AI时代的软件工程实践:氛围编程(Vibe Coding)

1. 什么是氛围编程？

如果你还认为编程就是深夜对着屏幕、为遗漏一个分号而抓狂，那么2025年风靡全球的“氛围编程”（Vibe Coding）可能会颠覆你的认知。这个概念由OpenAI联合创始人、前特斯拉AI负责人Andrej Karpathy于2023年首次提出，并在2025年正式入选《柯林斯词典》年度词汇，被定义为“用自然语言提示，让人工智能协助编写计算机代码的行为”。

Karpathy这样描述这种全新的编程体验：“你完全交给感觉，拥抱指数增长，忘记代码本身的存在。这并非传统意义上的编码——我不过是看看内容、说说想法、运行代码、复制粘贴代码，在大多数情况下，代码都能正常运行。”

通俗来说，传统编程像是在砌砖，必须一块一块严丝合缝地搭建；而氛围编程更像是在点菜——你不需要知道配方是几克盐、几勺油，只需要告诉AI厨师：“我想吃一道鱼香肉丝，少放辣，多放葱。” AI会瞬间端出一盘菜（软件），你只需要“尝一口”（运行测试），然后给出反馈：“味道淡了，再加点盐。”

在这个过程中，开发者与AI形成了全新的交互流程：明确需求 → 向AI描述意图 → AI开发 → 调试并向AI反馈问题 → 迭代。程序员不再逐行敲击键盘，而是成为“AI指挥官”，用自然语言驱动代码的生成与优化。

2. 氛围编程产生的背景

氛围编程的兴起并非偶然，它是AI技术指数级发展与软件开发需求变革共同作用的结果。

技术层面：AI编程能力的质变节点

Karpathy在2026年初明确指出：“2025年12月以前的AI编程，跟12月以后的AI编程完全是两码事了。” 在他看来，这种变化不是逐步发生的，而是在去年12月发生的突变——模型质量显著提升，具备更强的长期一致性和韧性，能够完成大型、耗时的任务。

他分享了一个亲身经历：想在家里搭建一个分析监控视频的仪表盘，他给AI Agent下达了一连串指令——登录设备、设置SSH密钥、安装vLLM、下载测试模型、设置服务器端点、创建Web UI、配置服务、写报告。结果AI花了约30分钟，遇到问题自行上网研究解决，最终带着报告回来，搞定一切，而他完全没有插手。“这些工作在三个月前很容易就会是一个需要整个周末才能完成的项目。”

与此同时，谷歌Gemini 3、Claude Opus 4.5、GPT-5.2等一系列模型的发布，不断刷新着代码能力纪录。Cursor等AI编程工具的用户使用模式也发生了根本逆转：从2025年3月Tab补全用户是智能体用户的2.5倍，到如今智能体用户数达到Tab补全用户的2倍。

市场需求层面：从“技术稀缺”到“创意民主化”

过去，一个伟大的创意往往死于“实现它的痛苦”——脑海里有一座大教堂，手里只有一把生锈的铲子。而现在，AI消除了“想法”与“成品”之间的摩擦力。

投资机构A16z将这种现象类比为软件的“YouTube时刻”：正如YouTube让一个拿着吉他的少年无需唱片公司就能触达世界，AI让一个不懂变量定义的文科生，无需工程团队就能构建出服务全球的App。当构建一个App的边际成本趋近于零（仅需几美金的Token费用和几小时的对话），“微软件”（Micro-Software）时代正在降临。

数据印证了这一趋势：YC（全球最知名孵化器）最新一批创业公司中，有1/4的代码库几乎完全由AI生成。谷歌CEO透露，公司超过1/4的新代码由AI生成。百度旗下无代码编程产品秒哒上线8个月时，累计生成超50万个商业应用，其中81%的用户为非程序员群体。

3. 氛围编程和传统软件编程的区别以及自身特点

氛围编程并非简单的工具升级，而是一种编程范式的根本性转变。

核心区别：从“如何做”到“做什么”

