Vibe-Coding真的让我们开发工作变得更累了吗？听听SamDeepThinking的看法！

最近听到一些朋友说，虽然有了 AI 编程，代码的编写反而没减少，反而节奏变快了，思考时间缩短了，心理压力却加大了。

人们不再完全掌控代码的每一行，但却需要为 AI 产生的每个结果负责。

那么，Vibe-Coding 真的是提升了开发体验，还是让工作变得更紧张、压力更大呢？究竟是提高了我们的效率，还是让我们更加焦虑了呢？

在过去一两年中，一个新词在程序员圈子里变得相当流行，那就是：Vibe-Coding。

说到 Vibe-Coding，它的意思其实就是“氛围编程”或者“沉浸式编程”。这里的“沉浸”不仅是让你在一个有仪式感的编程环境里工作，更重要的是它改变了我们以往写代码的方式。

Vibe-Coding 并不在乎你代码具体是怎么实现的，重点是看代码生成的结果对不对。实现的逻辑和底层细节这些繁琐的事情都交给 AI 来处理。我们只需关注效果，哪里不对劲就调整 prompt，再提需求，AI 会自动帮你调整，直到结果完全符合你的期望。整个过程就像是在“说想法—>看结果—>继续调整—>再出结果”的循环中，效率相当高。

听起来效率很高，但其实有个奇怪的现象，身边的很多程序员朋友反而觉得更累了！

今天我们就来聊聊，究竟是什么原因导致的。

1、认知负担激增

传统开发 VS Vibe 开发

传统的开发流程是：

设计 → 思考 → 编写 → 调试

而 Vibe-Coding 的流程则是：

提示词 → 生成 → 阅读 → 验证 → 修正 → 再生成 → 再验证

虽然后者看起来少了个写代码的步骤，但却多了一个隐形的成本：认知审查。这种持续的审计相当消耗脑力。

虽然 AI 写代码很快，但有几个工作还是得由人来完成：

• 判断逻辑是否合理
• 确认边界情况是否覆盖
• 检查异常情况是否处理妥当
• 排查安全隐患
• 验证是否符合系统架构

2、代码数量膨胀，补丁修复导致系统崩溃

Vibe-Coding 最大的问题就是代码的膨胀。AI 通常倾向于多写和写全。但这带来的代价是：

• 文件变得越来越长
• 抽象层级不断增加
• 隐性依赖越来越多
• 可维护性下降

除此之外，

• AI 更倾向于在现有代码上“打补丁”，而不是“重构”。如果底层架构或初始逻辑有问题，AI 的介入往往会让代码越走越偏，最终导致系统崩溃。
• AI 的“过度尊重”与惰性：AI 非常顺从，即使原代码逻辑有问题或冗余，它通常只会做最小限度的修改，不会主动进行更彻底的重写。
• 规模化困境：随着项目规模的扩大，这种“打补丁式”的开发方式会迅速积累技术债，使得维护的难度成倍上升。

这样一来，未来我们会花费大量时间在维护和调试代码上，成本只是转移了，并没有消失。

3、能力模型升级：从程序员变成提示词工程师

当写代码不再是主要能力时，新的技能要求变成：

• 提示词设计
• 上下文管理
• Token 控制
• 生成结构验证

这是种新技能，但问题在于：它并没有取代旧技能，而是叠加到了旧技能之上。程序员现在不仅要懂架构，还要理解模型行为和生成偏差。这不是减轻负担，而是能力模型的升级。

4、决策疲劳：不断的微选择

Vibe-Coding 带来的另一个隐患是：

• 这个函数要不要重写？
• 这个结构是不是太复杂了？
• 要不要相信这段异常处理？
• 这个库引用合理不？

我们现在需要对 AI 写的代码不断进行微判断，这种持续的决策疲劳很累。

5、AI 加速技术债的积累

过去技术债的积累是线性的，但现在却变成了指数型。原因在于：

• 代码产出速度加快
• 结构思考没有同步提升
• 团队规范并未更新

团队的代码产出量虽然翻倍，但架构的成熟度却没有相应跟上，必然导致技术债的积累速度加快。

为什么大家还是热衷于 Vibe-Coding？

因为它确实在某些方面展现出价值，比如：

• 快速的概念验证
• 生成重复性代码
• 编写测试样例
• 重构模板代码

工具本身没有问题，主要还是使用方式的问题。

Vibe-Coding 的一些使用原则和建议

1.明确目标与指令：给出清晰、简洁且具体的指令，避免模糊的要求。

2.有效管理上下文：向 AI 提供必要的背景信息（代码、结构、规范），提供相关的代码片段、项目结构或设计文档，有助于生成更贴合实际的代码。

3.迭代而非追求完美：接受 AI 的初步生成结果，快速测试，通过反馈进行迭代优化，而不是一次性追求完美。

4.保持控制权：始终将 AI 看作工具，而非替代品。开发者要对代码的最终结果保持控制和责任感。

5.理解生成的代码：即使使用 Vibe-Coding，也要花时间理解 AI 生成的关键部分，尤其是涉及核心业务逻辑或安全相关的代码。

6.分层应用：根据代码的重要性和风险级别，采取不同程度的人工审查和测试。核心功能可能需要更传统的开发方法，而辅助功能可以更多依赖 AI。

7.持续学习：把 AI 当作学习伙伴，通过分析其生成的代码来扩展自己的知识与技能。

8.建立反馈循环：记录 AI 生成代码的成功与失败案例，持续优化提示策略与工作流程。

9.保持警惕：对 AI 生成的代码保持健康的怀疑态度，特别是在边缘情况、安全性和性能方面。

10.文档化过程：记录有效的提示、成功的模式及关键决策的过程，要求 AI 在修改代码后更新相关的自述文件。