鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

Vibe Coding,一场幻觉和焦虑催生的行业狂欢

编程导航
编程导航
2025-09-05 12:31
阅读 181
编程导航
2025-09-05 12:31
阅读 181

文 | 脑极体

“我有一个改变世界的想法,就差个程序员了”——这句在互联网圈流传多年的讽刺梗,因为AI时代有了Vibe Coding,看起来好似梦想成真了。

Vibe Coding氛围编程,不需要逐行敲代码,也不用跟厂商那乱七八糟的API文档死磕,只用自然语言说出想法(描述氛围),比如:一句话帮我做个XX功能的网站、做一个每天帮我赚1000美元的app,Coding Agent就能生成几乎全部代码,因此在软件业和开发者社区大火。

不少AI编程工具都打出了“一句话开发”“一句话做app”的宣传,让普通人误以为Vibe Coding就能搞开发,编程小白跟AI聊几句就能转码当程序员,有的企业老板裁掉了大半个IT团队,结果剩下的程序员要一边改AI生成的bug,一边补之前的开发进度。

狂欢背后,是大量烂尾的创意、指数级增长的代码屎山,以及同质化的日抛型应用。Vibe Coding究竟发展到什么程度了?我们走进开发者的真实人生。

Vibe Coding到底能不能一句话搞定完整开发?显然是否定的。

我身边有编程零基础的朋友,觉得市面上的记录型app都无法满足自己的需求,一直想开发一个功能更好的app,但自学python又太难,找外包又觉得成本太高,直到AI来了,用AI chatbot生成了应用页面。

打开预览时确实惊艳,可等她想改点细节时,发现后续的路由配置、数据库连接、增删功能、端侧部署,再到异常处理等一大堆环节,小白的开发技能短板,就暴露出来了,根本没法走完一个完整的软件开发闭环。

Vibe Coding能完成从0到1的初始原型,却无法补足从1到100的工程化能力。零门槛的小白轻信“一句话做网站/app”的宣传口号,前期投入也就成了烂尾工程。

有懂行的朋友说,Vibe Coding是帮专业程序员摸鱼的,不是让小白许愿的。但说实话,摸不了一点。

Vibe Coding这类概念一火,不懂开发的老板就对AI编程产生了不切实际的幻想。有程序员跟我吐槽,他们老板最近开通了Copilot企业账号,转头就把所有项目工期砍到了原来的70%,理由是“AI能帮你写代码”。别说摸鱼,隐性加班反而更多了,因为不仅开发时限被缩短,还得额外给AI擦屁股,这就要提到Vibe Coding的技术债务问题了。

一般来说,专业程序员会为agent准备好context,帮助AI理解任务。但目前市面上的Vibe Coding工具依然会脑补过多,主动添加没必要的备用方案,不仅让代码量指数级膨胀,而且随着对话轮次增加,低质量信息、错误输出不断积累,出现上下文腐烂,输出效果越来越糟糕。在复杂项目中,上下文腐烂带来的修正难度和维护成本更高。一项调查显示,有45%的开发人员在调试AI生成的代码时感到挫败。

(图源:stackoverflow调研报告)

如果说软件工程是靠巨大的屎山撑起来的,那几乎100%代码由Agent生成的Vibe Coding,就像是一个全自动造屎机,需要程序员在每一个环节做好指导、修正与管控,带来了新的工作量。“有多少人工就有多少智能”这句话,在Vibe Coding也一样适用。

如果盲目相信Vibe Coding让开发变简单了,反而给IT团队和程序员带来看不见的压力。

独立开发者不需要处理企业软件那样的复杂工程,不就能规避技术债务了吗?的确,个人开发者可以选择做一些功能简单的软件,比如批量生成“天气预报小程序”“todo清单APP”,就能避免代码冗余、上下文腐烂这样的问题。

问题是,这类简单应用也很容易泛滥,东南亚就有大量这类靠Coding Agent快速生成的项目,卷到用户订阅费之后直接跑路,留下一堆没人维护的日抛型应用,把软件业变成了缅北妙瓦底(数字版)。

听起来很美的Vibe Coding,要交付一个完整的复杂工程,目前仍需要大量人工辅助,100%的agent全自动生成代码,并不现实。

当然,反驳者会说,觉得Vibe Coding不好用,那是没用对,一句话生成俄罗斯方块之类的小程序,确实能跑起来,AI写的代码没毛病。

还有的搬出行业数据,比如2025年美国科技行业裁员超0万人,印度Infosys公司也在大裁员,这不就说明AI编程正在取代基础程序员,Vibe Coding确实有颠覆性价值。

上述情况都是事实。但Vibe Coding这种许愿式开发,短期内还是难成主流。为啥呢?

