Vibe Coding实战指南:Claude Code+Cursor全栈开发

梳理B站“绿皮书”课程,给出从环境到部署的Vibe Coding系统学习路径。
文章基于B站一套被称为“绿皮书”的AI编程系列课程,梳理出一条可执行的Vibe Coding学习路径。课程以Claude Code和Cursor为主轴,采用“先跑通、再深入”的分层设计:先用托管工具让零基础者快速上线第一个网页,再补齐大语言模型、令牌、函数调用、上下文窗口与提示工程等底层概念。工具链覆盖AI编程入口、后端数据库、前端设计、部署托管与版本控制,但学习主线清晰:环境→Git→用Claude Code做全栈→用Cursor做研究型应用→安全收尾。文章特别强调支付集成与后台跟踪是区分demo与可售卖产品的分水岭,并指出安全合规与内容持续更新是这类课程的生命线。
AI编程正在从“辅助补全”走向“自然语言驱动全栈开发”。B站上有一套被创作者称为“绿皮书”的系列课程,以Claude Code和Cursor为主轴,串联起从环境搭建到部署上线的完整链路。本文基于该课程的内容框架,梳理出一条可执行的Vibe Coding学习路径,并穿插对工具定位与工程实践的分析。
为什么Vibe Coding需要系统化学习
“Vibe Coding”常被误解为“对着AI说一句话就能出应用”。但课程开篇就强调:你的大脑需要全神贯注于手头的任务。工具替你写代码,不代表你可以跳过对技术栈的理解。真正的效率来自知道每一步在做什么、为什么这样做。
课程的设计思路是“先跑通、再深入”:先用托管工具让零基础的人几分钟内上线第一个网页,建立正反馈,再回头补齐大语言模型、令牌、函数调用、上下文窗口和提示工程这些底层概念。这种分层推进的方式,比一上来就啃理论更符合学习曲线。
Vibe Coding 一词由 Andrej Karpathy 于 2025 年初提出,指开发者用自然语言描述意图、由大语言模型生成并迭代代码的编程方式,强调“跟随感觉”快速产出而非逐行手写。它与传统“辅助补全”的区别在于:补全只预测下一行,而 Vibe Coding 让模型承担从函数到整个文件乃至项目的生成职责。这也解释了为什么它仍需要系统学习——模型能力越强,开发者对需求拆解、上下文组织与结果验证的把控就越关键,否则容易陷入“代码能跑但看不懂、改不动”的状态。
工具链全景:从IDE到部署
课程覆盖的工具数量相当多,可以按职责分为几层:
- AI编程入口:Claude Code、Cursor、Gemini CLI、OpenCode,以及即时构建器类工具
- 后端与数据库:Node.js、Python、Supabase
- 前端与设计:React系前端框架、Dribbble作为设计参考来源
- 部署与托管:Vercel、Cloudflare Workers
- 版本控制:Git与GitHub
据课程介绍,每个项目都配有可克隆的代码库和相关资源PDF。截图显示,课程页面将PDF下载链接与各讲座一一对应,方便学习者随时定位到当前进度所需材料。这种“资源跟着课程走”的组织方式,对自学场景很实用。

系统准备与版本控制基础
第二节聚焦环境安装:Python环境配合包管理器、Node环境配合npm,以及Git与GitHub的基本操作。课程的态度很务实——如果你已经装好了所有组件,可以跳过;缺哪个就补哪个讲座。
Git部分被单独强调,因为后续所有AI代理的产出都需要纳入版本管理。提交、推送、拉取、添加、克隆这些操作看似基础,却是让AI生成的代码可控、可回滚的前提。课程还提出一个观点:编程代理的作用不止于编码,可以用于所有知识工作。这意味着Git工作流本身也是代理可以接管的一类任务。

