2026年11月

vibe coding的大坑

用 AI 写代码,本来是想构建一个干净、完善、逻辑统一、代码高度复用的系统,结果最后生成了一堆零散的东西。单看每段代码似乎都很规整,但整个系统的抽象层次却越来越低,最终变成了在用高级语言写汇编。

AI 擅长完成局部任务,目前仍然不具备维护整个系统架构和一致性的能力。(钞能力烧token的人除外)

大模型本质上是从已有知识、经验和代码中蒸馏提炼出来归纳、组合和重组的数据集。

项目初期,几十美元的 Token 就能快速完成一大批功能。项目规模扩大后续增加功能时各种重复实现、逻辑冲突和架构问题,审核代码比写代码还脑瓜疼。来回调试、返工填各种坑要几百美元的Token。折腾到最后只能用AI做整体重构。

一开始还想着通过各种 Skill 给 AI 立规矩,后来才发现,Skill 越写越多,根本写不完。今天约束这个,明天规范那个,最后维护 Skill 本身都快成了一项工程。

大模型本质上是根据输入指令生成结果,见人说人话,见鬼说鬼话。不会天给你维护整个项目的设计初衷,更不会自动保证后续功能始终沿着正确的架构演进。

根本不是很多人说的那样,什么东西丢给 AI 就行了。真正长期用 AI 做项目开发和维护的人,每天都在反复研究怎么驯服 AI,以及被 AI 搞得服服帖帖。烧掉一堆 token,最后产出的东西可能还是个四不像,然后继续烧token。

至于为什么会出现各种所谓的“文科生”幻觉,本质上是很多人接触到的软件开发场景太简单了。写一篇文章、阐述一个观点、做一个 Demo,或者开发一个使用人群非常有限的小应用,只要逻辑能够跑通、表面效果符合预期,似乎就已经算完成了。但真实的软件工程远不止这些。尤其是底层基础设施和公共使用广泛的软件,往往需要经过严格验证,保证高可用性、和长期兼容性稳定性,有些场景甚至要求尽可能接近零错误。浏览器内核、操作系统内核就是典型例子:需要兼容海量设备、不同硬件架构、各种历史遗留环境,还要面对几十年的版本的持续维护。一个看似简单的功能,背后牵涉大量边界条件、历史兼容、安全风险和复杂依赖关系。

这根本不是把需求用自然语言描述清楚,再让 AI 写几段代码就能解决的事情。能把一个 Demo 跑起来,不代表能把一个系统做好;能实现一个功能,也不代表能保证它在各种环境下长期正确运行。很多人把局部实现的成功,当成了整个软件工程已经被 AI 解决,这才是认知上的最大偏差。

张口就说“丢给 AI 就行了”的人,要么是高手大牛,要么可能根本没经历过一个复杂耦合的项目从开发到长期维护的。

结论: 大模型确实能大幅提升开发和工作效率,但前提是使用者具备足够的规划能力、架构设计能力和约束能力。你自己都不清楚究竟想实现什么,大模型自然也不可能凭空理解实际需求。所谓的“许愿式”下发指令,最终还是要把需求、边界和预期结果说清楚,而这背后离不开长期积累的技术知识和实践经验。更重要的是需要有全局的复核掌控能力。

下云回迁计划

各种云资源始终不太靠谱,作为备用方案、弹性资源或者临时业务使用倒是不错,但如果把核心业务完全押在云上,还是有必要慎重考虑。

拿 PostgreSQL 数据库来说,自有部署的成本往往比云数据库低得多。云方案确实有便利性、弹性和运维门槛低等优势,但收费项目繁多、价格昂贵,CPU计算是单独的钱、内存占用是单独的钱、容量占用也单独算钱、带宽使用是单独的钱 ,且收费都不便宜, 很多隐性成本和限制也容易被忽略。云服务的优势不能只看宣传,实际使用中的劣势和不确定性同样不能忽视。

