最近尝试了一种新的开发方式：Vibe Coding。

简单来说，它的核心不是“写代码”，而是“描述需求”。开发者的角色从“实现者”，转变为“产品经理 + 架构设计者”，而具体实现则交给大模型完成。

这篇文章不重点讲项目实现，而是总结：如何更好地进行 Vibe Coding。

什么是 Vibe Coding

可以把 Vibe Coding 理解为一种新的开发流程：

1. 明确问题
2. 描述需求
3. 让 AI 生成实现
4. 持续修正与迭代

它并不是“让 AI 自动完成一切”，而是：

用更高质量的输入，换取更高质量的输出

Vibe Coding 的关键原则

以下是这次实践中总结出来最重要的几点。

1. 不要一开始就写代码

很多人一上来就问 AI：

“帮我写一个 XX 系统”

通常结果都不理想。

更合理的方式是：

• 先让 AI 帮你整理需求
• 生成一份 PRD（产品需求文档）

例如：

我想做一个论文管理系统，请帮我输出一份完整的 PRD，包括核心功能、用户流程、数据模型建议

这样做的好处是：

• 思路更清晰
• 减少后期返工
• 更容易拆分任务

2. PRD 必须人工参与修改

AI 生成的内容通常“看起来完整”，但一定存在问题：

• 功能冗余或缺失
• 逻辑不符合实际使用
• 没有考虑边界情况

你需要做的是：

• 删除不必要的功能
• 明确核心流程
• 补充关键细节

Vibe Coding 并不是“放手”，而是“更高层次的控制”。

3. 技术选型必须自己决定

如果完全交给 AI，常见问题包括：

• 技术栈混乱
• 引入不必要的复杂度
• 不符合个人或团队习惯

建议明确以下内容后再开始：

• 后端语言与框架
• 数据库类型
• 存储方案
• 是否接入 LLM 以及选择哪一个

原则是：

你负责做选择，AI负责执行

4. 在写代码之前先设计结构

这一点非常关键，但也最容易被忽略。

在生成代码之前，建议先让 AI 输出：

• 项目目录结构
• 模块划分
• 数据库设计
• 核心接口定义

例如：

基于上述 PRD，请帮我设计一个 Spring Boot 项目的目录结构和模块划分，并给出主要实体类和数据库表设计

这样可以显著减少后期重构成本。

5. Prompt 的质量决定结果的上限

Vibe Coding 本质上是 Prompt Engineering。

一个好的需求描述应该尽量具体，包括：

• 输入是什么
• 输出是什么
• 数据来源
• 约束条件
• 是否有示例

对比：

模糊描述：

帮我写一个分类功能

清晰描述：

实现一个论文分类功能：- 输入：论文 abstract 文本- 输出：多个分类标签- 分类来源：数据库中的 category 表- 要求：支持多标签返回

差别会非常明显。

6. 拆分任务，而不是一次性生成

不要试图一步生成整个系统。

更推荐的方式是逐步推进：

1. 数据库设计
2. 后端基础框架
3. 单个模块实现（如上传）
4. 核心逻辑（如分类）
5. 前端交互

拆分任务可以：

• 提高正确率
• 更容易定位问题
• 更方便调整方向

7. 把 AI 当成“初级工程师”

一个很有用的心态是：

把 AI 当成一个执行力很强，但需要明确指令的初级工程师

这意味着：

• 你要给清晰任务
• 你要做代码评审
• 你要控制整体架构

而不是完全依赖它的“自动发挥”。

8. 迭代比一次生成更重要

第一次生成的代码：

• 往往不完整
• 可能存在错误
• 风格不统一

关键在于不断迭代：

• 指出具体问题
• 要求局部修改
• 逐步收敛到可用状态

一个简单实践项目

在上述方法的基础上，我做了一个小项目：论文自动分类与代码关联系统。

这个系统的核心思路是：

• 上传论文 PDF
• 自动抽取摘要内容
• 调用大模型进行多标签分类
• 将论文与对应的代码仓库进行关联管理

在实现过程中，一个比较关键的点是：通过“研究方向 + 分类描述”来增强提示词，从而提升分类效果。这也体现了 Vibe Coding 中“描述清楚上下文”的重要性。

项目地址

如果你对这个项目感兴趣，可以在这里查看源码：

https://github.com/sgly333/VibeCoding/tree/main

如果对你有帮助，欢迎点一个 Star。