“氛围编程“？我早这么干了两年

李升伟 编译

#编程 #新手入门 #人工智能 #氛围编程

不久前我偶然看到"氛围编程"（vibe coding）这个词时，简直被震住了——原来过去两年我构建应用的方式（最少手写代码+最大程度用神经网络自动化）现在有了个时髦名字。本文我将分享与AI结对编程的工具包，以及对这个趋势的思考。

什么是氛围编程？

当有些人还在目瞪口呆围观，有些人谨慎试水，另一些人激烈抨击时，我的反应是：“认真的吗？”。从第一次见识现代神经网络起，我就开始用它干正事了（而不是生产网络段子）。现在特斯拉的大佬居然给这起了个"氛围编程"的学名。

两年前，我和所有人一样受够了重复劳动：写项目模板、跨文件搬运代码片段、每周重复搜索相同问题。2022年8月GitHub Copilot开放公测时，虽然有人惊呼"未来已来"，但我试用后只觉得：“就这？高级自动补全而已”。当时的它连"写个函数"这种基础任务都够呛，至今VS Code里的Copilot仍是我用过最差的AI编程工具。

他们开始察觉异常了

转机出现在2022年11月ChatGPT 3.5发布时。这不再是简单的代码生成器，而是个真正能对话的计算机。当时我写下这样的笔记：

对我而言，ChatGPT通过了反向图灵测试

传统图灵测试要求机器伪装人类，而ChatGPT的回答结构让你感觉就是在和智慧体对话——即便你清楚它只是神经网络

我疯狂消耗请求限额，用它补全大学翘课漏掉的计算机知识。作为不敢在Stack Overflow提问的社恐，终于找到了完美学习方式——就像有个不厌其烦讲解的教授。虽然当时它写的代码很烂，但我坚持尝试。

后来我受够了手动复制文件内容提供上下文，于是用ChatGPT自己开发了个控制台工具snap2txt，能把整个项目打包成单个文本文件。扔进聊天窗——砰！AI瞬间理解项目结构。这是第一步进化。

随着ChatGPT 4发布，我发现：配合正确工具链，AI编程能真正流畅起来。Python生态+Django框架+Tailwind替代BEM的UI方案，完美契合这种工作流。我的原则很简单：最少手工劳动，最大程度"嘿AI，给我造个机器人"。

第一个全AI项目是WebInsights——基于OpenAI API的JS代码/robots.txt/站点地图分析工具。虽然作为SaaS登陆ProductHunt后因流量惨淡关闭，但这段经历无比珍贵。后来我转型自由职业，专注用Django开发解析器和机器人，直接Docker容器化部署。这两年我可能只亲手写了10%的代码，其余都交给AI。

我的核心工具链：Prototype与snap2txt

这两件法宝已成为我每个项目的标配：

1. Prototype：无痛启动器

我的Django+Docker快速启动套件。选择Docker而非venv的原因很简单：环境隔离保证开发机与服务器（无论是Railway.app还是DigitalOcean）行为一致。包含预置Dockerfile、基础docker-compose配置、OpenAI API助手，以及一键启动的shell脚本。克隆仓库→命名项目→执行./setup.sh，几秒后本地就运行着Django容器。

2. snap2txt：即时上下文生成器

一年半前开发的工具，几乎每天使用。原理简单：扫描项目文件，跳过node_modules和.git等垃圾目录（支持类似.gitignore的忽略列表），合并关键代码为单一文本文件。也可以白名单模式只包含指定文件。

工作流示例

假设有个Django项目：

运行snap2txt --il生成project_contents.txt

将其扔进Cursor Composer或任意AI聊天窗

神经网络瞬间理解整个项目结构

写提示词→发一两个请求→完工

没有它，我可能还在像原始人一样手工复制代码块。

效率革命

这套组合拳能节省大量时间：Prototype解决环境配置，snap2txt消灭上下文传递。配合Cursor（我最爱的IDE，连创建文件都能省）或Claude/DeepSeek/ChatGPT等模型，原本需要1-2周的原型，现在1小时就能搞定。比如：

三分钟搭建Telegram机器人

快速开发数据解析器

自托管Markdown版Telegra.ph

三分钟搭建的机器人

未来展望：当AI成为主力程序员

这两年我一直在思考：终点在哪里？两年前无法想象90%代码不用亲自写，如今已成常态。如果扎克伯格所言不虚（“到2025年Facebook中级代码将来自AI助手”），这仅仅是个开始。

AI代码=新型屎山？

严肃派已经抱怨"氛围编程不过是技术债务的华丽包装"，他们不全错。AI代码常有"能跑就行"的气质，你可能盯着生成结果想："XSS漏洞藏哪儿了？"或是本地运行正常却在服务器崩溃（因为AI忘了Debug=True）。放任不管就是定时炸弹。

但我认为这是过渡期现象。系统正在变聪明，或许几年后我们根本不需要关注实现细节：AI负责编写-测试-部署，自动监控系统把关，程序员转型为操作员——坐着看屏幕，偶尔拍拍AI脑袋，出事时按下紧急按钮。

什么技能会保留？

如果不用写代码，那我们做什么？我认为未来属于会提问的人。不是"怎么写这个函数"，而是"到底要构建什么"。设计能力、架构思维、任务拆解和向AI解释需求的能力将成为核心，外加辨别代码好坏的基本功。氛围编程不是抛弃编程，而是从体力劳动转向脑力创造。

关于"需求"的冷知识：尽管程序员数量激增，软件需求反而膨胀了。当普通开发者+AI产能提升10倍时会发生什么？我们会需要更多软件。虽然不确定，但这就是我感知到的"氛围"。

好还是坏？

老实说——不知道。但对我个人，这两年AI的助力堪称知识注射器。相比前八年的缓慢成长，这段时期的进步堪称飞跃。不用泡论坛、不用在问答网站尬问，只需和神经网络聊天。对社恐而言简直完美。

对整个行业？我们可能正迈向程序员不写代码、只负责"氛围营造"的时代。而且这未来一点也不远——它已经来了。

原文链接：https://dev.to/vorniches/vibe-coding-yeah-ive-been-doing-it-for-two-years-ea2