什么是 Vibe Coding

概念起源

2025 年 2 月，前特斯拉 AI 总监、OpenAI 联合创始人 Andrej Karpathy 在社交媒体上发布了一条改变行业认知的推文，首次提出了 Vibe Coding 这一概念：

"There's a new kind of coding I call 'vibe coding', where you fully give in to the vibes, embrace exponentials, and forget that the code even exists."

——Andrej Karpathy, 2025 年 2 月

Karpathy 描述了自己使用 AI 工具（如 Cursor 和 Claude）进行开发的体验：用语音输入需求，让 AI 生成整个模块，遇到报错直接把错误信息粘贴给 AI 而不去深入理解，直到最终跑通为止。他甚至说："我有时候根本看都不看那些代码。"

这段描述迅速引发了开发者社区的广泛共鸣与争议，也开启了软件开发范式转变的公开讨论。

核心定义

Vibe Coding 是一种以 AI 为核心的软件开发模式，其本质是：

开发者用自然语言描述意图，AI 负责生成、修改和调试代码，人类专注于方向把控与结果验证，而非逐行编写代码。

这种模式有别于传统的"AI 辅助编程"——在传统模式中，AI 只是补全工具，开发者仍然是代码的主要作者。在 Vibe Coding 中，AI 才是代码的主要生产者，开发者扮演的是产品经理、架构师和质量把关者的角色。

与传统 AI 辅助的核心区别

维度	传统 AI 辅助编程	Vibe Coding
代码作者	开发者为主，AI 为辅	AI 为主，开发者为辅
交互方式	逐行补全、单函数生成	对话式、多轮迭代
上下文管理	单文件或片段级别	项目级别的持久上下文
对代码的理解要求	必须深度理解每行代码	理解系统行为即可
验证方式	代码审查为主	运行验证为主
适用阶段	开发全程	原型到生产均可（需配套工程实践）

核心特征

1. 意图驱动（Intent-Driven）

Vibe Coding 的核心是"描述你想要什么，而非告诉 AI 怎么做"。开发者的输入从具体的实现指令，转变为高层次的业务意图。

示例对比：

传统方式（指令式）：

写一个函数，接受用户 ID，查询 PostgreSQL 数据库的 users 表，
返回包含 name 和 email 字段的对象，如果不存在返回 null。

Vibe Coding 方式（意图式）：

我需要根据用户 ID 获取用户信息，项目用的是 PostgreSQL，
结合我们现有的 db.ts 工具模块来实现。

前者要求开发者对实现细节了如指掌，后者让 AI 自主利用已有代码库的上下文生成最合适的实现。

2. 对话式迭代（Conversational Iteration）

Vibe Coding 不是一次性生成，而是持续的对话过程。每一轮交互都在上一轮的基础上细化：

第一轮：生成用户登录页面
第二轮：加上"记住我"功能，超时时间改为 30 天
第三轮：登录失败时显示具体错误原因，不要只说"登录失败"
第四轮：把表单提交改成防抖，避免重复点击

这种方式更接近于向一名协作者提出需求，而非向机器下达指令。

3. 人机协作（Human-AI Collaboration）

Vibe Coding 并非"人类消失，AI 接管一切"。恰恰相反，它要求人类在更高维度上保持掌控：

• 人类负责：业务目标、架构决策、安全边界、最终验证
• AI 负责：代码生成、语法细节、样板代码、错误修复
• 协作核心：人类理解系统"做什么"，AI 处理系统"怎么做"

4. 渐进式验证（Progressive Verification）

Vibe Coding 强调每次生成后立即验证，通过小步快跑来积累可靠成果，而非一次生成大量代码后再统一测试。

发展演进

早期（2025 年初）

Karpathy 提出概念时，Vibe Coding 主要被用于个人项目和快速原型。工具生态相对简单：Cursor + Claude/GPT，主要面向有一定基础的开发者。

批评声音也随之而来：Cloudflare、Google 等公司的工程师指出，纯粹的 Vibe Coding 会产生开发者无法维护的"黑箱代码"，安全风险难以管控。

成熟期（2025 年中至 2026 年初）

行业迅速响应，Vibe Coding 实践发生了重要演进：

1. 结构化上下文：CLAUDE.md、.cursorrules、AGENTS.md 等规范文件成为标配，将架构约束和团队规范注入 AI 上下文
2. 多模型编排：不同任务使用不同模型（如 Claude 用于复杂逻辑，GPT-4o 用于快速生成，Gemini 用于长上下文分析）
3. 分层验证体系：自动化测试、代码审查、安全扫描成为 Vibe Coding 工作流的必要组成部分
4. Context Coding 的分化：强调"有规范的 Vibe Coding"，区别于无节制的随意生成（详见对比章节）

现状（2026 年初）

~92%美国开发者日常使用 AI 编程工具

>30%全球新增代码由 AI 生成

20-40%头部科技公司内部 AI 代码占比

根据多项行业调查数据，到 2026 年初：

• 约 92% 的美国开发者在日常工作中使用某种形式的 AI 辅助编程
• AI 生成的代码占全球代码总量的比例据估计已超过 30%
• GitHub、Google、Amazon 等科技巨头内部，AI 辅助代码的比例更高达 20%-40%
• 传统意义上的"纯手写代码"项目越来越少见，尤其是在初创公司和快速迭代场景

Vibe Coding 已经从一种个人实验演变为行业主流实践，尽管各团队的采用深度和规范程度差异很大。

为什么现在

Vibe Coding 的兴起不是偶然，它是多重技术趋势汇聚的结果：

驱动因素	说明
模型能力跃升	GPT-4、Claude 3.5 Sonnet 等模型具备真正的代码理解和生成能力
上下文窗口扩大	从 4K tokens 到 200K+，AI 可以"读懂"整个代码库
工具链成熟	Cursor、Windsurf、Copilot Workspace 等工具提供了流畅的开发体验
开发者需求变化	更快的交付速度、更低的重复劳动，成为行业共识
技术门槛降低	非专业开发者也能借助 AI 构建功能性软件

小结

Vibe Coding 不是一时的炒作，也不是银弹。它代表的是软件开发中人机分工模式的根本性变化：从"人写，机器辅助"到"机器写，人把关"。

理解这一转变，是掌握现代 AI 辅助开发实践的起点。接下来，我们将对比 Vibe Coding 与其他开发范式，帮助你找到最适合自己场景的工作方式。