Vibe Coding是什么？程序员必须掌握的AI编程能力

Vibe Coding：AI编程正在重塑研发流程

Vibe Coding（AI编程）在近两年迅速走红，成为软件开发领域绕不开的话题。据这位B站UP主介绍，其团队较早拥抱AI编程，并在实践中强制要求团队全程使用AI工具来提升效率。据其描述，AI编程真正走向成熟大约在近期，团队据此已开发了大量工业级项目，积累了丰富经验。

所谓Vibe Coding，简单说就是开发者从"亲手写代码"转向"指挥AI生成代码"的开发模式。UP主提到，团队的要求甚至是"不准写代码"，从需求分析、需求调研、架构设计、技术选型，到代码落地、测试、部署上线的全流程，都由AI主导完成。这种转变的背后，是效率与成本结构的根本变化。

效率与人力成本的重构

UP主给出了一组直观的对比：以前需要50个程序员完成的工作，现在大约5个人就能搞定。人力成本大幅下降的同时，管理成本也随之降低——管理5个人显然比管理50个人轻松得多。这套逻辑虽然是单一来源的经验之谈，数字可能有夸张成分，但方向上反映了行业的真实趋势。

UP主还引用了业界信号作为佐证，例如Claude Code的CEO团队内部工程师"几乎不写代码"。这些说法指向同一个判断：编码这项工作本身的价值正在被重新定义。

谁会被淘汰：传统程序员的两种定义

视频中抛出了一个颇具冲击力的观点——"传统程序员几个月后会被淘汰"。UP主对"传统程序员"给出了两层定义：

• 只会做简单CRUD（增删改查）的程序员
• 没有拥抱AI编程、不会使用AI编程工具的程序员

这个判断值得辩证看待。它并非说程序员职业会消失，而是强调技能结构的迁移。能用AI工具放大产出、具备系统设计与架构判断力的开发者，反而会更加稀缺和值钱。

前端岗位承压，后端职能扩张

UP主提到一个具体现象：不少企业的前端程序员被裁减，原因有二。其一，前端代码相对容易被AI快速生成；其二，有了AI辅助后，后端程序员也能覆盖前端工作。结果是团队结构向后端倾斜，前端岗位从10人缩减到保留1到2人的情况开始出现，部分企业还要求前端转向后端。

这一说法属于单一来源的观察，具体裁员规模难以核实，但"前后端边界因AI而模糊"的趋势确实有讨论价值。对前端开发者而言，补齐后端技能与AI工具能力，是应对变化的现实选择。

前端代码之所以更容易被 AI 替代，与前端工作的技术特性密切相关。前端开发大量依赖固定的 UI 组件库（如 Ant Design、Element Plus）、标准化的页面布局模式和可预测的交互逻辑，这类"样板代码"正是大语言模型最擅长生成的内容。相比之下，后端代码往往涉及更复杂的业务规则、数据模型设计、并发处理和系统集成，对领域知识和架构判断的要求更高，AI 难以完全自主完成。因此，在 AI 辅助下，后端开发者"顺手"覆盖前端工作的成本急剧下降，而反向路径——前端独立承担后端复杂度——仍然较难。这一不对称性是前端岗位当前承压的技术逻辑所在。

CRUD（Create, Read, Update, Delete）即增删改查，是指对数据库记录进行基本操作的编程工作，是大量业务系统后端逻辑的基础组成部分。长期以来，编写标准化的数据接口、表单提交逻辑、列表查询等 CRUD 代码占据了许多初中级程序员的主要工作量。这类代码结构高度重复、模式固定，是 AI 代码生成最早实现高质量替代的领域之一。当 AI 能在几秒内生成符合规范的 CRUD 模块时，仅掌握此类技能的开发者的市场价值自然受到直接冲击。这并不意味着业务逻辑本身不重要，而是说"手写 CRUD"这一具体劳动的稀缺性已大幅降低，能力溢价转移到了架构设计、需求拆解和 AI 协作编排等更高层次的技能上。