YC曾做过一个生动的比喻：氛围编程有点像用MidJourney生成图片——当你对AI产出的版本不满意，不必纠结于修改prompt，常常直接“Roll”再来几次，生成五六个版本选一个最好看的就行。而传统编程需要从零开始手写所有逻辑，过程漫长且繁琐。

具体差异体现在以下维度：

维度	传统编程	氛围编程
主要语言	Python、Java、C++等编程语言	自然语言（英语/中文）
开发方式	逐行手写代码，手动调试	描述需求，AI生成代码，反馈迭代
与代码关系	完全掌控每一行代码	对代码“模糊理解”，只要整体能跑通
工作流	设计→编码→测试→调试	提需求→AI生成→运行验证→反馈修正
核心能力	语法精通、算法思维	需求拆解、审美判断、成果审核

Cursor CEO Michael Truell将AI编程划分为三个时代：第一阶段是以Tab补全为代表的辅助编程；第二阶段是同步“提示—响应”循环驱动的智能体；第三阶段则是智能体可以在更少人工干预下，以更长时间尺度独立完成复杂任务。如今，Cursor团队内部合并的PR中，已有超过三分之一由运行在云端的智能体自主生成。

自身特点：五大支柱构建“氛围”

1. 流程重于摩擦：编辑器、终端、日志、文档和对话集成在单一上下文工作区，命令面板成为主要界面，避免鼠标切换打断思路。

2. 随处可见的快速反馈：实时预览、热重载、内联测试、性能计数器在编码时可见，形成意图→改变→结果的紧密循环。

3. 对话式构建：开发者与AI讨论意图、约束和权衡，AI内联提出代码、修复或重构。你可以说“使此组件可使用ARIA和键盘焦点进行访问”，AI便能理解并执行。

4. 持续上下文：更改历史、决策记录、架构图自动与代码同步，保持心理模型的最新状态，避免迷失方向。

5. 鼓励冒险的安全网：沙盒分支、一键回滚、功能标志让开发者敢于尝试新想法，而不必担心破坏现有系统。

4. 氛围编程适用的工作场景和范围

氛围编程并非万能钥匙，它在某些场景下表现出色，在另一些场景则可能带来风险。和鲸科技CTO蒋仕龙从三个维度给出了适用范围的分析：

场景一：创新型项目与原型搭建高度适用

当目标是新的创意、开发独立的新产品、快速搭建原型时，氛围编程效果显著。此时代码质量与审查不再重要，可以做到“忘记代码”而直接进入描述→效果验证→反馈的循环，一天能完成10倍到100倍的工作量。

典型案例层出不穷：

• 创业大神levelsio用Cursor和Grok-5，仅花3小时开发出3D星际飞行游戏《Fly Pieter》，首周赚取17360美元

• 资深软件工程师Grégory D’Angelo借助Cursor，0行代码开发完成屠龙冒险游戏，获得1.2万点赞

• MIT博士Chong-U用Claude Sonnet 3.7耗时1天开发太空漫步游戏《Space Rush》，被赞“充满吉卜力风格”

• 3位“95后”仅耗时1个月、花费1000多元，用AI开发出专为独居人群设计的轻量化安全工具App“demumu”，精准切中市场需求

场景二：成熟产品迭代与核心业务系统需谨慎使用

当面对已经成熟的产品项目上的需求，或涉及核心业务的微服务体系时，应该较少使用氛围编程。任何AI生成的代码在这类项目中都需要经过严格审查、测试，开发者需要有足够强的能力才能掌握这些代码的设计和调试工作，这已经不再属于氛围编程的范式。

在地信领域，城市级洪涝模拟、全域国土空间规划系统等核心项目，需耦合水文模型、时空大数据分析、多系统跨平台对接等复杂技术，AI目前仅能完成基础代码生成，核心逻辑设计、性能优化、多源异构数据融合等关键环节仍需资深程序员主导，人工编码仍占70%以上工作量。

场景三：问题域是否收敛的判定标准

• 适合氛围编程：问题范围确定，处于能力子集且边界受控时，可以只做代码审查和调试，产出部分交给AI

• 不适合氛围编程：问题超出能力范围、不收敛、具备强创新性、复杂度高、难以清晰描述时，氛围编程的产出极易失控，成为代码库中的“隐蔽炸弹”