编程代理(coding agent) 指能够自主规划步骤、调用工具(读写文件、执行命令、访问网络)并迭代完成任务的 AI 系统,Claude Code、Cursor 的 Agent 模式、OpenCode 均属此类。与单轮问答的聊天机器人不同,代理具备“感知—决策—行动—观察”的循环,因而可以接管 Git 提交、运行测试、检索文档等知识工作。理解这一区别很重要:使用代理时,人的角色从“写代码”转为“定义目标、审查产出、设置权限边界”,这也是课程强调版本控制与安全合规的底层原因。
用Claude Code开发第一个全栈应用
第四节是整门课的重头戏。流程大致是:先讲提示工程与项目配置,然后从零编写一个财务追踪应用,完成测试、改进、调试后推送。接着开启新项目,在Node中构建后端,用Claude Code开发前端,最终发布并托管到Vercel上。
应用上线后还要解决三件事:用Supabase做用户登录、集成支付链接以便售卖、以及后台的自动跟踪。课程特别指出,如果你卖东西,后台必须可靠。这一步把“能跑的demo”和“能收钱的产品”区分开来,也是很多Vibe Coding教程容易略过的环节。
对于希望本地运行全部流程的人,课程提供了一个基于Google API之外的后台运行替代方案,降低了对外部服务的依赖。
进阶技巧:把Claude Code用出体系
第五节集中展示了一批提升效率的机制:
- YOLO模式管理访问权限,或在Claude Code中跳过权限设置
- 自定义斜杠命令,把高频操作固化下来节省时间
- 多代理系统,让多个操作并行执行
- 钩子(hooks) 实现自动化
- 技能(skills) 的创建与复用,包括使用Vercel等库中的技能
- 构建自我改进的代理,应用自动研究技术
- 结合测试驱动开发的验证技巧
- 命令型工具如GitHub CLI、Google CLI、Python CLI的配合使用
课程还演示了用Gemini嵌入构建多模型推荐系统应用,以及通过Ollama在Claude Code中运行开源大语言模型。循环定时任务与后台自主运行的部分,指向的是“你无需做任何事情”的自动化工作流。最后分享的Claude Code创始人最佳技巧,属于一手经验,值得单独留意。

上下文窗口(context window) 是模型单次能处理的令牌总量上限,决定了它能“同时看到”多少代码、文档与对话历史。Claude Code 等工具的效率瓶颈往往不在模型智力,而在上下文管理:把无关文件排除、用简洁的指令替代冗长背景、在长任务中主动压缩历史,都能显著提升输出质量。课程中提到的自定义斜杠命令、技能复用与多代理并行,本质上都是把重复信息固化为可复用的上下文片段,从而把有限的窗口留给真正需要推理的内容。
Cursor、OpenCode与安全合规
第六节转向Cursor:先讲工作原理速成,再概述Python技术栈,一起构建原型,并演示如何把技术文档信息喂给工具。随后构建一个深度研究代理,并讨论可观测性。
第八节讨论OpenCode,覆盖它是什么、各操作系统安装方式、VPS部署、入职流程,以及如何与现有工具整合。第九节则进入语音助手方向,从技术原理讲到GitHub项目概览,再用Python构建含AI头像的完整应用。
第十节回到工程底线:提示注入的防范、内容的安全托管、API密钥的妥善管理。这些内容在快速开发中容易被忽视,但一旦上线就是真实风险。

提示注入(prompt injection) 指攻击者在模型读取的数据(网页、文档、代码注释、API 返回)中植入恶意指令,诱导代理偏离原任务、泄露密钥或执行危险操作。在代理能自主调用工具的架构下,这一风险被放大:一段被爬取的网页文本就可能让代理把环境变量发送到外部地址。常见缓解手段包括最小权限原则、对工具调用做人工确认、隔离不可信内容与系统指令、以及对敏感操作设置白名单。课程把这一节放在上线前,正是因为它属于产品化的必要底线而非可选优化。
课程之外的三点判断
第一,工具多不等于路径清晰。课程列出了大量工具,但真正的学习主线只有一条:环境→版本控制→用Claude Code做全栈→用Cursor做研究型应用→安全收尾。其余工具是这条主线上的替换项或增强项,不必全部掌握再开始。
第二,部署和支付是分水岭。能本地跑通的项目和能上线收钱的项目之间,隔着登录、支付、后台跟踪三道关。课程把这些放在同一节里完成,说明创作者理解产品化的真实门槛。
第三,内容更新是这类课程的生命线。该领域变化极快,创作者明确表示课程会持续更新,代码库和编辑器都会同步。对学习者而言,选择有维护承诺的教程,比囤积静态资源更划算。
相关推荐

AI时代为何必须掌握Git:从版本控制到Agent协作
Git和GitHub有什么区别?AI Agent写代码后如何用Issue、分支和Pull Request管理改动?本文基于NetworkChuck的Git教程,梳理从git init到冲突处理的完整流程,并分析AI时代版本控制为何成为必备技能。

OpenAI 6.2 Astra实测翻车:跑分惊艳,为何开发者却说难用?
OpenAI 6.2 Astra 跑分全面领先且价格更低,但早期测试者反馈其在长任务中频繁卡死、输出难以解析、资源管理失控。本文梳理实测中的真实体验与官方数据之间的落差,并分析这对开发者选型的意义。

GTA VI咖啡系统细节曝光:热咖啡竟能泼人?
Vergecast播客揭秘GTA VI咖啡系统:玩家可在公寓冲泡、自动贩卖机购买、餐厅点单,甚至将热咖啡泼向他人。这种对日常交互的细致还原延续了荒野大镖客2的沉浸感设计,引发对游戏细节与玩法平衡的讨论。