Vibe Coding 实战流程

下面整理的是实战向的 AI 编程流程教程与大佬经验，重点是：

• 怎么向 AI 描述需求
• 怎么让它生成代码
• 怎么检查 / 验证它的代码

而不是某个具体工具（Claude Code、Cursor 等）的安装或操作说明。

---

一、核心心法：把 AI 当成“初级/中级程序员”，而不是魔法盒子

多数经验一致：

• AI 生成的代码默认是不可信输入（untrusted input）
• 你的工作变成：写清楚需求 + 拆任务 + 审查 + 测试
• 提示词质量对结果的影响往往远大于模型本身

---

二、完整实战工作流（推荐通用流程）

1. 需求澄清（先别写代码）

错误做法：
“帮我写个用户登录接口”

正确做法：

1. 先让 AI 复述需求 + 列出疑问
2. 或让 AI 采访你（很多大佬强烈推荐）

示例提示：

我想实现：手机号+密码登录，返回 JWT。

请先不要写代码。
1. 复述你对需求的理解
2. 列出所有不确定的点（边界情况、错误处理、安全、性能等）
3. 主动问我关键问题
确认完后再开始方案。

或更强版本：

我想构建 [功能描述]。
用提问的方式采访我，覆盖：技术实现、边界情况、错误处理、权衡取舍。
不要问显而易见的问题，深挖我可能没想到的难点。
确认后再写 SPEC 或方案。

2. 先出方案 / 计划，再写代码（Plan Mode）

复杂功能强烈建议：

先不要写代码。
请输出：
1. 需要改动的文件/模块
2. 实现步骤（分步骤）
3. 潜在风险与边界情况
4. 验收标准（怎样算完成）

我确认后再开始实现。

大佬经验：复杂需求如果直接生成代码，返工成本极高；先方案再实现，质量明显更好。

3. 任务拆分（最重要的技能之一）

不要一次让 AI 做太大的事。

坏例子：
“实现完整的用户认证系统（注册、登录、OAuth、密码重置、邮箱验证、会话管理、设置页）”

好做法：

• 拆成多个小任务
• 每个任务有清晰输入/输出和验收标准
• 一次只让 AI 做一件事

4. 写高质量提示词的结构（可直接套用）

多个来源高度一致的结构：

Role + Task + Context + Constraints + Output Format

或更完整的五要素：

要素	说明	示例
角色	让 AI 扮演什么	资深 Spring Boot 工程师
背景/上下文	技术栈、现有代码、业务场景	Spring Boot 3 + MyBatis-Plus，已有统一 Result 返回
任务	具体要做什么	实现手机号+密码登录接口
约束	不能做什么、必须遵守什么	不新增依赖、密码用 BCrypt、失败5次锁定
输出格式	怎么输出	只给代码 + 关键注释；或同时给测试

实用模板：

你是一个资深 [语言/框架] 工程师。

【背景】
- 技术栈：...
- 现有相关代码/规范：...
- 业务场景：...

【任务】
实现：...

【输入输出】
- 入参：...
- 出参：...
- 边界情况：...

【约束】
- 必须：...
- 禁止：...
- 代码风格参考现有模块

【输出要求】
1. 先简要说明思路
2. 给出完整可运行代码
3. 标注关键决策
4. （可选）同时给出单元测试

5. 生成代码时的额外技巧

• 提供上下文：贴相关现有代码、接口定义、错误信息、数据示例
• 给示例（few-shot）：给一个输入→期望输出的例子
• 指定错误处理与边界：空值、超长、并发、失败重试等
• 要求自测： “实现后写测试并运行，修复失败项”
• 禁止过度设计： “不要加我没要求的功能、日志、抽象”

6. 检查与验证代码（最关键的环节）

AI 写完后，不要直接用。推荐流程：

人工 + AI 双重检查

1. 自己先跑一遍
   编译 → 运行 → 基本功能测试

2. 让 AI 自己审查（很有效）

请以高级工程师身份审查这段代码：
[贴代码]

检查维度：
1. 正确性：是否满足需求
2. 安全：注入、越权、敏感信息泄露
3. Bug/边界：空值、并发、异常路径
4. 性能：N+1、不必要循环、锁粒度
5. 可维护性：是否过度抽象、是否符合现有风格

按严重程度列出问题，并给出修改建议。

3. 用另一模型交叉审查（可选）
   把代码给另一个 AI 再审一遍，分歧往往是真问题。

4. 写/跑测试
   让 AI 生成单元测试，或自己写关键路径，强制验证行为。

5. 对照验收标准
   对照最初的“怎样算完成”逐条检查。

常见检查清单：

• 是否真的解决了需求？
• 有没有引入不存在的 API / 依赖？
• 有没有隐藏错误而不是修复？
• 安全问题（注入、权限、敏感数据）
• 是否破坏现有接口或风格
• 边界和异常是否处理

---

三、推荐优质教程 / 经验来源

英文高质量资源

标题	链接	重点
Five Best Practices for Using AI Coding Assistants	Google Cloud	选择工具、先规划、重视提示工程、保持人控
Best AI Prompts for Engineering	rohitprabhakar.com	Role+Task+Constraints+Output 模板，代码审查提示
10 Rules for Getting Better Results from AI Coding Agents	KDnuggets	从规格开始、让 AI 先理解仓库再改、审查维度
How to Prompt AI Coding Tools Like a Senior Dev	StackNotice	Context → Constraint → Task，任务拆分
AI Code Guide (GitHub)	automata/aicodeguide	从 PRD 开始、拆任务、把 AI 当初级开发

中文实战经验（掘金 / 社区）

标题	链接	重点
如何提升 AI 编码准确性：从“生成代码”到“验证结果”	掘金	明确预期行为与约束，定位再实现
让 AI 先写方案，再写代码	掘金	复杂需求必须先方案
AI生成代码的实战指南：提示词、工具选型与代码审查	CSDN	五要素提示词 + 三关检查法
我平时怎么用 AI 写代码和排查 Bug	掘金	可直接复制的场景化 Prompt
Vibe Coding 完整教程工作流	七牛云	探索 → 规划 → 实现 → 验证
AI Agent 编程实战流程（6步法）	掘金	需求分析 → 拆任务 → 实现的完整工程视角

---

四、一句话总结（可直接记住）

清晰描述需求 → 让 AI 先问清/出方案 → 拆成小任务 → 带约束生成代码 → 自己跑 + AI 审查 + 测试验证 → 迭代修正

你负责的是意图清晰和质量把关，AI 负责的是执行和初稿。