目前，多数人用自然语言驱动 AI 编码工具生成代码，再由人工复审、修改、测试 AI 生成的代码，以保证交付质量。严格意义上说，这种方式并不是卡帕西所说的 Vibe Coding（氛围编程）。
一、由来
"Vibe Coding"（氛围编程）这个词由 Andrej Karpathy（OpenAI 创始成员、前 Tesla AI 负责人）在 2025 年 2 月 3 日发布在 X 上的一条推文中提出。
原文内容如下：
There's a new kind of coding I call "Vibe coding", where you fully give in to the Vibes, embrace exponentials, and forget that the code even exists. It's possible because the LLMs (e.g. Cursor Composer w Sonnet) are getting too good.
有一种新型的编码方式，我称之为"氛围编程"（Vibe coding）：你完全沉浸在感觉里，拥抱指数级加速，忘掉代码的存在。这之所以成为可能，是因为大语言模型（如搭配 Sonnet 的 Cursor Composer）正变得越来越强大。
Also I just talk to Composer with SuperWhisper so I barely even touch the keyboard. I ask for the dumbest things like "decrease the padding on the sidebar by half" because I'm too lazy to find it.
我还会用 SuperWhisper 直接和 Composer 对话，几乎不怎么碰键盘。我会提出一些蠢得可爱的需求，比如"把侧边栏的内边距缩小一半"，因为我懒得自己去找。
I "Accept All" always, I don't read the diffs anymore. When I get error messages I just copy paste them in with no comment, usually that fixes it.
我总是点"全部接受"，再也不读差异对比了。遇到报错信息，我就直接复制粘贴进去，不加任何注释，通常这样就能修好。
The code grows beyond my usual comprehension, I'd have to really read through it for a while. Sometimes the LLMs can't fix a bug so I just work around it or ask for random changes until it goes away.
代码已经超出了我平时能直接看懂的范围------要真正理解它，我得认真读上好一阵子。有时候大语言模型修不了某个 bug，我就绕开它，或者随便让它做些改动，直到问题消失为止。
It's not too bad for throwaway weekend projects, but still quite amusing. I'm building a project or webapp, but it's not really coding - I just see stuff, say stuff, run stuff, and copy paste stuff, and it mostly works.
对于随手一做的周末项目来说，这还算不错，但也确实挺有意思的。我在构建一个项目或网页应用，但这不太算是真正意义上的编程------我只是看到东西、说说需求、跑跑代码、复制粘贴，然后大多数时候它就能跑起来。
二、小结
1. 定义
Vibe Coding 是在模型足够强的前提下，开发者以自然语言驱动 AI 生成代码，并主动放弃阅读、理解和掌控代码本身的一种探索式编程模式。作者也认为 Vibe Coding "不太算是真正意义上的编程"------而是看、说、跑、粘贴四个动作的循环（see / say / run / copy-paste），并且"大体上能跑就行"。
润色：Vibe Coding 指在模型足够强的前提下，开发者用自然语言驱动 AI 生成代码，并主动放弃阅读、理解和掌控代码的一种探索式编程模式。卡帕西本人也说，它"不太算是真正意义上的编程"，而是看、说、跑、粘贴四个动作的循环（see / say / run / copy-paste），"大体上能跑就行"。
2. 特点
（1）模型够强。他明确说之所以可行，是因为 LLM（Cursor Composer 配 Sonnet）已经"好得过头"。这是 Vibe Coding 成立的硬条件------离开足够强的模型，这套玩法立刻崩。
