Vibe Coding核心技巧：把判断依据交给AI

多数人用AI编程的最大误区

很多人在使用Vibe Coding时，最常犯的错误是只说动作，不说判断。

Vibe Coding是2024年由Andrej Karpathy（OpenAI联合创始人、前Tesla AI总监）提出的概念，指的是开发者通过自然语言与AI编程助手（如Cursor、GitHub Copilot、Claude等）对话来完成编码工作，而非逐行手写代码。这种模式下，开发者的角色从"写代码的人"转变为"指导AI写代码的人"，核心能力从语法熟练度转向了需求表达的精确度和架构判断力。

比如一句看似正常的指令："帮我优化一下首页"——这句话把最关键的信息都藏起来了。首页给谁看？现在最大的问题是什么？这次是想小修还是大改？什么风格不能丢？哪些地方别碰？做到什么程度才算够？

这些东西你脑子里都有，但AI不一定知道。

与AI的协作质量高不高，差别不在于Prompt有多长，而在于你有没有把判断依据交给它。这里涉及到一个对Prompt Engineering（提示工程）的常见误解：很多人认为关键在于使用特定的魔法词汇或固定模板，但实际上研究表明，AI大语言模型的输出质量更多取决于上下文信息的完整性——即你提供了多少帮助模型缩小解空间的约束条件。判断依据本质上就是这些约束条件的自然语言表达，是AI从"通用执行"升级为"精准协作"的关键线索。

给AI派活时必须补充的六个判断维度

这六个维度本质上对应了软件工程中需求分析的经典框架：目标对应用户故事，背景对应业务上下文，痛点对应问题定义，尺度对应迭代范围，风格对应非功能性需求，边界对应技术约束。传统开发中这些信息通过PRD文档、站会、代码评审等多个环节传递，而在AI编程中需要在单次对话中高效压缩传达。

第一：这次到底要改变什么

不是让AI直接"优化首页"，而是明确期望——比如"让第一次来的用户更快明白这是一个AI协作工具"。

这句话一出来，AI的注意力就从"变好看"转到了"变清楚"。目标不同，产出的方向完全不同。

第二：为什么现在要改

比如"最近转化率低，用户看完首屏不知道下一步点哪里"。这个背景非常重要。没有背景，AI很容易给你一个通用优化方案；有了背景，它才知道这次是在解决转化问题，而不是继续调整视觉设计。

第三：现在最不爽的点是什么

比如"标题太抽象，三个功能点看起来都像营销词"。这比"感觉不高级"有用多了。

"感觉不高级"会把AI带进审美玄学的死胡同，而"标题抽象、功能点像营销词"才是能改的东西。给AI具体的痛点，它才能给你具体的方案。这背后的原理是：大语言模型需要明确的、可操作的约束来收敛输出空间，模糊的感受类描述会让模型在多个可能的方向上随机游走，而具体的问题描述则直接指向了解决路径。

第四：这次改动的尺度

比如"先小改，不要重做页面结构"。这个信息至关重要。AI很容易把一个30分钟的活干成半天的重构——不是它偷懒，恰恰相反，是它太愿意解决问题了。你不划定尺度，它就会倾向于给出最彻底的方案。

这种现象有其技术原因：大语言模型在训练过程中接触了大量最佳实践和重构案例，当它识别到代码中存在可优化空间时，会倾向于给出最完整的解决方案。在软件工程中这被称为"scope creep"（范围蔓延），在AI编程场景下尤为突出，因为AI没有时间成本的概念，不会自动权衡"改动收益"与"改动风险"的平衡。明确尺度就是在帮AI建立这个权衡框架。

第五：项目里不能丢的味道

比如"保留现在的克制、偏工具感的风格，不要做成SaaS的落地页"。

这句话比"高级一点"有用十倍。因为"高级"太宽了——有人觉得留白高级，有人觉得黑金高级。你不说清楚，AI就只能去抽通用审美的盲盒。明确风格偏好，才能让产出稳定在你想要的方向上。

第六：哪些地方先别碰

比如"别动登录流程，别换UI库，别改接口"。你要告诉AI它的边界是什么。没有边界约束的AI，就像一个没有围栏的施工队，可能把不该拆的墙也拆了。

完整示范Prompt：六个维度一次到位

把以上六个信息整合起来，一个实际的Vibe Coding指令大概是这样的：

帮我改一下首页首屏。目标是让第一次来的用户更快明白这是一个AI写作工具。现在的问题是标题有点抽象，功能点也偏营销词。先小改，不要重做页面结构。保留现在的克制、偏工具感的风格，不要做成夸张的SaaS落地页。先看Home和Hero相关的文件，别引入新的UI库。

这段话里已经包含了完整的六个维度：

维度	内容
改什么	让用户更快理解产品定位
为什么改	标题抽象、功能点像营销词
哪里不爽	首屏信息传达不清晰
改多大	小改，不重做结构
保留什么	克制、工具感风格
别碰什么	不引入新UI库

值得注意的是，现代AI编程助手虽然拥有较大的上下文窗口（从几万到几十万token不等），但上下文窗口大不等于信息利用效率高。研究表明模型对上下文开头和结尾的信息关注度更高（即"Lost in the Middle"现象）。因此，像上面这样将最关键的判断信息——目标、约束、边界——以简洁有力的方式组织在一起，比写一个冗长但结构松散的Prompt更有效。

核心认知：AI执行质量取决于你给的判断线索

跟AI协作比较舒服的状态，不是写一个万字模板，而是把你脑子里的判断提前漏一点出来。

AI执行和补全的质量，完全取决于你给它的判断线索。你给它一点背景、尺度、偏好和边界，它才可以真正"加入"这个项目，而不是作为一个局外人给你通用建议。

这个思路不仅适用于前端页面优化，几乎所有AI编程场景都适用——写后端逻辑、重构代码、设计数据库结构，都需要你把"为什么这样做"的判断交出去，而不仅仅是"做什么"的动作。

记住：动作谁都会说，判断才是你的价值所在，也是AI最需要的输入。

核心要点

• Vibe Coding最常见的错误是只告诉AI动作（做什么），却不提供判断依据（为什么这样做）
• 给AI派活时应补充六个关键信息：改什么、为什么改、哪里不爽、改动尺度、不能丢的味道、哪里别碰
• AI协作质量的差别不在于Prompt长度，而在于是否把判断依据交给了AI
• 具体的痛点描述（如'标题太抽象'）远比模糊的感受（如'感觉不高级'）更有效
• 明确边界和尺度能防止AI过度重构，把30分钟的活变成半天的工程