Co-Pilot / 辅助式
更新于 a month ago

vibe-coding-cn

22025Emma
10.2k
2025emma/vibe-coding-cn
50
Agent 评分

💡 摘要

一份全面的AI结对编程方法论指南,专注于规划、模块化以及提示词与技能的递归自我优化。

🎯 适合人群

刚接触AI辅助编程的开发者设计AI增强工作流的技术负责人寻求系统化优化方法的提示词工程师

🤖 AI 吐槽:这是一份与AI一起编码的哲学宣言,却忘了包含任何实际的代码。

安全分析中风险

指南推荐的工具(CLI、模型)可能执行shell命令或处理敏感项目数据。风险:通过推荐的第三方服务间接引入供应链和数据泄露风险。缓解措施:在使用前审计并沙箱化任何CLI工具,避免将敏感代码发送到不可信的外部AI端点。

Vibe Coding 指南

一个通过与 AI 结对编程,将想法变为现实的终极工作站


📚 相关文档 🚀 入门指南 ⚙️ 完整设置流程 📞 联系方式 ✨ 支持项目 🤝 参与贡献

本仓库的 AI 解读链接:zread.ai/tukuaiai/vibe-coding-cn


🖼️ 概览

Vibe Coding 是一个与 AI 结对编程的终极工作流程,旨在帮助开发者丝滑地将想法变为现实。本指南详细介绍了从项目构思、技术选型、实施规划到具体开发、调试和扩展的全过程,强调以规划驱动模块化为核心,避免让 AI 失控导致项目混乱。

核心理念: 规划就是一切。 谨慎让 AI 自主规划,否则你的代码库会变成一团无法管理的乱麻。

注意:以下经验分享并非普遍适用,请在具体实践中结合场景,辩证采纳。

🔑 元方法论 (Meta-Methodology)

该思想的核心是构建一个能够自我优化的 AI 系统。其递归本质可分解为以下步骤:

延伸阅读:A Formalization of Recursive Self-Optimizing Generative Systems

1. 定义核心角色:

  • α-提示词 (生成器): 一个“母体”提示词,其唯一职责是生成其他提示词或技能。
  • Ω-提示词 (优化器): 另一个“母体”提示词,其唯一职责是优化其他提示词或技能。

2. 描述递归的生命周期:

  1. 创生 (Bootstrap):

    • 使用 AI 生成 α-提示词Ω-提示词 的初始版本 (v1)。
  2. 自省与进化 (Self-Correction & Evolution):

    • 使用 Ω-提示词 (v1) 优化 α-提示词 (v1),从而得到一个更强大的 α-提示词 (v2)
  3. 创造 (Generation):

    • 使用进化后的 α-提示词 (v2) 生成所有需要的目标提示词和技能。
  4. 循环与飞跃 (Recursive Loop):

    • 将新生成的、更强大的产物(甚至包括新版本的 Ω-提示词)反馈给系统,再次用于优化 α-提示词,从而启动持续进化。

3. 终极目标:

通过此持续的递归优化循环,系统在每次迭代中实现自我超越,无限逼近预设的预期状态

🧭 道

  • 凡是 ai 能做的,就不要人工做
  • 一切问题问 ai
  • 目的主导:开发过程中的一切动作围绕"目的"展开
  • 上下文是 vibe coding 的第一性要素,垃圾进,垃圾出
  • 系统性思考,实体,链接,功能/目的,三个维度
  • 数据与函数即是编程的一切
  • 输入,处理,输出刻画整个过程
  • 多问 ai 是什么?,为什么?,怎么做?
  • 先结构,后代码,一定要规划好框架,不然后面技术债还不完
  • 奥卡姆剃刀定理,如无必要,勿增代码
  • 帕累托法则,关注重要的那20%
  • 逆向思考,先明确你的需求,从需求逆向构建代码
  • 重复,多试几次,实在不行重新开个窗口,
  • 专注,极致的专注可以击穿代码,一次只做一件事(神人除外)

