2025 年 2 月，一个叫 Andrej Karpathy 的人在社交平台上随手发了一段话。他是 OpenAI 的联合创始工程师、前特斯拉 AI 负责人，那天他描述了一种新的编程方式：完全跟着感觉走，不看代码，出错了就把报错信息丢回去让 AI 改------他给这种方式起了个名字，叫 "vibe coding"（氛围编程）。他自己都没料到这条推文会火，后来他在一次演讲里回忆："我以为它只是一时兴起，但它成了彻底的梗------我想它触动了一根弦，给每个人都在感受、却说不出口的东西起了个名字。"如今这个词已经有了维基百科页面。
一年后，一个在字节跳动干了五年、完全不懂代码、纯文科背景的产品经理，用几句话就让 AI 做出了一个功能完整的微信朋友圈------图文、评论、点赞、发布、可见范围一应俱全。她甚至不知道代码是怎么写的，只知道"有 bug"，然后用大白话告诉 AI，AI 就修好了。
这两件事放在一起，指向同一个问题：编程这件事，是不是真的对普通人打开了一扇门？
我的答案是：Vibe Coding 确实把编程的门槛从"会写语法"降到了"会提需求、会判断好坏"，普通人第一次有了真正参与编程的可能；但门槛降低不等于没有门槛------真正的分水岭从"会不会写代码"变成了"会不会判断好坏"，而这件事，程序员并没有被取代，反而更被需要。
一、编程的门槛被"自然语言"击穿了：从写语法到说人话
要理解这场变化有多大，得先回到 Karpathy 的一个判断。从 AI 发展的视角看，软件的形态已经变过两次：最早是人手写的代码（Software 1.0），后来是训练出来的神经网络权重（Software 2.0）------后者不是"写"出来的，而是"调"出来的。而他认为，近几年出现了第三种形态（Software 3.0）：用提示词给大语言模型编程。他在演讲里说："你的提示词现在就是给 LLM 编程的程序。而且，这些提示词是用英语写的。"
这句话的分量在于：过去七十年，编程语言是少数人掌握的技能，而现在，编程的"语言"变成了每个人都会说的自然语言。 Karpathy 那条被置顶的推文说得更直白------我们正在用自然语言给计算机编程。他由此推出一个结论：突然之间，每个人都是程序员了，因为每个人都会说英语这样的自然语言；过去你要花五到十年学习才能用软件做点什么，现在不是了。
这不是理论推演，而是正在发生的现场。一位在字节跳动做了五年产品经理、完全不懂代码的从业者，用几句话就让 AI 做出了一个功能完整的微信朋友圈：她先用 ChatGPT 讨论产品方案，把方案稿复制到另一个工具里，说"帮我做一个微信朋友圈"，AI 就做出了完整的功能。她对比了今昔的差别------以前做一个朋友圈功能，最多要涉及七种角色：产品经理、设计师、前端、后端、客户端、算法工程师、测试；而现在只有两个角色：你，和 AI。 这也正是"一人公司"变得越来越可行的原因。
更有意思的是 Karpathy 自己举的例子。他 vibe code 了一个叫 MenuGen 的 App------你在餐厅看不懂菜单，拍张照，它就生成菜品图片。他坦言自己根本不会写 Swift，但"就一天的工作，当天晚些时候它就在我手机上跑了"。他还讲了一个细节：这个 App 注册就送 5 美元额度，"所以这是我生活里的一个主要成本中心，目前是个负收入 App，我在上面亏了很多钱"------一个不会写代码的人，能做出一个真实上线、真实烧钱的产品，这在两年前是难以想象的。
门槛确实降了。但降到哪里，就停在哪里了吗？并没有。
图：编程门槛的变化------过去要学编程语言，现在说自然语言
二、但"说人话"不等于"随便说"：vibe coding 自带一套方法论
如果 vibe coding 真的只是"对着 AI 说一句我要什么"，那它早就该被证伪了。现实是，真正跑通的人，都在"说人话"之外，悄悄加上了一整套方法论。
先看 vibe coding 的原始形态有多粗糙。它有两个典型毛病：一是目光短浅------让 AI 改一个 bug，这个 bug 是改好了，却又引入了新的 bug，甚至完全破坏了程序原有的逻辑；二是需求不明确------你明明想要一个塞尔达，它却给你做出一个原神（两款风格迥异的游戏，这里调侃 AI 理解不了需求的细微差别）。