方法论比工具更重要

视频反复强调的一点是：AI编程听起来简单，但要用它开发企业级、工业级项目并不容易，很容易出错。UP主称团队累计消耗了700亿token，实战了几十个项目后，才总结出一套基于AI协同的开发工程体系。

这里的核心洞见是——AI编程本身不稳定，如何在不稳定中获得稳定输出，靠的是方法论。单纯把工具功能过一遍意义不大，真正的价值在于用案例驱动、在真实项目中沉淀出可复用的工程经验。

两大主力工具：Cursor 与 Claude Code

UP主认为，截至录制时，全球范围内最好用的AI编程工具是Cursor和Claude Code，并预判未来会有更多优秀工具涌现。课程也主要围绕这两个工具展开，从环境搭建到进阶技巧逐步讲解。

Cursor 是一款基于 VS Code 深度改造的 AI 编程 IDE，内置与大语言模型的对话界面，支持在编辑器内直接用自然语言描述需求、修改代码、解释报错。其核心能力在于"上下文感知"——它能读取整个代码仓库的结构，而不只是当前文件，从而给出更符合工程现实的建议。Claude Code 则是 Anthropic 推出的命令行 AI 编程工具，直接在终端运行，可以读写文件、执行命令、调用 Git，相当于在 Shell 层面拥有一个能理解代码意图的 AI 助手。两者定位略有不同：Cursor 更偏向 GUI 交互与实时代码补全，Claude Code 更擅长跨文件批量操作和自动化执行任务链。在实际工程中，两者往往互补使用——Cursor 处理局部编辑与快速迭代，Claude Code 负责大范围重构或自动化脚本流程。

AI 编程在工业级项目中容易出错的根本原因，在于大语言模型生成代码时缺乏对整体工程上下文的持续追踪——它每次对话都是局部视野，难以自动维护跨文件的一致性、接口契约和业务约束。常见问题包括：重复生成功能雷同但命名不同的函数、忽视已有工具类而另起炉灶、在不同会话间"遗忘"已确定的技术选型等。这就是为什么方法论比工具本身更关键：需要通过结构化的提示词模板、分层的任务拆解、明确的文档锚点（如架构说明、接口文档）来弥补模型上下文窗口的天然局限，让 AI 在一个被约束好的轨道上稳定输出，而不是每次都"自由发挥"。

课程结构：五大篇章与四类项目能力

从分享的课程大纲看，内容采用"案例驱动"的思路，覆盖了从入门到实战的完整路径：

• 篇章一：AI编程经验分享与Cursor、Claude Code的环境搭建
• 篇章二：用Cursor从零到一开发前后端智能问数系统
• 篇章三：基于开源顶级项目（如Overclose/小龙虾）做二次开发的进阶练习
• 篇章四：重点讲解Claude Code的使用，仍以案例驱动
• 篇章五：两个大型项目——多模态知识库的全流程开发，以及需要多人协作的超大型项目工程化交付

四个项目分别交付什么能力

课程设计的四个项目各有侧重：

1. 智能问数系统：首次展示AI驱动的全栈开发，让开发者体验从"码字"到"指挥AI"的转变
2. 开源项目二次开发：应对企业中80%功能符合需求、20%需定制的常见场景
3. 完整系统构建：从模糊想法出发，通过与AI持续交互，打磨出可迭代可维护的工程
4. 大型协作项目：多人团队配合下的标准化交付，涵盖代码管理、打包编译、部署与灰度测试

哪些人应该学习AI编程

UP主指出，这套能力已不再是程序员的专属技能：

• 遇到瓶颈期的资深开发者，或还不会AI编程的人
• 只会盲目、简单使用AI工具，效率没有指数级提升的开发者
• 前端程序员，或需要向后端拓展的开发者
• PM、运营及管理岗位：他们不需要写工业级项目，但需要快速做出MVP来验证想法

最后这一点尤其值得关注。对非技术岗位来说，AI编程降低了做原型的门槛——不需要懂背后的技术架构，只需知道如何与工具交互，就能把想法快速实现出来。这也是Vibe Coding最具普惠性的一面：它把"造软件"这件事的入口，向更多角色打开了。