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。