于是，为了让 AI 真正写出"懂我"的程序，人们发明了一连串沟通技巧：写程序前先和 AI 讨论需求，让它通过不断提问来明确你到底想要什么；开发前先写规范文档，再照着文档开发，这叫 SDD（Spec-Driven Development，规范驱动开发）；写程序前先写测试用例，把开发变成"不断让测试通过"的过程，这叫 TDD（Test-Driven Development，测试驱动开发）。这一整套"话术"下来，字数都能写一篇高考作文了。为了省事，人们又把这些提示词打包成模板分享------比如 Open Spec 走 SDD 流程，Superpowers 走 TDD 流程。
更完整的做法，来自一套被反复验证的五步流程 ：环境搭建、产品设计、技术设计、产品实现、人工验证。其中有两个细节特别关键：
第一，给 AI 建立"项目说明书" 。在项目里创建一个 agents.md 文件，写明两条铁律------每次改动必须创建版本快照，每次改动必须编写或更新测试并确保全部通过才能交付。这样 AI 就不会写完代码直接交差，而是会自己先跑一遍、测一遍，发现问题就继续修。
第二，给 AI 自测的能力 。给 AI 一个能够验证的环境非常重要，否则它很容易就会写出一堆 bug。很多人只是让 AI 写代码，却不给它验证的环境，结果自己就沦为了测试员，来来回回帮 AI 找 bug，极其浪费时间。
这套流程还给出了"什么时候可以省步骤"的判断标准------简单且不重要的需求，可以跳过产品设计和技术设计，直接让 AI 实现；复杂且重要的需求，才走完整五步。这恰恰说明：vibe coding 不是"不用思考"，而是"把思考用在了不同的地方"。
图：vibe coding 的五步方法论------从环境搭建到人工验证
三、方法论要落地，得靠"编程智能体平台"
上面这些方法论听起来都对，但一个现实问题是：光有方法论不够，它得有地方落地。 这就是编程智能体平台（比如 OpenAI 的 Codex、Anthropic 的 Claude Code、Cursor 等）出现的原因------它们不是"更聪明的聊天窗口"，而是把 vibe coding 从"纸上谈兵"变成"能干活"的基础设施。
它首先解决的是"AI 够不着你的电脑"这个死结。 最早的 vibe coding 是在聊天窗口里复制粘贴：AI 给你一段代码，你贴到本地运行，报错了再把错误粘回去------写个小程序要来回几十次。根本原因是，大模型和聊天界面都跑在厂商的服务器上，它唯一的能力是"产出内容"，没法直接读你硬盘上的文件、更没法执行程序。编程智能体平台补上的正是这一环：它是一个跑在你本机（或云端沙盒）的程序，能直接读写文件、执行终端命令、跑测试、提交代码，把"读代码→改代码→运行验证"连成一个闭环------相当于给 AI 装上了一双能操作电脑的手。
第二个要解决的是"上下文"。 聊天窗口看不到你的整个项目，而编程智能体平台会主动收集项目结构、你正在编辑的文件、命令行输出等信息，一起打包给模型，让它"看到的东西跟你几乎一样"。这也是为什么它能在几十万行的代码库里定位问题，而不是只会在一个孤立文件里打转。第三个是"并行与长时运行" ------云端智能体可以并行跑多个任务、后台运行、甚至跨天自动唤醒，把"一个人"的产能放大成"一支小队"。
看清了它解决什么问题，发展方向也就清楚了。一是从单 Agent 走向多 Agent 协作 ------由一个"调度者"把任务拆开，分派给架构、编码、测试、审查等专业子 Agent，并行推进再交叉校验；二是长时运行与自主执行 ------让 Agent 在无人值守的情况下连续工作数小时，中途可检查点恢复；三是 MCP（模型上下文协议）生态与权限分层 ------用统一协议把数据库、代码仓库、设计工具接进来，同时把安全从"事后打补丁"变成"架构前置"，高风险操作默认需要人工审批。
那么具体到人，该怎么用？对程序员来说，角色正在从"写代码"转向"编排写代码的 Agent"。 核心职责变成了架构设计、任务分解、质量评估和最终把关。但"委托"是有边界的：AI 擅长"你已经明确知道该怎么做"的任务，而模糊需求、跨模块的系统判断、安全与权限边界，必须由人兜底。一个被反复验证的经验是------把项目规范写进 agents.md 之类的配置文件，让 AI 每次都读到；把能自动化的检查（测试、格式、静态扫描）交给确定性的工具，而不是指望 AI"记得"。