先看这类成功案例good case,如一句话生成俄罗斯方块、贪吃蛇之类的小游戏,大多是用预设模板套壳的玩具级应用,实现难度并不高。而且,也没有太高的商业价值,跟企业和个人用户真正需要的好用系统,根本不是一回事。

试问,有多少用户还缺一个俄罗斯方块小游戏玩呢?又有哪家企业会为这种简单应用买单?一个包含行业逻辑理解、用户权限管理、数据流转、并发处理、第三方支付接口等功能企业级应用,涉及大量的工程化细节,都不是只用一句话Coding agent搞定的。

(图源:领英调研报告)

而所谓的程序员失业潮,恰恰说明AI无法替代高水平程序员。职业市场的技能需求变化能印证这一点,就拿北美科技公司最热门的技术岗位SDE来说,SDE 1岗位的要求已经从“能写好代码”,升级为“能与AI协作解决复杂问题”。

一些科技企业在招聘时,也开始带有“既要有要还要”的心态,既要应聘者会使用AI编程工具,又要保留人工写代码的能力,还要具备理解业务和描述需求的产品能力、审查AI代码的审美能力,以及架构师的系统性思维能力,这种高级工程师的薪酬也是水涨船高。

从这个角度看,Vibe Coding没有颠覆软件开发行业,只是加速了程序员群体的两极分化。开发门槛从会敲代码,提到了用AI、懂业务、有审美等更高的层面。

既然没有那么神,为什么Vibe Coding会成为行业狂欢呢?

一位打工人程序员朋友吐槽:AI编程幻觉再大不影响全局,老板对AI稍有幻觉就人仰马翻。

可以说,Vibe Coding的爆红,是AI编程平台有意制造泡沫与开发者群体FOMO情绪的合谋。

新兴的技术概念,有泡沫很正常,或者可以说,有泡沫才正常。通过精心设计的演示场景,让大众相信“人人皆可编程”,吸引更多用户,让技术生态良性滚动起来。以Cursor、ChatGPT Plus为例,都设置了高昂的月费。这种商业模式要求持续扩大用户基数,自然催生了 “一句话开发”的宣传。

问题在于,不能只给大家喝泡沫,总得有啤酒。

一些创业公司往往会夸大一句话写代码的神奇,比如独角兽Builder.ai就通过预录Demo、虚构AI助手“Natasha”等手段,在8年内骗取软银、微软等顶级资本16亿美元投资。尽管最终因财务造假崩塌,但这种模式被行业广泛效仿,成为大众技术幻想的一大助推力。

比如很多创业公司,都声称95%代码由AI生成,这类案例被包装成“零代码创业神话”广泛传播。实际上,2025年绝大多数开发人员(72%)都没有进行Vibe Coding。

Stack Overflow 2025年调查显示,Coding Agent还不是主流,大多数开发人员 (52%)要么不使用agent,要么坚持使用更简单的AI工具。所谓的行业热潮,显然是被宣传舆论给夸大了。

(图源:stackoverflow调研报告)

而这,恰恰利用了开发者和程序员的FOMO焦虑。

Vibe Coding的流行,少不了程序员群体深层的职业危机感。

Meta、微软等巨头裁员潮中,70%被裁的是初级程序员,面对这种生存威胁,开发者即便明知Vibe Coding生成的是技术债务,也不得不转向Vibe Coding等工具寻求自保。数据显示,程序员对AI的好感度,从2023年的77%下降到2024年的72%,今年更是仅为60%,折射出开发者们“不用怕落后,用了怕被坑”的矛盾心态。

技术社区的从众心理进一步放大了这种效应。当AI媒体和KOL们每天都在聊Vibe Coding话题,形成“人人都在用,不用即落后”的群体压力。但趋势和现实,往往是有时差的。一般来说,媒体和KOL为了吸引流量和关注,更喜欢聚焦在一些新奇炸裂的新闻上,而这些超前的技术距离落地还有很远距离。

就像一款新药不会说自己包治百病,需要给使用者提供严格的适应症范围和副作用提示,Vibe Coding也不该做一句话包办的万能承诺。因为软件工程,从来不是把代码写出来、跑起来这么简单,它需要对业务的理解、对规则的敬畏、对质量的坚持。

“一句话生成”的宣传口号,掩盖了Vibe Coding技术债务的风险,也忽视了开发者的专业素养。当Vibe Coding成为代码屎山、日抛应用和烂尾工程的制造机,这场行业狂欢或许是时候降降温了。

原文链接: Vibe Coding,一场幻觉和焦虑催生的行业狂欢
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230