拒绝Vibe Coding：Matt Pocock的AI编程工程化实践

当所有人都在吹捧「Vibe Coding」——凭直觉让AI随意生成代码时，一位前Vercel工程师、TypeScript社区最有影响力的教育者Matt Pocock，用一个GitHub上狂揽8万+ Star的开源仓库告诉我们：在AI时代，软件工程的基础不仅没有过时，反而比以往任何时候都更重要。

「Vibe Coding」这一概念由AI领域先驱Andrej Karpathy在2025年初提出，指的是开发者完全依赖直觉和自然语言描述，让AI自动生成代码，自己甚至不去阅读生成的结果。这种方式在快速原型开发中确实展现了惊人的效率，但也引发了软件工程界的激烈争论：当开发者放弃对代码的理解和控制时，软件质量、安全性和可维护性将何去何从？

AI编程的三大致命痛点

如果你正在使用Claude Code、Cursor或其他AI编程工具，大概率遇到过以下三个问题：

第一，需求对齐失败。 你以为AI懂了，结果它写出来的东西和你想要的南辕北辙。你说「做一个登录页面」，它立刻开始写HTML和CSS，却完全没考虑忘记密码、第三方登录、错误提示等关键场景。

第二，AI的冗长废话。 当AI被空降到一个新项目中，它不了解团队的术语和业务背景，只能用大量通用词汇来猜测和填充，生成的代码命名混乱、风格不一致。

第三，架构退化加速。 这是最致命的——AI写代码太快了，快到我们根本来不及思考架构设计。传统开发中，人类编码速度本身就是一种天然的「减速带」，开发者在敲键盘的过程中会不自觉地思考设计问题；而AI每秒可以生成数百行代码，完全绕过了这个思考环节。原本清晰的代码结构，在AI的高速输出下迅速退化成面目全非的「屎山」。这一现象在软件工程中被称为「软件腐化」或「技术债务累积」——借用热力学第二定律的概念，代码库的混乱度（熵）总是趋向增加，而AI的介入使这一过程急剧加速。

面对这些问题，难道AI编程真的只是一场美丽的泡沫吗？

Matt Pocock是谁？从声乐教练到TypeScript大神

要理解这套方法论的精髓，我们得先认识它的作者。Matt Pocock是Total TypeScript课程的创作者，TypeScript社区最有影响力的教育者之一。他曾在Vercel担任开发者倡导者，也曾在Stately（XState背后的公司）工作，是XState的核心贡献者。

Vercel是Next.js框架背后的公司，也是现代前端开发生态中最具影响力的企业之一。TypeScript作为JavaScript的超集，通过引入静态类型系统，极大提升了大型项目的代码可维护性和开发者体验。XState则是一个基于有限状态机和状态图理论的JavaScript/TypeScript状态管理库，它将计算机科学中的形式化方法引入前端开发，帮助开发者用数学化的方式管理复杂的应用状态。Matt在这两个生态中的深耕，使他对工程化实践有着深刻的理解。

但最让人意想不到的是，在成为顶尖工程师之前，他竟然是一名声乐教练。这种跨界背景让他对沟通和表达有着极其敏锐的直觉——而这恰恰是解决「人机协作」问题的关键能力。

最近，Matt将自己日常使用的一组AI Agent技能整理并开源，这个名为Skills的仓库副标题就是「Skills for Real Engineers」——强调真正的工程实践，而不是随性的Vibe Coding。他在Readme中直言不讳地批评了GSD、BMAD、SpecKit等试图接管整个开发流程的工具，认为它们剥夺了开发者的控制权，使调试变得异常困难。

核心技能拆解：用工程化思维驾驭AI

GrillMe：让AI反过来「盘问」你

Matt认为软件开发中最常见的失败模式就是对齐失败——你以为AI懂了，其实它根本没懂。为此他设计了「GrillMe」技能。Grill在英文里有盘问、考问的意思。

启用这个技能后，AI不再是那个只会说「好的，我马上写代码」的顺从助手，而是变成一个严厉的面试官。它会不断向你提出尖锐的问题，逼着你把模糊的想法具象化，直到决策树的每一个分支都被彻底理清。

比如你让AI写一个登录页面，它不会马上动手，而是会问：用户忘记密码怎么办？需要支持第三方登录吗？登录失败的错误提示应该怎么设计？这种反向考问机制极大降低了需求理解的偏差。Matt称GrillMe是他最受欢迎的技能，因为它强迫开发者在写下第一行代码之前先进行深度思考。

GrillWithDocs：用领域语言消灭废话

当AI缺乏项目上下文时，它只能用通用词汇来猜测——这在领域驱动设计（DDD）中被称为「缺乏通用语言」。领域驱动设计是Eric Evans在2003年提出的软件设计方法论，其核心思想是让软件的结构和语言与业务领域保持高度一致。其中「通用语言」（Ubiquitous Language）是DDD最基础也最重要的概念——它要求开发团队、产品经理和业务专家使用同一套术语来描述系统，这套术语既出现在日常沟通中，也直接体现在代码的类名、方法名和变量名中。当AI缺乏这套通用语言时，它生成的代码就会充满自造的、与团队约定不一致的命名，导致代码库的可读性和一致性急剧下降。

Matt的解决方案是GrillWithDocs技能：在考问你的同时，AI会检查项目已有的领域语言和Context.md文件。

当你使用了模糊或冲突的术语时，它会当场追问澄清，并把已确认的术语和关键决策沉淀到Context.md或ADR（架构决策记录）中。架构决策记录（Architecture Decision Records）是Michael Nygard在2011年提出的一种轻量级文档实践，每条ADR记录一个重要的架构决策，包括背景、考虑的方案、最终选择及其理由。ADR的价值在于它为团队提供了决策的可追溯性——新成员可以快速理解「为什么系统是这样设计的」，而不仅仅是「系统是什么样的」。在AI协作场景中，ADR的价值被进一步放大：AI可以通过阅读ADR来理解项目的技术约束和设计哲学，从而生成更符合项目整体架构的代码。