这里面服务商也有个难题,又要盈利赚钱又要保证服务质量,但不论如何设置限制策略,里面总会有一些人有物超所值的收益,而一部分人肯定会当冤大头。

 

说几个过去的经历。

早些年,国内有一大批企业把业务迁移到了阿里云。当时阿里云还处于 Xen 虚拟化时代,底层硬件和虚拟化性能与今天不可同日而语。这并不是说阿里云的技术实力不行,而是当时云产品的定位和部分企业的实际需求存在明显落差。

云服务器最初更多是按照 VPS 的使用场景设计的,适合中小型业务快速部署、灵活扩容。但不少企业实际上已经在使用多台物理服务器承载高负载业务。迁移到云上之后,业务跑在一堆共享底层资源的虚拟机里,CPU、磁盘 IO 等资源相互竞争,性能表现和稳定性反而不如原来的物理服务器。小体量业务用起来如鱼得水,大业务量、高 IO、高并发的业务却可能苦不堪言。

 

说得直白一点,随便一台 E3-1230 v3 的物理服务器,在不少实际场景下就能吊打很多 Cloud VPS。独享的硬盘 IO、内存、CPU 资源,以及相对独立的网络带宽,都是实实在在的优势,除了硬件天然的性能已知天花板受限没有弹性升级,但是这玩意业务量上来了肯定得换新设备而不是和自己死磕,自有硬件在狗大户手里最低也会用到5年,5年时间足够各种折腾了,钱到位的情况下其实也没多少折腾的地方。当然,物理机受限于自身硬件算力上限,但至少不会因为邻居业务突然繁忙,就莫名其妙地受到资源争抢的影响。

 

大型云厂商真正有优势的地方,往往在于网络基础设施、路由交换能力、接入带宽和冗余设计。对于几十块钱的小用户来说,能以很低的成本获得不错的网络接入和基础设施能力,确实很划算。但对于业务规模较大、资源消耗较高的用户来说,云服务器未必是最经济、最稳定的选择,有时候反而是在花更多的钱,承担更多不可控因素。

再往前说,2006 年左右,我就长期嫖朋友自有的物理服务器,每台机器都有 100Mbps 独享接入带宽。当时 VPS 作为新技术被宣传得更便宜、更省钱、性能更好,于是尝试把业务迁过去,结果发现完全不是一回事。后来才意识到,宣传中的对比对象其实是 Web Hosting 虚拟主机,而不是我们原本使用的独立物理服务器。这种定位上的错位,实际体验自然会有很大落差。

这就像有人觉得红薯稀饭、糠菜咽菜特别香,但他的参照物是三天饿两顿;而你已经吃得快有高血脂了。两边讨论的根本不是同一个需求,评价标准自然也完全不同。

最近圈内又出现了一波下云潮。有人在去年硬件价格暴涨之前囤了一批服务器和硬件,也有人把过去闲置的 DDR3、DDR4 内存重新拿出来使用,甚至因此赚了一笔。这种现象多少有些哭笑不得,但也从侧面说明,自有硬件在某些业务场景下依然有很强的成本优势。

当然,这并不是要否定云服务。云服务有它不可替代的价值,尤其是在弹性扩容、异地部署、网络接入、灾备和快速交付方面。但问题在于,不能把云服务的便利性直接等同于整体成本优势,更不能忽略实际业务负载、资源模型、长期费用以及厂商依赖带来的风险。

归根结底,云服务没有绝对的好与坏,关键还是定位和使用场景。 小业务上云可能是性价比极高的选择,能快速低成本开展业务,但高负载、长期稳定运行、资源消耗明确的业务,自有部署可能更划算、更可控。云可以作为补充和备用,但不应该成为所有业务的唯一依赖。真正重要的是根据实际需求做选择,而不是被云的概念和宣传牵着走。

插个眼 :邮件服务器WildDuck

wget -O - https://raw.githubusercontent.com/nodemailer/wildduck/master/setup/get_install.sh | bash
./install.sh mail.yourdomain.com

数据存储用的MongoDB

github项目地址https://github.com/zone-eu/wildduck