Vibe Coding
短学期实践成果展示
围绕 Vibe Coding（氛围感编程）展开，通过概念调研、工具体验、Prompt 实验、项目实战和代码质量评估五个任务，全面探索 AI 辅助编程的工作流与质量保障体系。
Vibe Coding 概念调研与综述报告
搜索并学习 Vibe Coding 的定义、起源、核心理念与发展现状
Vibe Coding（氛围感编程）是由 Andrej Karpathy 于 2025 年提出的新型编程范式，核心理念是开发者通过自然语言描述意图，由 AI 模型自动生成代码并迭代完善。本次调研从定义起源、范式对比、工具生态、适用场景与教育影响五个维度展开综述。
核心理念
开发者从代码编写者转变为意图表达者与质量审计者
范式对比
与传统编程、低代码、Copilot 辅助模式的多维度对比
工具生态
Cursor、Windsurf、Trae、GitHub Copilot 等主流工具分析
教育影响
对计算机教育模式的冲击与重构思考
Kimi 与 Trae 工具安装、配置与功能体验
分别体验 Kimi 智能助手与 Trae AI 原生 IDE，完成安装配置与功能体验
Kimi
通用 AI 智能助手
- 快速生成代码片段
- 详细分析代码逻辑
- 提供修改建议
- 不支持多文件编辑
适用阶段：需求分析、技术咨询
Trae
AI 原生集成开发环境
- 直接在工程中生成并创建文件
- 结合项目上下文分析工程关系
- 自动定位并直接修改代码
- 实时智能补全、跨文件编辑
适用阶段：项目开发、代码维护
Prompt Engineering 实验
设计对比实验验证不同 Prompt 策略对代码生成质量的影响
关于 Prompt Engineering
Prompt Engineering（提示词工程）是 Vibe Coding 工作流中的核心能力，指通过设计、优化自然语言指令，引导 AI 生成更高质量、更符合预期的代码与方案。本次实验选取三种典型提示策略，从完整性、正确性、安全性、可维护性等维度量化对比不同提示方式对最终产出的影响，验证「结构化+迭代式」提示在工程开发中的实际价值。
最低成本的指令形式，仅用一句话描述核心需求。适合快速原型验证，但易出现功能缺失、架构混乱与安全隐患，作为本次实验的基线对照组。
一次性给出完整约束：角色定位、技术栈、功能清单、输出规范。显著提升产出的完整性与规范性，是工程化开发中性价比最高的提示方式。
分多轮对话逐步细化需求，每轮基于上一轮结果修正优化。最接近真实开发流程，产出质量最高，但交互成本与时间投入也最高。
前后端框架系统开发
使用 Vibe Coding 方式完成 iryan-blog 个人博客系统全流程开发
技术栈
开发历程
使用 /spec 创建规范文档，明确技术栈与 13 个核心任务
13 个任务：初始化、数据库、后端、前端、安全加固
宝塔面板、Nginx、PM2、端口冲突处理
注册修复、mock 转真实数据、管理后台、邮箱验证
发布时间自定义、数据统计、全站动画、布局修复
分页、权限、图片压缩、时区、编辑器升级
各模块代码量统计
| 功能模块 | 代码量 (行) | 文件数 | 说明 |
|---|---|---|---|
| 前端 client | 17,177 | 89 | 页面、组件、服务、状态管理 |
| 后端 server | 8,544 | 58 | 控制器、服务、模型、路由、中间件 |
| 共享类型 shared | 215 | 4 | 前后端共享类型定义 |
| 数据库 scripts | 209 | 3 | 初始化、示例数据、迁移 SQL |
| 源码合计 | 26,145 | 154 | 不含配置与文档 |
代码质量评估与安全性审查
对 AI 生成的前后端系统代码进行系统性质量评估与安全性审查
测试结果
安全审查与修复
rehype-sanitize 白名单
crypto.randomInt 替代 Math.random
魔数校验
移除硬编码
nodemailer, nanoid, uuid, react-router 升级
识别 9 处"自信地犯错"实例
总结与展望
范式演进
Vibe Coding 正从"盲目信任 AI"向"智能体工程"演进，人类角色从代码编写者转变为规格设计者与质量审计者。
场景差异
前端开发因视觉直观性高度适用 Vibe Coding，后端因状态隐蔽性需谨慎，推荐 TDVD（测试驱动氛围开发）方法论。
效率提升
AI 生成代码占比达 99%+，20 天完成完整前后端系统，但需人工审查把关质量与安全。
质量保障
建立人机协作质量保证体系至关重要：测试用例覆盖、安全审查清单、AI 幻觉防范策略缺一不可。