化设计。使用Python Flask后端，前端用简单的HTML+CSS+JavaScript就可以。”

2.2 AiPy的响应过程

AiPy收到这个需求后，做了一系列自动化操作：

1. 需求拆解：自动识别出“表单输入”、“实时预览”、“PDF导出”三个核心模块

2. 技术选型：选择了Flask + ReportLab（PDF生成库）的技术栈

3. 代码生成：一次性创建了完整的项目结构：

text

resume-generator/
├── app.py                  # Flask后端主文件
├── templates/
│   ├── index.html          # 表单页面
│   └── preview.html        # 预览页面
├── static/
│   └── css/
│       └── style.css       # 样式文件
└── utils/
    └── resume_generator.py # PDF生成工具类

2.3 核心代码解析（AiPy自动生成）

PDF生成的核心逻辑在resume_generator.py里，使用了ReportLab库：

python

from reportlab.lib.pagesizes import A4
from reportlab.pdfgen import canvas
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont

class ResumeGenerator:
    def __init__(self, template_type='classic'):
        self.template_type = template_type
        # 注册中文字体，解决中文乱码
        pdfmetrics.registerFont(TTFont('SimHei', 'SimHei.ttf'))

    def generate_pdf(self, data, output_path):
        c = canvas.Canvas(output_path, pagesize=A4)
        width, height = A4

        # 姓名 - 大标题
        c.setFont('SimHei', 24)
        c.drawString(50, height - 50, data.get('name', '未命名简历'))

        # 基本信息
        c.setFont('SimHei', 12)
        y = height - 80
        info = f"{data.get('phone', '')} | {data.get('email', '')} | {data.get('intention', '')}"
        c.drawString(50, y, info)

        # 教育经历
        y -= 40
        c.setFont('SimHei', 16)
        c.drawString(50, y, '教育经历')
        for edu in data.get('educations', []):
            y -= 25
            c.setFont('SimHei', 12)
            c.drawString(70, y, f"{edu.get('school')} - {edu.get('major')} ({edu.get('period')})")

        # ... 工作经历、项目经验等模块类似

        c.save()

2.4 迭代优化：Vibe Coding的闭环价值

第一版出来后，我发现中文显示有问题（乱码），PDF排版也不够紧凑。我只说了一句话：

“生成PDF的时候中文显示有问题，乱码了，帮我修复一下，另外简历排版能不能更紧凑一点，一页纸最好。”

AiPy自动做了两件事：

1. 把字体从默认英文字体换成了SimHei，并注册到ReportLab

2. 调整了各模块的y坐标间距，从30缩减到25

整个迭代过程不到5分钟。这就是Vibe Coding的核心优势：你不需要去翻ReportLab的文档，不需要自己去调字体注册的坑，AI帮你踩了。

三、实战二：图片滤镜工具——像素级处理的Vibe实现

3.1 Prompt设计

第二个项目稍微进阶一点。我想要一个纯前端的图片滤镜工具：

“我需要做一个批量图片处理工具，可以给上传的图片添加各种滤镜效果。功能要求：网页界面，方便使用，不用安装客户端。支持多张图片同时上传。提供多种滤镜效果可选，比如黑白、复古、模糊、锐化、冷暖色调调整、浮雕等等。用户可以预览添加滤镜后的效果。处理完之后可以把所有图片打包成ZIP一键下载。使用Python Flask做后端，图像处理用Pillow库就行。”

3.2 AiPy生成的滤镜算法核心

注意，AiPy并没有用第三方滤镜库，而是直接用Pillow的像素级操作实现了多种效果。以下是自动生成的灰度滤镜算法：

python

from PIL import Image, ImageFilter, ImageEnhance

def apply_grayscale(img):
    """加权灰度算法，符合人眼感知"""
    pixels = img.load()
    for i in range(img.width):
        for j in range(img.height):
            r, g, b = pixels[i, j][:3]
            gray = int(0.299 * r + 0.587 * g + 0.114 * b)
            pixels[i, j] = (gray, gray, gray)
    return img

def apply_sepia(img):
    """复古棕褐色滤镜"""
    pixels = img.load()
    for i in range(img.width):
        for j in range(img.height):
            r, g, b = pixels[i, j][:3]
            tr = int(0.393 * r + 0.769 * g + 0.189 * b)
            tg = int(0.349 * r + 0.686 * g + 0.168 * b)
            tb = int(0.272 * r + 0.534 * g + 0.131 * b)
            pixels[i, j] = (min(255, tr), min(255, tg), min(255, tb))
    return img

这段代码的亮点在于：灰度算法用的是标准的人眼感知加权系数（0.299、0.587、0.114），而不是简单的RGB取平均。这是ReportLab等专业图像处理库的常用做法，AiPy在生成代码时直接沿用了这个标准算法。

3.3 踩坑：大图片处理超时

实际测试时，一个用户上传了4K分辨率的图片，处理时前端卡死了。

我把错误反馈给AiPy：

“大图片上传很慢，处理的时候浏览器卡死了，能不能自动压缩一下图片尺寸？”

AiPy自动添加了压缩逻辑：

python

def compress_image(img, max_size=2048):
    """等比压缩图片到指定最大尺寸"""
    width, height = img.size
    if max(width, height) <= max_size:
        return img
    ratio = max_size / max(width, height)
    new_size = (int(width * ratio), int(height * ratio))
    return img.resize(new_size, Image.Resampling.LANCZOS)