5. 作为研发工程师，应该怎样对待氛围编程

面对这场编程范式的根本性重构，研发工程师既不应盲目拥抱，也不可固守成见。多位行业专家给出了中肯建议：

拥抱变化，但保持批判性思维

Karpathy指出，技术深厚的程序员并不会被淘汰，相反，技术能力可能实现“倍增”效果。在人工智能时代，优秀程序员的批判性思维和审美品味会变得更加宝贵。

360集团创始人周鸿祎强调：“AI不会取代程序员，但会用AI的程序员会取代不用AI的程序员。”他预测，“硅基员工”将正式纳入企业用工体系，形成“碳基+硅基”的混合工作团队，人类需成为AI的规划者与监督者。

掌握新的核心竞争力

Cursor CEO Michael Truell放话：审核AI代码是开发者最核心竞争力。有开发者尖锐指出：审查AI生成代码的能力门槛，实际上比自己写代码更高——当代码并非由你亲手设计时，你必须对其结构和模式有足够深入的理解，才能发现那些隐藏在模式背后的细微Bug。

未来，顶尖工程师必须掌握两大核心能力：

1. 产品审美和判断力：清楚当下什么真正有价值、该构建什么

2. 强大的系统设计能力和深入代码调试的功底：能够驾驭复杂系统的架构设计，并在AI力所不及时深入调试

分层应用，因场景制宜

和鲸CTO蒋仕龙给出了分层建议：

• 技术初学者：尽量投入到协作开发工作中，避免情况超出控制。但同时要尽可能多地去与AI交互、协作做项目，快速学习和提升编码能力，吸取AI在技术设计上的成熟经验

• 资深开发者：已有充分的开发与技术设计经验，对代码的控制和审核能力很强，可以在适合的场景下进行氛围编程，大大节约时间

• 非技术人员：完全可以尝试氛围编程，根据自己痛点或灵光一现，将想法转化为实际产品，体验技术民主化带来的红利

警惕风险，建立治理机制

在企业层面，行云创新CEO马洪喜提出三点建议：

1. 架构治理更加重要：企业级“架构治理”是对冲AI编码风险的重要手段——只要架构严谨，小的逻辑问题或许能被限制在可控范围内。基础设施即代码（IaC）让架构本身实现代码化、可部署、可归档，为AI评估架构提供基础。

2. 建立风险防控体系：通过平台工程聚合日志数据、监控数据、告警数据、架构关系等大量数据，让AI来治理AI，及时发现潜在问题。发版策略也需要重新考量，保留“可靠的上一版”以备切回。

3. 重构绩效管理机制：氛围编程时代，企业需要新的研发绩效体系。程序员需为AI生成的代码负责，企业甚至可以随机抽取代码让程序员解释，以此评审其是否对代码负责，避免留下一堆AI生成的“屎山代码”。

写在最后

正如Karpathy所言：“编程正在被重构。在编辑器里输入计算机代码的时代已经结束。现在，你要做的是启动AI Agents，给它们下达任务，并同时管理和审核它们的工作。”

这不是程序员的末日，而是创造力的解放。当AI承担了重复性、流程化的编码任务，从业者的核心竞争力将不再局限于单一技能，而是转向行业洞察力、跨领域协作能力与AI工具驾驭能力。未来的创造，既像计算，也像共鸣——理性与浪漫，逻辑和直觉，将在人与AI的同频共振中，重新混合

———————————————————————

王凌宇，《敏捷本土化实施框架》（ALIF）创建者，“组织敏捷转型周期”模型提出者；

敏捷领域从业十余年，在互联网、IT、游戏、民航等行业推行数智化敏捷转型取得显著成效；

译著《敏捷软件开发：用户故事实战》《敏捷领导力：团队成长工具箱》；合著《敏捷之道》；

在TiD、敏捷之旅、DevOps社区峰会等业界会议担任演讲嘉宾