夜雨聆风从家庭财务管理器，到职场成长规划工具，我发现，普通人vibe coding除了要把需求聊清楚，还要考虑如何验收。
01 AI 让开发变快了，但验收反而变难了
之前我一直觉得，如果AI能帮我写代码，那做产品应该会非常简单，因为最大的技术问题解决了，但真正开始做以后，我发现事情并没有想象中那么简单。
AI确实可以很快给你生成一个版本，但是第一个版本，往往只是“能运行”。距离“真正好用”，中间还有很长一段距离。
最近我做一个职场成长规划工具，就是一个很明显的例子。
当时我的想法是：我希望做一个工具，可以根据我的职业目标，以及我目前的能力情况，帮我设计未来一段时间的成长任务。
比如：我想提升AI能力，那它可以帮我拆解每天应该学习什么，我每天完成任务之后，可以进行打卡。然后设置一个时间周期，看看自己是否按照规划完成目标。
这个需求听起来其实挺简单。于是我直接把想法告诉AI，让它帮我开发。
很快，第一版出来了，页面也有，任务模块也有，打卡功能也有。
从开发角度来看，它确实完成了。但是我真正打开使用的时候，却发现：不太对。
不是不能用，而是总感觉哪里不符合我的习惯，于是我直接告诉AI：“这个版本不太符合我的需求，布局和使用场景都不合适，你帮我重新优化一下。”
然后AI开始修改，它确实改了。但是改完之后，我发现问题还是存在。
为什么？
因为AI根本不知道我说的“不合适”到底是什么意思，它只能根据我的描述去猜，我的反馈是模糊的，它的修改自然也是模糊的。
最后就变成了：我觉得不满意，AI继续改，改完之后，我还是觉得不满意。
两边都在消耗时间。
02 真正有效的修改，不是告诉AI“不好”，而是告诉它哪里不好
后来我重新调整了一下思路，我没有继续让AI改代码。
而是先回到需求本身。我让AI重新分析：这个工具真正解决的问题是什么？用户每天使用的场景是什么？
目前这个设计有哪些地方和需求不匹配？然后我自己也重新开始测试。
这其实就是回到了以前软件测试里的流程。
开发完成之后，不是直接说：“这个不好。”
而是需要明确：哪里有问题？为什么有问题？预期结果是什么？实际结果是什么？影响是什么？
比如之前测试一个功能，如果发现问题，我不会直接告诉开发：“这个页面不好用。”
而是会拆开：点击这个按钮之后，应该进入A页面，但是实际进入了B页面。
或者：这个任务打卡功能，用户完成当天任务后，应该可以继续查看后续计划，但是现在完成后，没有下一步引导。
这样开发才能准确修改，现在面对AI，其实也是一样。
AI不是不能理解问题，而是你需要给它明确的信息，所以后来我重新按照自己的测试习惯，把整个工具重新验收了一遍。
我根据最开始确定的需求，一项一项检查：这个功能是不是符合目标？
有没有遗漏？有没有新的Bug？使用过程中哪里不顺？为什么不顺？是流程问题？还是设计问题？还是这个功能本身就没有解决我的需求？
然后我把这些问题整理出来，再一次性反馈给AI，这一次效果明显好了很多。
因为它终于知道：我要改什么，为什么改，改成什么样。
03 AI Coding时代，人的价值正在从“创造”转向“验收”
以前做软件开发，很多时间花在生产，写代码，搭框架，实现功能。
但是现在AI加入之后，生产效率正在快速提升。
一个人可能以前需要几天完成的东西，现在几个小时就可以生成。
甚至未来，一个人可以同时管理多个AI Agent，让它们并行开发不同功能。
但问题也来了：生成速度越来越快之后，判断能力的重要性反而提高了。
因为AI可以不断给你堆东西，一天生成几千行代码，生成几十个功能模块，甚至帮你做出一个完整产品。
但是这些东西有没有价值？是不是符合需求？有没有隐藏问题？最终还是需要人判断。
这和我之前写测试相关内容时提到的一样，AI可以参与整个过程，但是它不会承担结果，如果产品上线之后出现问题，用户不会找AI负责。
最后承担责任的，依然是人。
所以未来使用AI做东西，我觉得最重要的能力不是：“你会不会让AI写代码。”而是：“你有没有一套判断AI输出质量的标准。”
04 一个提高效率的小方法：先让AI自己验收一次
这里分享一个我最近使用过程中发现的小技巧，当 AI 完成一个功能之后，不要马上自己开始测试。
可以先让AI按照需求文档自己检查一遍。
比如告诉它：
“请根据当前需求文档，对已经完成的功能进行验收。”
“检查是否存在功能遗漏。”
“检查是否符合原始设计。”
“列出潜在Bug和风险。”
这样做的好处是：AI会先完成一次自检，它可以帮你过滤掉一些明显的问题，然后你再进行人工验收，这样效率会高很多。
因为你不用从零开始找问题，而是带着AI的检查结果进行二次确认。
不过这里需要注意：AI自检不能代替人工验收，因为AI只能根据已有规则检查，很多用户场景是AI无法发现的。
05 把自己的标准提前告诉 AI，比不停修改更重要
另外，在使用 AI Coding 的过程中，我发现一个很重要的东西：需要提前告诉 AI 你的规则。
现在很多开发工具都会支持类似规则文件。
比如 Cursor 里面的规则文件，或者一些 Coding Agent 使用的 Markdown 配置文件。
这些文件本质上就是告诉 AI：你应该按照什么标准工作。
比如：代码格式要求，项目结构要求，功能开发流程，测试要求。
哪些东西必须确认，哪些情况需要提醒。
这些规则提前写清楚之后，AI 工作的时候会更加稳定。
其实这和管理一个新人很像。如果你什么都不说，只告诉他：“帮我做一个东西。”
最后结果大概率不会符合你的期待。
但是如果你告诉他：目标是什么，标准是什么，哪些地方不能犯错，什么情况下需要向你确认，结果一定会好很多。
现在回头看，我觉得AI Coding最大的变化，并不是让所有人都成为程序员，而是让更多普通人有机会把自己的想法做出来。
但是做出来，只是第一步，真正决定一个东西有没有价值的，是后面的验收、判断和优化。
AI 负责提高生产效率，人负责定义标准。
这可能才是未来普通人和 AI 协作的一种方式。
写在最后：
夏小陌，95后，30岁普通打工人。
记录AI工具使用、家庭现金流变化，以及副业探索的真实过程。每一步都在实践中。
下一篇见～