🧩 法

  • 一句话目标 + 非目标
  • 正交性,功能不要太重复了,(这个分场景)
  • 能抄不写,不重复造轮子,先问 ai 有没有合适的仓库,下载下来改
  • 一定要看官方文档,先把官方文档爬下来喂给 ai
  • 按职责拆模块
  • 接口先行,实现后补
  • 一次只改一个模块
  • 文档即上下文,不是事后补

🛠️ 术

  • 明确写清:能改什么,不能改什么
  • Debug 只给:预期 vs 实际 + 最小复现
  • 测试可交给 AI,断言人审
  • 代码一多就切会话

📋 器

集成开发环境 (IDE) & 终端

  • Visual Studio Code: 一款功能强大的集成开发环境,适合代码阅读与手动修改。其 Local History 插件对项目版本管理尤为便捷。
  • 虚拟环境 (.venv): 强烈推荐使用,可实现项目环境的一键配置与隔离,特别适用于 Python 开发。
  • Cursor: 已经占领用户心智高地,人尽皆知。
  • Warp: 集成 AI 功能的现代化终端,能有效提升命令行操作和错误排查的效率。
  • Neovim (nvim): 一款高性能的现代化 Vim 编辑器,拥有丰富的插件生态,是键盘流开发者的首选。
  • LazyVim: 基于 Neovim 的配置框架,预置了 LSP、代码补全、调试等全套功能,实现了开箱即用与深度定制的平衡。

AI 模型 & 服务

  • Claude Opus 4.5: 性能强大的 AI 模型,通过 Claude Code 等平台提供服务,并支持 CLI 和 IDE 插件。
  • gpt-5.1-codex.1-codex (xhigh): 适用于处理大型项目和复杂逻辑的 AI 模型,可通过 Codex CLI 等平台使用。
  • Droid: 提供对 Claude Opus 4.5 等多种模型的 CLI 访问。
  • Kiro: 目前提供免费的 Claude Opus 4.5 模型访问,并提供客户端及 CLI 工具。
  • Gemini CLI: 提供对 Gemini 模型的免费访问,适合执行脚本、整理文档和探索思路。
  • antigravity: 目前由 Google 提供的免费 AI 服务,支持使用 Claude Opus 4.5 和 Gemini 3.0 Pro。
  • AI Studio: Google 提供的免费服务,支持使用 Gemini 3.0 Pro 和 Nano Banana。
  • Gemini Enterprise: 面向企业用户的 Google AI 服务,目前可以免费使用。
  • GitHub Copilot: 由 GitHub 和 OpenAI 联合开发的 AI 代码补全工具。
  • Kimi K2: 一款国产 AI 模型,适用于多种常规任务。
  • GLM: 由智谱 AI 开发的国产大语言模型。
  • Qwen: 由阿里巴巴开发的 AI 模型,其 CLI 工具提供免费使用额度。

开发与辅助工具

  • Augment: 提供强大的上下文引擎和提示词优化功能。
  • Windsurf: 为新用户提供免费额度的 AI 开发工具。
  • Ollama: 本地大模型管理工具,可通过命令行方便地拉取和运行开源模型。
  • [**Me
五维分析
清晰度5/10
创新性7/10
实用性8/10
完整性2/10
可维护性3/10
优缺点分析

优点

  • 提倡有纪律的、规划驱动的AI开发。
  • 提供了一个新颖的提示词/技能递归优化框架。
  • 整理了一份有价值的AI编码工具和模型列表。

缺点

  • README纯粹是概念性的;没有提供可执行代码或技能。
  • 缺乏具体的、循序渐进的实现示例。
  • 结构密集且偏哲学性,可能阻碍实际应用。

相关技能

pytorch

S
toolCode Lib / 代码库
92/ 100

“它是深度学习的瑞士军刀,但祝你好运能从47种安装方法里找到那个不会搞崩你系统的那一个。”

agno

S
toolCode Lib / 代码库
90/ 100

“它承诺成为智能体领域的Kubernetes,但得看开发者有没有耐心学习又一个编排层。”

nuxt-skills

S
toolCo-Pilot / 辅助式
90/ 100

“这本质上是一份组织良好的小抄,能把你的 AI 助手变成一只 Nuxt 框架的复读机。”

免责声明:本内容来源于 GitHub 开源项目,仅供展示和评分分析使用。

版权归原作者所有 2025Emma.