对普通人来说，门槛确实降了，但不是降为零。 你不需要会写代码，但需要三样最小能力：把需求说清楚（用大白话描述"我要什么、给谁用、解决什么问题"）、会读报错并原样反馈（把错误信息复制给 AI，而不是只说"它坏了"）、知道安全红线（不要把密钥硬编码进去，涉及支付、隐私的功能要请专业人员把关）。还要有心理准备："最后 20%"往往比想象中难得多 ------认证、支付、边界情况这些收尾工作，常常比做出一个能跑的 Demo 花的时间还长。
到这里，一个自然的追问就出现了：如果 AI 能写、能测、能部署，那这套流程里"人"到底在做什么？答案，恰恰藏在下一节的代价里。
图：编程智能体平台------给 AI 装上能操作电脑的手
四、门槛降低的代价：判断力成了新的分水岭
图：门槛降低的代价------生成变便宜，判断变昂贵
Vibe Coding 最诱人也最危险的地方在于：它让你"感觉"自己很快，但感觉和现实之间，可能隔着一条鸿沟。
最硬的证据来自 Anthropic 官方做的一项随机对照试验。他们找了 52 名（大多是初级）软件工程师，让他们学习一个新的 Python 库，一半人用 AI 辅助，一半人纯手写。结果出人意料：AI 组的测验得分比手写组低了 17%------AI 组平均 50 分，手写组平均 67 分 （这个差距在统计上显著，Cohen's d=0.738，p=0.01）。更耐人寻味的是，AI 组的速度只快了大约两分钟，而且这个速度提升在统计上并不显著。两组差距最大的题目，是"调试"类------也就是"判断代码什么时候错、为什么错"的能力。
Anthropic 在结论里写下了一句意味深长的话："认知努力------甚至痛苦地卡住------很可能对培养精通至关重要。"（Cognitive effort---and even getting painfully stuck---is likely important for fostering mastery.）换句话说，那些被 AI 替你省掉的"卡住"的时刻，恰恰是能力生长的时刻。
这不是孤例。另一项被广泛引用的研究（METR）发现：开发者自认为用 AI 后快了 20%，实际测量却慢了 19%------感知与实际的差距接近 40%。研究者把这种状态称为"dark flow"（暗流），说它像老虎机一样，把"损失伪装成胜利"。一句话总结就是：我们自动化了写代码，但没有自动化软件工程。
而最生动的警示，来自一个真实的生产事故。一位开发者用 AI 做了个搜索功能，上线当天一切正常------因为只有 10 个测试用户。两周后的黑色星期五，网站四分钟内崩溃：AI 生成的代码在每一次按键时都触发一次数据库查询，有人输入"running shoes"（跑鞋），就是 12 次查询猛砸生产环境。没有防抖、没有缓存、没有限流。公司每分钟损失 1.2 万美元。当被问及为什么没做防抖时，这位开发者的回答诚实又可怕：测试时是好的，他没意识到这会是个问题。真正的要害在于：他不是做了个坏决定，他根本没做决定。
连"vibe coding"这个词的命名者 Simon Willison 本人，也在动摇。他原本坚持"vibe coding（不看代码）"和"agentic engineering（专业工程化使用 AI）"是两回事，但如今他承认，这两者在他自己的工作中已经开始模糊，这让他很不安。他划出了一条底线：vibe coding 只适合"个人工具，bug 只伤到自己"；如果为他人构建软件，vibe coding 是严重不负责任的，因为那涉及他人的数据。 他还提出了一个新难题：AI 能在半小时内造出一个有 100 次提交、漂亮 README、完整测试的仓库，外观和用心打磨的项目一模一样，根本无法从外观分辨------因此他现在更看重的是"作者是否真的用过这个东西"。
BitTorrent 之父 Bram Cohen 说得更直接：纯粹的 vibe coding 是个神话。他讽刺那种"看引擎盖下面就是作弊"的教条，并留下一句值得所有开发者贴在墙上的话：烂软件是你做的决定，你得认账。
把这些放在一起看，结论就清楚了：AI 把"写"这件事的成本压到了接近零，但"判断"这件事的成本没有降，反而因为"写"变得太容易而变得更贵。 当生成代码不再是瓶颈，瓶颈就转移到了"生成之后------你能不能看出它对不对"。
五、普通人到底能不能参与？能，但程序员也没有被取代
图：普通人能参与吗------判断力成了新的分水岭
