Vibe Coding实战：大厂AI编程的正确姿势是写Skill而非写代码

从"AI写代码"到"AI写Skill"：一个被忽视的认知升级

当越来越多的开发者开始使用 Claude Code、Codex、Cursor 等 AI 编程工具时，一个关键问题浮出水面：我们真的在用好 AI 编程吗？

在这场围绕 Vibe Coding 企业级项目开发的实战分享中，讲师提出了一个颠覆性的观点：如果你仍然只是在 AI 编程工具里直接说"帮我开发某某功能"，那你其实是在用"假的 AI 编程"，已经有点落伍了。

这里有必要先解释一下 Vibe Coding（氛围编程）这个概念。它最早由 OpenAI 联合创始人 Andrej Karpathy 在 2025 年初提出，描述的是一种全新的编程范式：开发者不再逐行编写代码，而是通过自然语言描述需求，由 AI 生成代码，开发者只需"感受氛围"（vibe）来判断结果是否正确，然后不断迭代。这种方式极大降低了编程的门槛，让非专业程序员也能构建应用。然而，Karpathy 本人也坦承，Vibe Coding 更适合个人项目和原型验证，对于需要长期维护的企业级项目，代码质量和可控性仍然至关重要。本文讨论的 Skill 驱动开发，正是对 Vibe Coding 在企业场景中的一种工程化改良——保留 AI 驱动的高效率，同时通过 Skill 机制补上质量可控性这块短板。

真正在大厂和成熟企业里，让 AI 编程的正确方式，是把常用的、重复的开发模式抽象成 Skill（技能）。据分享者观察，大厂程序员使用 AI 的时间里，可能有 70%~80% 在写 Skill，而直接写代码的时间反而较少。

Skill 的概念并非凭空出现，它本质上是软件工程中"代码模板"和"设计模式"思想在 AI 时代的自然演化。早在 AI 编程工具流行之前，企业开发中就已广泛使用代码生成器（如 MyBatis Generator、JHipster）、脚手架工具（如 Yeoman）和 IDE 代码模板来减少重复劳动。Skill 将这一理念推进了一步：它不仅仅是静态的模板，而是一套包含上下文理解、规范约束和动态适配能力的"智能模板"，能够根据具体的业务场景和技术栈生成高度定制化的代码。从本质上看，Skill 可以类比为 DevOps 领域中的 Infrastructure as Code（基础设施即代码），只不过它实现的是 Best Practice as Code（最佳实践即代码）。

这个转变的核心逻辑在于：缓存架构、分布式事务、微服务架构等常规开发模式，都是团队反复使用的东西。把这些沉淀为 Skill，让 Skill 去驱动代码生成，就能把工程师从重复劳动中解放出来。

直接让AI写代码为什么会"变成屎山"？

很多开发者习惯直接告诉 AI 编程工具"帮我开发这个功能、那个功能"，这种原生的、随性的开发方式看似高效，但项目做久了之后，代码大概率会退化成难以维护的"屎山代码"。

"屎山代码"是开发者社区对技术债务（Technical Debt）极端情况的通俗表达。据 Stripe 在 2018 年发布的一项调研报告，全球开发者平均将 42% 的工作时间花在处理技术债务和维护低质量代码上，由此造成的年经济损失高达 850 亿美元。AI 编程工具的出现本应缓解这一问题，但如果缺乏工程化约束，AI 反而可能加速技术债务的积累——因为 AI 生成代码的速度远快于人工，没有规范约束的高速生成等于高速制造混乱。这也正是 Skill 机制被提出的现实背景：用工程化的方式为 AI 的高效产出套上质量的缰绳。

问题的根源在于：缺乏一致性和可控性。AI 每次生成代码时，如果没有统一的规范约束，会产生风格各异、质量参差的实现，团队协作和长期维护都会变得困难。

而 Skill 提供的正是这层"规范约束"。分享者强调："如果你让 AI 大量的时间去开发的是 Skill，让 Skill 去开发代码，你的项目写出来的代码质量绝对比原来要好得多。"

换句话说，Skill 扮演了工程化的中间层——它把最佳实践、架构模式、编码规范固化下来，让 AI 在一个可控的框架内生成代码，从而实现代码质量可控、易于团队协作、可长久维护。

Skill的两种形态：从提示词到代码脚本

根据分享内容，Skill 的复杂度可以由浅入深：

• 简单 Skill：本质上就是一段精心设计的提示词，比如"公众号报文自动生成 Skill"。
• 复杂 Skill：可以嵌入代码、脚本，实现更专业的能力，比如"大 A 量化分析 Skill"、"自动化发布小红书图文 Skill"。

以小红书自动化发布为例：过去运营者每天需要手动登录网站、逐篇发布笔记，而学会对应的 Skill 后，只需把文章写好（甚至让 AI 代写），一键执行 Skill 即可全自动完成发布，效率成倍提升。

AI编程工具选型：Claude Code、Codex、WorkBuddy各司其职

这场分享一个务实的地方在于，它没有鼓吹"唯一最强工具"，而是根据场景做了清晰的工具分工。

全球主流的两大AI编程工具

从全球视角看，Claude Code 和 Codex 是目前能力最强的两款 AI 编程工具。而国内则有字节的 Trae、腾讯的 CodeBuddy（WorkBuddy）等工具广泛使用。

