AI 編碼工具的橫空出世，一度掀起關(guān)于“機器是否能替代人類開發(fā)者”的爭議——有人沉醉于它高效完成任務(wù)的驚艷表現(xiàn)，直言其會顛覆開發(fā)行業(yè)；也有人警惕其潛在的局限性，擔(dān)心代碼質(zhì)量與系統(tǒng)穩(wěn)定性。

最近，一位名叫 mo 的開發(fā)者在 Hacker News 上分享了自己的親身經(jīng)歷：過去兩年里，他幾乎全面采用 AI 進行所謂的“氛圍編碼”。從最初的驚艷，到不斷把更復(fù)雜的任務(wù)交給模型，再到逐漸意識到問題所在——AI 寫出的代碼在局部合理，卻難以維持整體結(jié)構(gòu)和長期可維護性。最終，他選擇放棄高度依賴 AI，回到手寫代碼。這篇直白、克制的反思，很快在開發(fā)者社區(qū)引發(fā)了強烈共鳴。

來源：https://atmoio.substack.com/p/after-two-years-of-vibecoding-im

作者 | mo 責(zé)編 | 蘇宓

出品 | CSDN（ID：CSDNnews）

大多數(shù)人接觸 AI 編碼的歷程都如出一轍：先讓它完成一項簡單任務(wù)，你會為之驚艷。接著交給它一項復(fù)雜任務(wù)，你會更加嘆服。

于是你打開社交平臺 X，寫了一篇關(guān)于“崗位替代”的長篇大論。

如果你能跨過這個階段——恭喜你，你對 AI 編碼的理解已經(jīng)超過了 99% 的人。

那些用 AI 處理實際工作（而非僅僅是周末項目）的資深工程師，大多也遵循著一條可預(yù)見的歷程。

在對 AI 完成復(fù)雜任務(wù)的表現(xiàn)仍感驚嘆時，你會忍不住想：能不能給它分配更宏大的任務(wù)？甚至是那個沒人愿意接手的棘手重構(gòu)工作？

AI 的能力遭到質(zhì)疑

但就在這時，AI 的“光環(huán)”開始出現(xiàn)裂痕。

一方面，你驚嘆于它似乎能精準(zhǔn)理解你的需求；但另一方面，它會犯下令人沮喪的錯誤，做出明顯違背你們達成的共識的決策。

你很快就會明白，對 AI 模型生氣毫無意義，于是開始將所有不盡如人意的輸出歸咎于自己：

“是我的問題。我的提示詞寫得太差，描述不夠具體?！?/p>

“只要我能把需求說清楚，它就能實現(xiàn)。潛力無限啊。”

你這樣想。

于是你打開 Obsidian（筆記工具），開始撰寫詳盡的需求文檔，用極致的細節(jié)描述你腦海中的功能?；蛟S你會花半個小時，寫出一整頁的提示詞。

但你會發(fā)現(xiàn)，這種“需求驅(qū)動式開發(fā)”同樣行不通。在現(xiàn)實中，設(shè)計文檔和需求說明都是“活文檔”，會隨著需求探索和落地實施不斷動態(tài)演變。

試想一下：在一家真實的公司里，你花 1 小時為復(fù)雜架構(gòu)寫好設(shè)計文檔，交給一位中級工程師（還要求他不能和任何人討論這份文檔），然后自己去度假——結(jié)果會怎樣？

AI 工具不僅沒有能力在數(shù)周的開發(fā)周期中，隨著底層組件的搭建而迭代需求說明，還會在一開始就做出決策，且之后絕不偏離。更糟糕的是，一旦 AI 覺得問題和解決方案超出了自己的掌控，大多會直接“擺爛”（不過現(xiàn)在這種情況已經(jīng)很少見了，因為 AI 會硬著頭皮“闖過迷宮”）。

更致命的是，AI 寫的代碼在撰寫和呈現(xiàn)給你時，看起來既合理又驚艷。甚至在代碼合并請求（PR）中也顯得無懈可擊——畢竟你和 AI 都清楚“一份好的 PR 該是什么樣子”。

“雜亂代碼”越積越多

直到自己打開完整的代碼庫，逐行通讀最新版本后，才發(fā)現(xiàn)那些我們曾以為只是早期模型殘留、且會逐漸消失的問題——雜亂代碼（slop），依然存在。

那是純粹、毫無修飾的雜亂。mo 稱自己都驚呆了，開始質(zhì)疑自己，「難道自己之前難道沒有逐行審核過每一段代碼才合并的嗎？這些冗余垃圾是從哪里來的？」

事后回想，一切其實早有征兆。

AI 寫的代碼片段，單獨看都沒什么問題，既符合自身邏輯，也契合你的提示詞要求。但它完全不考慮整體系統(tǒng)，不重視架構(gòu)的結(jié)構(gòu)性完整，甚至無視相鄰代碼的設(shè)計模式。

