[控场AI]
· 5 分钟阅读· 2,788 字

Vibe Coding做出来的东西没人用?编程容易产品难

Vibe Coding做出来的东西没人用?编程容易产品难

AI让写代码变容易,但工具能否被反复使用取决于是否进入真实工作流并贴合具体场景。

文章围绕 B 站一期 Vibe Coding 分享展开,指出编程容易、产品难:AI 能快速写出跑通 demo 的代码,但 demo 与有人愿意反复使用的产品是两件事。Vibe Coding 降低了写代码门槛,受益最大的是懂业务的人,因为他们能判断结果对不对、哪一步最麻烦。报价工具的例子说明,价目表不能复用、单子不能续做、旧报价无法回查,工具就无法进入真实工作流。文章给出三步路径:从每天重复的小事选题、先定义怎样算做对、交给真实使用者独立完成一次。最后以 Agent Hub 的左右手操作打磨为例,说明产品细节只能靠真实使用暴露。

AI写代码越来越熟练,可为什么用AI做出来的小工具,demo跑通后却没人愿意打开第二次?B站一期关于Vibe Coding的分享里,主讲人点出了一个容易被忽略的事实:编程容易,产品难。

Vibe Coding是什么,它真正帮到谁

Vibe Coding最早指一种比较放手的写法——你在Agent对话框里把想做的东西讲给AI,它写代码,你跑一下,哪里不对就告诉它改哪里,主要看结果,有时连代码都不细看。现在这个词也常被用来泛指“用自然语言和AI一起写软件”。

现在大家也常用它来

那它对谁帮助最大?主讲人的判断是懂业务的人。你知道哪一步天天都在做,知道什么地方最麻烦,也知道结果出来对不对——这些判断你比AI清楚。相比之下,完全不碰业务的人即使让AI写出能跑的代码,也很难判断它是不是真的解决了问题。

这也回答了一个常见疑问:AI都会写代码了,还需要程序员吗?做个能验证想法的小工具,你可以先动手;但要天天用,就得把价目表接进来、把没做完的单子存下来、价格更新后还能查到旧报价,这些细节既需要业务判断,也离不开工程经验。

Vibe Coding 一词由 OpenAI 联合创始人 Andrej Karpathy 在 2025 年初提出,原意是“完全交给感觉”,与传统的逐行审查代码相对。它背后的技术基础是具备工具调用能力的大语言模型 Agent:模型不仅能生成代码,还能在本地执行、读取报错并自主修改。与之相邻的概念还有“低代码/无代码”,但后者依赖预设的图形化组件,而 Vibe Coding 直接生成可运行的源代码,灵活度更高,也更依赖使用者的验收能力。理解这一区别有助于判断:Vibe Coding 并没有消除工程复杂度,只是把复杂度从“怎么写”转移到了“怎么定义对、怎么验证对”。

报价工具为何跑通了却没人用

主讲人拿报价工具举例:告诉AI选商品、填数量、最后导出报价单,代码写出来了,PDF也能下载,demo跑通了。但客户明天又来报价时,价目表还得重录,昨天那张单还得从头做——你还愿意打开它吗?

这种“能跑的工业垃圾”并不少见。真正的分水岭不在代码能不能跑,而在它有没有进入真实工作流。把工具交给每天要报价的业务员,对方第一句可能就是:价目表Excel里已经有了,怎么还要我再录一遍?今天做到一半,明天能不能接着改?价格更新了,上个月那份报价还能查到吗?