Claude Code 是 Anthropic 公司推出的命令行式 AI 编程工具，基于其 Claude 系列大语言模型，擅长处理大型代码库的上下文理解和复杂架构任务，其 Agentic 编程能力（即 AI 自主规划、执行多步骤编程任务的能力）在业界评测中表现突出。Codex 则是 OpenAI 推出的编程智能体，最初以 GPT 模型驱动的代码补全能力闻名（早期集成在 GitHub Copilot 中），后来演化为可以在沙盒环境中自主执行完整开发任务的独立产品。两者的核心差异在于交互范式：Claude Code 更偏向终端命令行的深度交互，适合有经验的工程师处理复杂架构问题；Codex 则提供了更友好的可视化界面和异步任务管理能力，适合更广泛的使用者群体。

你可能没注意到，工具背后的大模型同样关键。分享者的实际配置如下：

工具	后端大模型	适用场景
Codex	GPT 最新版本（最适配）	简单 Skill、可视化能力强
Claude Code	智谱 GLM（避免 Claude 封号风险）	企业级复杂架构
WorkBuddy	DeepSeek（性价比高）	无需科学上网的替代方案

有意思的是，分享者选择在 Claude Code 中接入国产的 GLM 大模型，而非官方最适配的 Claude 模型——原因很现实："Claude 的账号时不时就被封没了"，尤其在涉及科学上网、IP 频繁变动的场景下风险更高。

这个细节反映了国内开发者使用海外 AI 工具的真实困境，也解释了为何 GLM、DeepSeek、通义千问、小米 MiMo 等国产大模型正在成为可靠的替代选项。文中提到的智谱 GLM-4 系列在代码生成、逻辑推理等基准测试中已接近国际顶尖水平，且提供了稳定的国内 API 服务，不存在封号风险。DeepSeek 则以极高的性价比著称——其 DeepSeek-V3 和 DeepSeek-R1 模型在编程任务中的表现与 GPT-4 级别模型相当，但 API 调用成本仅为后者的几分之一到几十分之一。这些国产模型通过兼容 OpenAI API 格式的接口设计，使得开发者可以在 Claude Code、Cursor 等海外工具框架中无缝切换后端模型，实现"海外工具框架 + 国产模型引擎"的混合使用方案。这种灵活性正是当前国内 AI 开发生态的一大特色。

环境搭建的实用建议

在具体落地上，Claude Code 通过 VS Code 插件的形式集成使用——即在微软的 VS Code 这个 IDE 中安装 Claude Code 插件，然后在其中编写指令。当然，用 Cursor 或其他国产 IDE 也完全可行。

对于难以使用海外网络的开发者，WorkBuddy 配合 DeepSeek 是门槛更低的方案，其可视化能力更强，适合所有层次的用户。

场景化的工具分配策略

分享给出的工具分配逻辑，本质上是一种"因材施用"：

• 简单任务（如公众号报文生成、文章撰写）→ 用 Codex 或 WorkBuddy，可视化能力强，人人可用；
• 企业级复杂任务（Java 架构、Python 架构、Redis 缓存架构、线上问题排查）→ 用 Claude Code，更专业，适合有经验的程序员。

这种分配策略避免了"一把锤子看什么都是钉子"的误区。同时，分享者也提到会同时开启多款工具作为备份——毕竟在实战演示中，某个工具偶尔会变慢或出问题，多工具并行能保证任务顺利完成。

Skill二次开发：企业场景的进阶玩法

除了从零编写 Skill，分享还提到了一个更贴近企业实战的概念——Skill 的二次开发。

典型场景是：你已有一个功能模块，原本没有缓存，现在需要在其基础上加入 Redis 缓存架构。这时候不需要从零写起，只需简单几句话调用相应的 Skill，它就能自动生成一整套符合规范的缓存实现。

这里值得展开说明一下 Redis 缓存架构为什么是 Skill 的典型应用场景。Redis（Remote Dictionary Server）是全球使用最广泛的内存数据库和缓存中间件，几乎所有互联网企业的后端架构都依赖它来解决高并发场景下的性能瓶颈。但 Redis 缓存架构的实现远非"加一层缓存"那么简单——它涉及缓存穿透（查询不存在的数据绕过缓存直击数据库）、缓存雪崩（大量缓存同时过期导致数据库压力骤增）、缓存击穿（热点数据过期瞬间的并发冲击）、缓存与数据库一致性（先更新缓存还是先更新数据库的经典难题）等一系列工程问题，每个问题都有成熟的解决方案和代码模式。将这整套最佳实践封装为一个 Skill，意味着团队中任何成员只需一句指令就能生成一套生产级别的缓存实现，而不用每次都从零思考这些复杂的边界场景。

这正是 Skill 复用价值的体现——把架构能力沉淀为可反复调用的资产。

AI编程正在走向工程化

这场分享传递的核心信息很清晰：AI 编程正在从"个人随性写代码"进化到"系统化、工程化的 Skill 驱动开发"。

对于仍在"古法编程"手写代码，或只会让 AI 直接生成功能的开发者来说，理解并掌握 Skill 的开发与复用，可能是接下来最重要的能力升级。它不仅关乎效率，更关乎代码质量的可控性、团队协作的顺畅度和项目的长期可维护性。

工具会不断迭代，大模型会持续更新，但"把重复模式抽象为可复用能力"这一工程化思维，才是穿越技术周期的真正护城河。