GrillWithDocs不是简单的自动提取关键词，而是把需求讨论变成可复用的项目上下文。

举个例子：如果你的团队把「用户」称为「客户」，把「订单」称为「交易」，AI在阅读了Context.md之后就会自动使用这些术语，而不会再用它自己编造的词汇。这不仅提高了沟通效率，也让生成的代码更符合团队规范，甚至还能节省大量的推理Token。

TDD技能：用测试驱动开发对抗架构退化

AI写代码太快，快到架构来不及跟上——这是最致命的问题。Matt的应对策略是将经典的**测试驱动开发（TDD）**融入AI工作流。

测试驱动开发由Kent Beck在2003年系统化提出，其核心是一个严格的三步循环。他设计的TDD技能引导AI遵循「红-绿-重构」循环：不是一次性写完所有测试再实现所有代码，而是一个行为、一个测试，按垂直切片推进。垂直切片（Vertical Slice）是一种增量开发策略，指每次只实现一个完整的功能切面——从用户界面到数据库——而不是先做完所有界面再做所有后端逻辑。

AI先写一个失败的测试（红），然后实现功能让测试通过（绿），再重构优化代码，然后循环往复。这个循环的精妙之处在于它将「规格说明」和「验证」前置于「实现」，确保每一行代码都有明确的存在理由。这种做法与垂直切片结合，能有效防止AI一次性生成大量未经验证的代码，不仅保证了代码质量，也让AI的输出更加可控。

架构审查：给代码库定期体检

更绝的是「Improve Code-Based Architecture」技能。Matt建议开发者定期运行这个技能，让AI从全局视角审视代码库。它会审视模块设计，找出那些接口复杂、难以测试、容易出bug的地方，并提出改进方向。这就像给代码库定期做一次深度体检和理疗——主动对抗软件系统中不可避免的熵增趋势，在技术债务累积到不可收拾之前及时干预。

其他实用工具

除了核心技能，Matt还提供了一系列实用工具：

• Diagnose技能：提供结构化的诊断循环——重现bug、最小化、假设、验证、修复、回归测试。核心不是直接猜答案，而是先建立可重复的反馈循环。这种方法论源自科学方法中的假设-验证范式，避免了AI常见的「瞎猜式修复」——即不理解根因就随意修改代码，往往引入更多问题。
• To PRD技能：把当前对话和代码库理解整理成产品需求文档（PRD），并发布到GitHub Issues、Linear或本地文件。PRD是产品开发中的核心文档，定义了产品要解决什么问题、面向什么用户、具备什么功能以及成功的衡量标准。其中Linear是近年来在开发团队中迅速流行的项目管理工具，以其极致的速度和简洁的设计著称，被视为Jira的现代替代品。将AI生成的PRD直接发布到这些平台，实现了从需求讨论到任务追踪的无缝衔接。

核心认知：AI时代坏代码的代价更大

看到这里你可能会想：这些不都是传统的软件工程方法吗？测试驱动开发、领域驱动设计、架构重构——这些经典概念在AI时代还有用吗？

这正是Matt Pocock带给我们的最大认知反转。

很多人以为有了AI，就不需要懂架构、不需要写测试、甚至不需要懂编程了。但事实恰恰相反：AI是一个极其强大的执行者，但它缺乏对复杂系统的全局把控能力。如果你不懂软件工程，AI只会帮你以十倍的速度制造垃圾代码。

在过去，写出一段烂代码可能需要几天时间；而现在，AI只需要几秒钟就能生成成百上千行的烂代码。如果不加以控制，这些烂代码很快就会把整个项目拖垮。这与Fred Brooks在经典著作《人月神话》中提出的观点一脉相承——软件工程的核心困难不在于编码本身，而在于概念完整性和系统设计。AI解决了编码效率的问题，但概念完整性的挑战不仅没有消失，反而因为生成速度的提升而变得更加尖锐。

这套方法论背后的核心观点是：在AI时代，坏代码的代价更大，因此掌握扎实的软件工程基础不仅没有过时，反而成为了开发者最核心的竞争力。

人机协同的正确范式

Matt Pocock的Skills仓库表面上是一个AI工具集，本质上是一套AI时代的软件工程方法论。它告诉我们：

• 不要试图让AI接管整个开发流程，而是要把AI嵌入到成熟的工程实践中
• 用GrillMe强化需求分析，用Context.md固化领域知识
• 用TDD保证代码质量，用架构审查对抗系统熵增

最聪明的AI编程方式，反而是限制AI的自由度——通过流程化、规范化、可验证化，让AI成为真正的生产力工具。这与控制论（Cybernetics）的核心思想不谋而合：任何高效的系统都需要反馈回路和约束机制，完全不受约束的自由并不会带来最优输出，反而会导致系统失控。

人类负责定义问题、设计架构、制定规范；AI负责编写代码、生成测试、执行重构。这才是真正的AI工程师应该具备的工作模式。

未来的顶尖工程师，一定是既懂底层技术，又懂如何与AI进行高效人机协同的人。他们不是被AI替代的码农，而是指挥AI大军的架构师——知道什么时候该让AI自由发挥，什么时候该对AI进行严格约束。

在AI时代，软件工程的基础不仅没有失效，反而成为了你最核心的护城河。拒绝不经思考的代码生成，用工程化的思维去驾驭AI——这才是AI编程的正确姿势。