他会不会主动打开它

这些问题没有一个属于“写代码”范畴,却决定了工具能不能活下来。判断标准也很朴素:业务员实际报一单,比原来少做了哪一步?如果原来的表格更顺,新工具就得给出一个让人愿意换的理由。

“进入真实工作流”在软件工程中常被描述为从原型(prototype)到生产可用(production-ready)的跨越。原型只验证核心逻辑能否跑通;生产可用则要求数据持久化、状态可恢复、历史可追溯、异常可处理。报价工具缺少的正是持久化层——价目表没有落到数据库或可复用的表格,半成品单据没有保存中间状态,历史报价没有版本记录。这些能力在技术上都属于常规工程实践,但需要事先设计数据模型和存储方案,而不是在对话里让 AI“顺手加上”。这也解释了为什么 demo 与产品之间往往隔着数倍的工作量。

不懂技术,怎么用AI做出能用的工具

主讲人给了三步路径,核心都是把“做对”定义清楚,而不是急着让AI写代码。

第一步:挑一件你老是碰到的小事

先说清楚谁来用、手里有什么东西、最后要拿到什么结果。比如报价这件事,你手里有价目表,也知道三千三百元这个结果怎样算出来,任务边界就清晰了。

第二步:先想好怎样算做对

拿几组自己已经知道答案的例子试一遍:正常的要跑对,缺东西、填错了也要让用的人知道怎么处理。“A01本来报两件误填成了二十件,程序照样能算出两万四千九百元,算式是对的,单子却报错了”——这正是需要提前设计的核对场景。

两万四千九百元

所以商品单价、数量和合计都要摆出来,让用的人在导出之前核对一遍。正确不只是“能算出数”,还要让人能发现数算错了。

第三步:给真正做这件事的人用一次

你先别在旁边教,看看他能不能自己做完,下次又碰到同样的事,他会不会主动打开它。这比演示时跑通一次更有说服力。

这种方法在可用性工程中称为“形成性可用性测试”:让真实目标用户在不接受指导的情况下独立完成任务,观察其能否顺利完成、在何处卡住、是否愿意再次使用。它与演示式验收的关键区别在于取消了口头提示和现场救场,能暴露设计者习以为常却对用户不友好的环节。测试样本不需要多,通常 5 名左右用户就能发现大部分严重可用性问题。对个人开发者而言,把工具交给一位每天要报价的同事实际做一单,成本极低,却比任何功能清单都更能回答“这个工具值不值得继续做”。

从右手到左手:围着具体场景打磨Agent Hub

主讲人还展示了自研的Agent Hub:可以在手机上操作多台电脑里的Codex,连好的电脑都在列表里,点一下切换,继续看绘画、发指令。

右边这个麦克风

功能能跑之后,问题才刚开始。右手操作时,麦克风在右边,点一下开始录音,再点右侧停止,文字出来后再发送,开始和发送都在右边,右手用起来顺手。可如果躺在床上习惯用左手拿手机、只想单手操作呢?开始录音和发送都在最右边,左手拇指就得伸过去够。

改法是围着输入区重新安排三步:在输入区直接长按开始录音,左手拇指停在原位就能说话;说完点一下声纹结束录音并开始转写,文字出来先看一眼识别对不对;看清文字后在输入区上滑松手发送。进入绘画后再看Codex的处理状态——左手就能围着输入区把开始、转写、发送连起来。

这个例子说明,产品打磨的颗粒度往往落在“用哪只手”“躺在哪里”这种具体场景里,而这些细节不会出现在需求文档里,只能靠真实使用暴露出来。

三个可复用的结论

把三个点连起来看:从每天重复的小事里选题,先把一个小任务做清楚;围着具体场景打磨,右手能用不代表左手单手也能用,长按录音、点声纹转写、上滑发送才是能拿起来的改法;把工具交给真正用的人,你先别教,让他自己把一张报价做完,下次还会不会主动打开,这比演示更有说服力。

AI越会写代码,受益最大的可能不是写代码的人,而是最懂业务痛点、又愿意围着场景反复改的人。你用AI做过的小工具后来还在用吗?如果没继续用,最麻烦的是哪一步?

#Vibe Coding#AI编程#AI做小工具#Agent Hub#产品打磨#业务场景#AI写代码
分享:

相关推荐