回到最初的问题：普通人到底能不能参与编程？
能，而且门槛确实比过去低得多。 但素材同时告诉我们两件事，缺一不可。
第一，普通人需要的不是"先学会编程"，而是"先动手"和"会判断"。 那位字节的产品经理给普通人的建议很直接：直接开干，找一个你想实现的小 idea，不要上来就做微信，在干的过程中学习；了解不同的 AI 工具；多用，用得越多越能找到感觉；建立"不懂就问 AI"的心智。反过来，你不需要先学一堆概念------学概念的周期太长，等你学完却没有任何实际收获，很可能就失去兴趣了。而一位从零开始做小白教程的实践者说得更朴素：vibe coding 其实非常简单，就是用大白话去告诉 AI 你想要什么；最难的不是这个技术，而是第一次动手的决心。
第二，"会判断"这件事，恰恰是程序员的价值所在，而且它没有被取代，反而更被需要。 一位作者提出了一个叫"熟练编排者悖论"的说法：管理 AI 所需的技能，恰恰会被 AI 侵蚀------你越是依赖 AI 生成，就越难判断它生成得好不好。这解释了为什么 Anthropic 的研究里，高分者的共同点是"用 AI 建立理解"而不是"用 AI 代替思考"：他们追问、要解释、提概念性问题，而不是简单地说"帮我写"。
Karpathy 在播客里给出了一个更乐观的框架。他借用经济学里的杰文斯悖论------就像 ATM 没有消灭银行柜员，反而因为网点成本下降而让柜员更多------认为软件需求会变得极大："软件过去稀缺、太贵，如果门槛降低，需求反而会上升。我对软件工程持谨慎乐观。"他甚至给出了一个关于"人的价值"的判断："agent 做不到的事，才是你现在的工作；agent 能做的，它可能很快比你做得更好。所以你应该策略性地思考，你真正把时间花在哪。"
他还讲了一个关于教育的观察，意味深长。他做了个把大语言模型蒸馏到本质的 200 行代码项目 microGPT，以前他会做视频一步步讲解，现在他意识到："我不是在向人解释，我是在向 agent 解释。如果你能向 agent 解释，agent 就能当路由器，用你的语言、无限耐心、按你的能力水平讲给人听。"他让 agent 自己写 microGPT，agent 做不到------"它只是不能自己发明出来，但它完全理解为什么这么做。所以我的贡献是这几个比特。"换句话说，AI 时代真正稀缺的，不是"能生成"的能力，而是"能判断什么值得生成、什么是对的"的能力。
这也正是 WorkMate 这类平台在回答的问题。当一个人要独自面对"提需求---生成---验证---交付"的完整链条时，它把几个关键环节变成了可配置、可治理的机制：技能（Skill） 把某个领域的专业工作流和提示词打包好，让不懂行的人也能按专业范式拿到稳定结果；引用知识库 让 AI 的回答严格基于你指定的资料，而不是凭空生成；执行过程透明 把 AI 的每一步思考和工具调用折叠成可展开的审计面板，让你随时能看清"它为什么这么做"；而遇到有后果的动作------删除、外发、付款------人机交互（HITL） 会让任务自动暂停，弹出确认卡等你拍板，回应后才从断点继续。这些机制背后是同一个判断：AI 负责生成，人负责判断，而平台要做的，是让这个"判断"尽可能快、尽可能有据可依。
而对于"一个人做不完"的问题，它用数字员工 和协同任务 给出了另一种答案：数字员工是以独立工号登录的 AI 员工，7×24 小时待命，有法务、财务、销售等专业分工，可以像真实同事一样被派活，即使离线，任务也会持久化到队列、等它上线后自动执行；协同任务则把"人→人→人"的工作流建模成一条可追踪的任务链，支持串行接力与并行汇聚。一个人，也能组织起一支"AI + 人"的团队。
结尾
回到开头那个问题。Vibe Coding 到底改变了什么？
它没有让程序员消失------恰恰相反，Anthropic 的研究、Willison 的底线、Cohen 的"认账"，都在说同一件事：当"写"变得廉价，"判断"就变得昂贵。 它真正改变的，是把编程这件事的门槛从"会不会写语法"挪到了"会不会提需求、会不会验收结果"。这扇门确实向普通人打开了，但进门之后，你要面对的是一道新的分水岭。
所以，真正值得追问的或许不是"AI 会不会取代程序员"，而是：当生成代码变得像说话一样容易，我们每个人，是否都准备好为自己的"判断"负责了？ 毕竟，AI 可以替你写下一万行代码，却没法替你承担那一行错误带来的后果。