（2）自然语言/语音为主的交互。他用 SuperWhisper 对着 Composer 说话，几乎不碰键盘。连"把侧边栏 padding 减半"这种琐碎事也直接口述，因为懒得自己去找。交互媒介从"敲键盘"退化成"说话"。
（3）指数主义心态。"拥抱指数级"指的是一种态度上的前提------相信模型能力还在快速增长，所以值得现在就把掌控权交出去。
3. 约定
（1）永远 Accept All，不读 diff------不审查模型改了什么。
（2）报错原样粘回去、不加任何说明------把调试也外包给模型，通常就修好了。
（3）代码增长到超出自己理解------并且坦然接受这一点，不去补课读懂。
（4）改不动就绕过或随机试------遇到模型修不了的 bug，要么绕开，要么乱改到它消失为止。
4. 适用
这套做法"对用完即弃的周末项目还不赖"。也就是说，Andrej Karpathy 从一开始就把它定位在低风险、抛弃型的场景，而非一套正式的、普适的工程方法论。
5. 本质
主动、自觉地放弃对代码的理解与责任，这是 Vibe Coding 与普通"AI 辅助编程"的根本区别，后者你仍在读、在懂、在负责。
三、优缺点
1. 优点
（1）速度与迭代成本极低。从想法到可运行原型可以压缩到几分钟，试错几乎没有成本。这对验证假设、做 demo、探索"这个方向到底行不行"特别有价值。
（2）释放注意力到意图层。你不再纠结语法、API 签名、样板代码，而是专注于"我到底想要什么"。Karpathy 的说法是，关键能力从"掌握语法"变成了"表达意图"。
（3）降低门槛、扩大产出。一方面非专业人士也能做出东西（民主化）；另一方面------这点常被忽略------它让专业开发者写出大量本来根本懒得写的小工具、自动化脚本。即"扩大了软件存在的总量"。
（4）抛弃型场景的完美契合。一次性脚本、周末项目、个人小工具，写完就丢，没有维护负担。这正是它最初被框定的语境。
2. 缺点
（1）质量与可维护性。代码可能"能跑"但结构混乱、命名随意、抽象错误。短期看不出来，半年后回头看就是技术债的雷区------而你当初没读过它，更难偿还。
（2）理解缺失 = 黑盒。这是最致命的一点。一旦出 bug 而 LLM 又改不动，你会陷入"复制错误信息、随便换个写法再试"的循环。因为你不理解代码，调试能力直接归零。放弃掌控感，在顺境是解放，在逆境是灾难。
（3）安全性。未经审查的代码容易引入漏洞、硬编码密钥、不安全的依赖。这在公开部署时尤其危险。
（4）扩展性天花板。小项目顺风顺水，但随着代码量和复杂度上升，缺乏一致架构的代码会越来越难驾驭，LLM 的上下文也撑不住整个系统。
（5）技能退化。长期只"Vibe"而不读、不写、不理解，基础工程能力会萎缩------尤其对还在成长期的开发者。
（6）责任与合规。生成代码的 IP/许可证来源、生产环境出事后的责任归属，都是模糊地带。
四、适用场景
适用的判断标准不是"该不该用 AI"，而是我们是否需要对这段代码长期理解和负责。
（1）示例型、低风险（反例：修改系统配置属于高风险，不适用）、探索性 → Vibe Coding 收益远大于风险，放手干。
（2）生产环境、需长期维护、涉及安全/资金/合规 → 必须退回到"读得懂、负得起责"的 AI 辅助编程，甚至 Spec Driven Development 这种更规范的开发模式。
五、看法展望
以当前的 AI 编码工具（Claude Code）、LLM（Claude Opus 4.8）及配套生态（如记忆、上下文、知识图谱等）来看，Vibe Coding 确实只适合低风险、示例性的个人或临时探索项目；正因如此，业内开始推行一种新的 AI 开发模式------规范驱动开发（Spec Driven Development），该模式强制要求必须"先规划、再动手"，在编写任何代码之前，由人和 AI 共同生成一份结构化、可测试、可被 AI 理解和执行的规范文档，让它成为双方共同的"单一事实来源"，再据此驱动 AI 生成代码。整个过程就像盖房子前先画好施工图，从而保证结果可控、稳定。
不过参考里奇·萨顿的"苦涩的教训"，未来随着 LLM、AI 编码工具及 AI 生态（代码库语义、知识图谱等）的持续发展，AI 将越来越能理解人类需求与代码语义，Vibe Coding 当前遇到的各类问题也将逐步减少，适用场景可能不断扩大，尤其在中小型项目中。
苦涩的教训：
（1）2024 年图灵奖获得者里奇·萨顿（强化学习之父）提出。
（2）核心观点：利用人类的先验知识或手工设计的规则来提升 AI 性能，短期有效，但长期会阻碍进步。真正带来长远巨大成功的，是依靠"通用的、可扩展的计算力"与"学习"本身。
（3）举例说明：早期 AI 国际象棋程序使用大量人类大师的知识和棋谱，效果不尽如人意，而 AlphaZero（AlphaGo 升级版，以强化学习为主，支持各种棋类）除了基本规则，没有任何人类棋谱知识，仅通过自我对弈（搜索 + 强化学习），从零开始训练，碾压了所有基于人类知识的程序。