致新生的你/后日谈：为什么 Vibe Coding 如此重要

前言#

在开始正文之前，有必要先介绍一下 Vibe Coding 的含义，即，氛围编程。所谓 Vibe Coding，其实描述的是这样一种情景：

轻松、流畅的编程体验，代码被看作是一种“流动的材料”。用户不需要完全理解 AI 写出的每一行代码，只要程序运行起来感觉是对的，功能是正常的，那就通过。如果报错了，用户可以直接把错误甩给 AI 说：“修好它”，然后继续。

对于大多数读者来说，Vibe Coding 的定义事实上相当广义，使用 LLM 学习编程语言是 Vibe，使用 LLM 解答报错信息是 Vibe，在对话框中粘贴自己的代码并且寻求优化意见也是 Vibe。然而，今天我们在讨论一种更加具体的场景，即，使用 Coding Agent 进行编程。

为什么我的编程知识如此匮乏#

相较于大模型没日没夜训练过程中所接受的语料，以及在这几年时间中模型编程能力所提升的速度来说，人类，尤其是写作这篇博客的笔者的编程知识以及成长速度显得是如此匮乏且缓慢。

在绝大多数时候，当一个如此全方位超过你，或者短时间在某些方面不如你，不过成长速度很快的庞然大物站在你的面前的时候，两个明智的选择是逃跑或者「君子善假于物也」，对于大模型的判断也是如此。相较于一个正常的编程者，明显大模型的速度更快并且知识更加渊博，那么对于任何一名读者来说，选择其实相当简单，要不然换一个领域发展，要不然拥抱 AI 的浪潮。

与此同时，事实上 Agent 在正常的模型的基础之上获得了更多的提升。最为流行的 AI 编辑器 Cursor 中主要包含两个模式，分别是在写作过程中提供辅助的补全模式，通过点击 tab 键就可以让 AI 猜测你接下来的程序内容并且补全或者纠错；以及完成长期编程任务的 Agent 模式。

如果说对于代码补全，类似 Cursor ↗ 这种头部初创公司的效果还只是对于使用体验进行了大量的优化（事实上这些优化的效果是显著的，Cursor 在代码补全的时候带给我的效率提升就已经远超过了 Copilot），那么 Agent 绝对是一副全新的面孔。

借助 Tool Use 的体系，AI 得以调用不同的工具，以实现诸如查看文件树或者编辑文件的操作，并且在你的代码的基础上开发片段或者编辑片段。一个正常的 Agent 可以完成长时间的编程任务，诸如耗费十分钟时间来搭建某个软件的框架，并且绝大多数的内容都比人类工程师要更加完善。

当然，对于那些担忧自己过于依赖 AI 而自我丧失了编程能力的读者来说，时刻在重要的部分进行 Code Review。对于不了解的地方频繁请教 AI，毫无疑问是最合理的方法，相应的反例可能是担心自身水平，因此先苦学一个月 PyTorch，然后再开始引入模型，这毫无疑问是南辕北辙，而 Do to Learn 是最为合理的学习方法。

在这些内容的最后，一个启发是，我们需要的是一个关注结构以及功能设计的程序员，至于程序本身如何实现，交给 AI 去完成。同时一个必要的素养是代码审美，假如说 AI 写出了「丑陋」或者「凌乱」的代码，记得告诉它，去重构，否则代码可能逐渐难以维护。

我们需要的是并行度#

一个可以独立进行十数分钟编程的 Agent 意味着你不需要频繁返回并且监督 Agent 的输出，而是可以在十分钟之后再回来检查结果。大量的十分钟任务并发组成的工作流可以让你一天的工作的并行度大幅度提升（假如你有多项任务需要并行的话），正如致新生的你中所强调的，事实上我们在追求极致的效率，无论是学习的速度，还是项目迭代的速度。而对于个人来说，并行度毫无疑问是可以增加效率的。

与此同时，相较于大量的读者依然对于 AI 停留在某些只能写简单程序的刻板印象（尽管已经在各种公众号中频繁刷到了很多吹捧 AI 的编程水平的文章），实际上 AI 在实践中已经可以熟练实现很多代码，例如：

• 修改模型的结构
• 从零搭建一个类似 Obsidian 的笔记软件，见 AxiNote ↗
• 为现有的具身模型接入新的仿真 Benchmark
• 在 Isaac Sim（读者可类比为自身领域中难度较高且文档复杂的框架）项目中进行代码的 Cleanup 并且适当写新的 Utils 功能

对于以大模型训练与调优为主的读者来说，这些提升一定是更为显著的。

因此充分利用 Agent 吧，让你成为一个团队，从而做到以前无法做到的事情。

小记#

对于那些早已经深谙 Vibe Coding 之道的读者来说，这篇文章或许没有任何的信息价值。然而这篇文章的写作意义也正在于，对于不了解 AI 编程，或者不信任 AI 编程的读者来说，下载这些软件，尝试一下，然后提升你的并行度，这几乎是作为提升自我最为简单且必要的事情，也事实上是纵观致新生的你中最为核心的内容之一。

与此同时，记得时刻保持敏感，对于那些曾经模型无法完成的任务，不要继续刻板印象，而是常让 AI 多试试。技术在进步，模型能力在提升，不要被过去桎梏自己的想象。