AI 只是給大家講了一個“好聽的故事”。就像“氛圍寫作”（vibewriting）一部小說：AI 給你展示的幾個段落確實邏輯通順、語法正確，甚至能捕捉到不同角色的獨特風(fēng)格。但不知為何，當(dāng)你通讀整章內(nèi)容時，會發(fā)現(xiàn)它一團糟——與整本書的上下文、前后章節(jié)的銜接都格格不入。

在通讀了數(shù)月來 AI 依據(jù)詳盡需求寫出的累積代碼后，mo 坦言道：“這破玩意兒絕不能上線。我不能拿這種東西收費，更不能用它來承諾保護用戶數(shù)據(jù)?！?/strong>

“我不能用這種代碼欺騙用戶。”

最終，mo 稱，自己的大多數(shù)工作都開始回歸手寫代碼了。令人意外的是，「把所有因素都考慮進去（而不僅僅是每小時生成的代碼量），我比用 AI 時更快、更精準(zhǔn)、更有創(chuàng)造力、效率也更高」。

越來越多開發(fā)者開始克制使用“氛圍編碼”

對于 mo 的舉措，不少工程師，甚至一線教學(xué)者都表達了明確的認同。

在 Hacker News 上，一位名為 recursivedoubts 的網(wǎng)友給出了頗具代表性的分析。他指出，AI 真正危險的地方，并不在于它能做難事，而在于——它把“簡單的事情”做得太好了。

這會讓新手程序員極易跳過本該反復(fù)打磨的基礎(chǔ)訓(xùn)練，心里想著“反正讓 AI 生成就行”。結(jié)果不僅基本功沒有真正建立起來，也逐漸失去了繼續(xù)理解中等難度、復(fù)雜問題，乃至更高層次抽象思考的機會——而這些能力，原本需要通過大量練習(xí)，最終內(nèi)化為直覺。

而這，正是教學(xué)一線最直觀、也最令人焦慮的變化。

recursivedoubts 直言，作為一名計算機科學(xué)教師，這是他目前最擔(dān)心的問題之一。因此，他會非常明確地告訴學(xué)生：代碼必須自己寫，不能把“寫代碼”這件事交給機器。學(xué)生階段所需要練習(xí)的代碼本身并不復(fù)雜，但也正因為如此，才更應(yīng)該親手完成——這是理解能力形成的關(guān)鍵過程。

另一位網(wǎng)友 leros 則從工程實踐的角度，給出了更為直白的判斷。他指出，自己看到不少初級開發(fā)者在熱捧所謂的“Vibe Coding”，而大多數(shù)資深工程師更多只是把 AI 當(dāng)作輔助工具使用——他本人也屬于后者。

leros 表示，自己曾招聘并培養(yǎng)過大量剛畢業(yè)的初級工程師。通常情況下，在積累了一年左右的經(jīng)驗后，這些人的生產(chǎn)力往往能提升到最初的 20 倍。他認為，vibe coding 的確可以在短時間內(nèi)把新手推到 5 倍生產(chǎn)力，這聽起來非常誘人，但問題在于，他們往往會被卡在這個水平上，因為并沒有真正學(xué)到東西。結(jié)果就是，一年之后，他們依然只是一個“5 倍工程師”，而不是本該成長為的“20 倍工程師”。

他也坦言，自己身邊一些從業(yè) 1 到 3 年的軟件工程師，對基礎(chǔ)問題的理解之淺，常常讓他感到意外。

類似的反思，也出現(xiàn)在更多工程師的實際使用經(jīng)驗中。Verdi 表示：“我同意這個觀點，而且在過去幾個月里也得出了相似的結(jié)論?！?/p>

他承認，把一部分任務(wù)交給大模型，節(jié)省下來的時間確實不可忽視，自己也會繼續(xù)使用 AI。但他的態(tài)度已經(jīng)從最初的“100% 投入 vibe coding”，轉(zhuǎn)向了更加克制、審慎的使用方式——目前大概只占不到 40%。原因主要集中在幾個方面：

• 模型生成的代碼，幾乎不可避免地會引入技術(shù)債。

• 隨著時間推移，這些看似細微的問題會不斷累積，最終形成一個連 LLM 自己都難以理解、難以繼續(xù)演化的代碼庫。

• 與此同時，開發(fā)者本人的理解能力也會被削弱，逐漸失去對代碼的內(nèi)在連接，變成一旦離開 AI 就幾乎無法排錯，這種狀態(tài)還會形成自我強化的循環(huán)。

• 最終，甚至在坐火車或飛機、無法使用 AI 的時候，生產(chǎn)力會直接歸零——你會發(fā)現(xiàn)自己已經(jīng)忘記該如何實現(xiàn)某些算法或語法，更缺乏對整個代碼庫的“心智模型”。

那么面向「氛圍編碼」，你使用的頻率如何？以及如何看待它對自身技術(shù)能力的影響。