这个自动压缩逻辑用的是LANCZOS重采样算法，是PIL库中质量最高的缩放算法。如果是手动写这个功能，我得去翻PIL文档查参数名。Vibe Coding在这里的价值是：把“我需要什么效果”直接翻译成了“用什么算法实现”。

四、实战三：简历筛选器——当Vibe Coding遇到业务逻辑

3.1 业务需求

第三个项目来自HR朋友的痛点：收到上百份简历，逐个翻看太累。

“我需要做一个简历筛选工具，针对HR批量筛选简历的场景。功能要求：用户上传PDF简历（支持批量），输入筛选关键词（比如‘Python’、‘3年经验’），工具自动提取每个简历中的关键词匹配情况，输出一份排序后的筛选结果表格，高分优先。”

3.2 核心算法：匹配度评分

AiPy生成的评分算法是这样的：

javascript

function calculateScore(candidate, criteria) {
    let totalScore = 0;
    let totalWeight = 0;

    // 工作年限评分
    if (criteria.minYears) {
        const yearsScore = Math.min(100,
            (candidate.yearsOfExperience / criteria.minYears) * 100);
        totalScore += yearsScore * criteria.weights.years;
        totalWeight += criteria.weights.years;
    }

    // 技能匹配评分
    if (criteria.skills && criteria.skills.length > 0) {
        const matchedSkills = criteria.skills.filter(skill =>
            candidate.skills.toLowerCase().includes(skill.toLowerCase())
        );
        const skillsScore = (matchedSkills.length / criteria.skills.length) * 100;
        totalScore += skillsScore * criteria.weights.skills;
        totalWeight += criteria.weights.skills;
    }

    return totalWeight > 0 ? (totalScore / totalWeight).toFixed(1) : 0;
}

这个评分逻辑虽然简单，但完全满足HR的需求：多维度加权，自动排序，高分高亮。

3.3 Vibe Coding vs 传统开发：效率对比

这个项目如果让我手动写，估算时间：

环节	手动开发	Vibe Coding (AiPy)
需求分析	30分钟	5分钟（描述需求）
技术选型	20分钟	AI自动完成
代码编写	4-6小时	AI生成，约2分钟
调试Bug	1-2小时	AI自动修正
迭代优化	视情况	一句话完成
总计	6-9小时	约30分钟

当然，这个对比的前提是：需求相对明确、复杂度可控。如果项目涉及到分布式系统、高并发、复杂的业务规则，Vibe Coding的适用性就会大打折扣。

五、技术反思：Vibe Coding的边界在哪里？

做完这三个项目，我对Vibe Coding有了更清醒的认知。它确实能大幅提升效率，但也有明确的边界。

5.1 Vibe Coding适合什么？

根据我的实践，以及社区多位CTO的反馈，Vibe Coding最适用的场景是：

• 个人工具开发：文件重命名、数据清洗、定时任务等

• 创意原型验证：快速验证产品想法，MVP搭建

• 非程序员自助开发：运营、HR、产品经理等角色的自助工具

• 一次性脚本：临时需求，用完即弃

这些场景的共同特征是：需求明确、生命周期短、不需要长期维护。

5.2 Vibe Coding不适合什么？

从技术边界来看：

• 需求模糊：如果用户说“做一个好看的网站”，AI无法生成有效代码

• 复杂逻辑：涉及多模块协作、状态管理、性能优化的大项目

• 生产级系统：缺乏版本控制、测试覆盖、安全审查，上线后风险极高

CTO们的共识是：Vibe Coding适合把想法从0推到0.7，但0.7到1.0需要人工接手。

5.3 从Vibe Coding到Vibe Engineering

值得关注的是，2026年的行业趋势已经从Vibe Coding演进到了Vibe Engineering。两者的核心区别是：

维度	Vibe Coding	Vibe Engineering
方法	直觉驱动，反复调整Prompt	规范驱动，强调架构约束
结果	0→1极速爆发，易产生屎山	规模化交付，长期可维护
角色	单人“提示-粘贴-祈祷”模式	团队协作，规范先行

简单说，Vibe Engineering = Vibe Coding + Spec-Driven Development。先写规范文档（Spec），再让AI在规范的护栏内生成代码。

小结：Vibe Coding，不是银弹，但也不是玩具

一周的实践下来，我对Vibe Coding的态度从“怀疑”变成了“审慎乐观”。

它确实能大幅提升原型开发速度，让非技术人员也能拥有“造工具”的能力。但我也清楚它的边界：它是原型利器，但不是生产级系统的答案。

如果你问我：Vibe Coding会取代程序员吗？

我会引用Fastly那份调查的结论：95%的开发者需要额外花时间修改AI代码，而这些修复工作最终落在了资深工程师身上。AI没有取代程序员，只是让程序员多了一个“AI保姆”的身份。Vibe Coding真正改变的，是开发者的工作方式——从“写代码”变成了“指挥代码生成”。

而像AiPy这种“代码即代理”的工具，让我看到了Agentic Engineering的一种落地形态：自己能写、自己能跑、自己能修。这种能力，至少在原型开发这个场景里，是真的能打。