Vibe Coding的真相：代码可以不写，但不能不懂

一个简单问题引发的思考

在做一个视觉项目时，Linux环境里出现了一个典型问题：系统找不到Python命令，只能找到Python3。这个问题有其历史渊源——Linux系统中python与python3命令分离，源于Python 2到Python 3长达十余年的过渡期遗留设计。许多Linux发行版为避免破坏依赖Python 2的系统脚本，默认不将python指向python3，解决方案通常是创建符号链接或在shell配置文件（如.bashrc）中设置Alias（别名）。对程序员来说，这就是一个Alias的问题——打开GPT，描述问题，复制粘贴解决方案，运行，搞定。

但这件事真正有意思的点，不在于GPT给出的答案，而在于我知道我在问什么。我知道这不是代码写错了，不是模型坏了，而是一个典型的Linux环境配置问题。

知道「该查什么」才是Vibe Coding的核心能力

没有程序员可以记住所有的Linux指令，也不可能记住所有C++、Python库的语法。所有程序员一定都是现用现查的。但最重要的区别在于：程序员知道该查什么。

这让人想起那个经典故事：工厂机器坏了，老板请来工程师，工程师看了看，在机器上画了一个圈，问题就解决了。老板质疑为什么画个圈要收这么多钱，工程师的账单写道：画个圈1美元，知道圈该画在哪里9999美元。

现在的Vibe Coding也是一模一样的道理。

所谓Vibe Coding，是2025年初由OpenAI联合创始人Andrej Karpathy提出并迅速流行的编程范式概念，指的是开发者主要依靠自然语言描述意图、让AI生成代码，自己几乎不直接编写代码的工作方式。这个词迅速被社交媒体放大，演变成一种「人人都能编程」的叙事符号——而这正是问题所在。

互联网上的Vibe Coding幻觉

打开社交媒体，你会看到铺天盖地的内容：

• "我一行代码都不会写，但我用AI做了一个项目"
• "我不是程序员，但我一天能让AI写四五个软件"
• "以后代码能力不重要，只要会和AI对话就行"

这些内容的潜台词往往是：快来关注我，快来买我的课，再不跟上Vibe Coding的潮流你就被时代抛弃了。结果就是把你每天要焦虑的事情从100件变成101件，最后买一大堆课、烧一大堆token，然后什么都没做出来。

真实工程中AI编程的残酷现实

真正做工程不是演示Demo那样光鲜。真实项目里你会碰到一大堆问题：

• Python命令找不到
• 虚拟环境没激活
• 库版本不对
• 依赖冲突
• 端口被占用
• 路径写错

这些问题单看都不难，但如果你完全不懂代码、不懂环境，你连它属于哪一类问题都不知道。

你只能继续问AI，而AI——尤其是Agent模式——它会先扫描文件、解释环境、猜测依赖、调用工具、然后再尝试修复。这个过程极其烧token。理解其中的技术原因很重要：Claude、GPT等大模型的Agent模式会自主规划并执行多步骤任务，每一步的「思考」、工具调用、结果解析都会消耗大量token。与单次问答不同，Agent在处理模糊问题时会进行大量探索性操作，导致token消耗呈指数级增长。你可能在Claude里打一个简单的问题，它花了20分钟、烧了5块钱token，最后问题也不一定解决。

但有经验的工程师看到同样的问题，可能10秒钟就能定位原因。

正确理解Vibe Coding：AI辅助而非AI替代

最正确的理解绝对不是"我不会写代码但我能写软件"。一个prompt下去做了个网页、做了个计算器，确实很有成就感。但一旦项目稍微变大、稍微变复杂、需要长期维护，后果将会是灾难性的。

你可以让AI帮你生成代码，但你必须有能力判断AI在干什么。 不然你不是在指挥AI，而是在被AI拖着走。

结论：AI是放大镜，不是替代品

AI是一个放大镜，它会放大你原本的能力，但它不能替你长出新的能力。

这就是Vibe Coding时代的核心认知：

1. 代码可以不写，但不能不懂——你需要理解基本的编程概念和工程环境
2. 知道问什么比得到答案更重要——诊断能力是AI无法替代的
3. Demo和产品之间隔着一道鸿沟——维护、调试、扩展才是真正的挑战

潮水退去了，才知道谁在裸泳。与其追逐焦虑营销，不如踏实地建立自己的技术判断力。AI会让强者更强，但不会让外行变成专家。

核心要点

• 代码可以不写但不能不懂——核心能力在于知道该问什么问题，而非记住所有语法
• Vibe Coding的营销幻觉：一行代码不会写就能做项目的说法忽略了真实工程的复杂性
• 完全不懂代码的人使用AI编程会面临大量token消耗和无法定位问题的困境
• AI是能力放大镜而非替代品——它放大你原有的能力，但不能替你长出新能力
• 项目从Demo到可维护产品之间存在巨大鸿沟，需要基本的技术判断力