VibeCoding 实战：从 AI 实习生到 AI 善后工程师

重新定义 AI 的角色

用了 AI 写代码一年多，我越来越觉得：把 AI 当作「代码生成器」是错误的定位。它更像一个 超级实习生 —— 能快速完成大部分工作，但总有一些边缘情况需要你去「善后」。

这就是 VibeCoding 的核心理念：

AI 是超级实习生，我们是善后工程师。

这不是贬低 AI，也不是抬高自己。而是承认一个事实：AI 能处理 70%-95% 的常规工作，但最后那 5%-30% 的边缘情况，必须有人去把关、修正、兜底。

黄金闭环：Prompt → 体验 → 修正

VibeCoding 提出一个「黄金闭环」的工作流：

1
Prompt → AI 生成 → 人工体验 → 发现问题 → 修正 Prompt → ...

这不是一次性闭环，而是持续迭代：

1. Prompt: 给 AI 一个清晰的指令
2. 生成: AI 输出代码/文档/方案
3. 体验: 实际运行、测试、使用
4. 修正: 发现问题，改进 Prompt 或直接改代码
5. 闭环: 把修正后的经验沉淀，下次 Prompt 更精准

这个闭环的关键是：不要期望 AI 第一次就完美。接受不完美，快速迭代，才是正确的使用方式。

四维把控法

当 AI 给你一段代码时，不要只看「能不能跑」。要从四个维度检查：

1. 元素（Elements）

代码的基本组成部分是否正确？

1
- 变量命名是否清晰？
2
- 函数签名是否合理？
3
- 数据结构是否合适？
4
- 是否有遗漏的 import？

2. 关系（Relations）

元素之间的连接是否正确？

1
- 函数调用参数是否匹配？
2
- 数据流是否合理？
3
- 错误处理是否覆盖？
4
- 模块边界是否清晰？

3. 逻辑（Logic）

业务逻辑是否正确？

1
- 是否符合需求？
2
- 是否有隐藏的 bug？
3
- 是否考虑了边界情况？
4
- 是否有安全漏洞？

4. 状态（State）

运行时的状态管理是否正确？

1
- 并发是否安全？
2
- 资源是否正确释放？
3
- 状态切换是否完整？
4
- 是否有内存泄漏风险？

这四维不是孤立的，要综合来看。比如一段代码「元素」都对了，但「逻辑」可能有问题；「状态」看起来没问题，但「关系」可能漏了错误处理。

70-95 定律

VibeCoding 还有一个「70-95 定律」：

AI 能完成 70%-95% 的常规工作，剩下 5%-30% 需要人工介入。

这个比例不是固定值，取决于：

• 任务的复杂度: 简单任务 AI 覆盖率高，复杂任务覆盖率低
• 你的 Prompt 质量: Prompt 越精准，AI 覆盖率越高
• 你的经验: 你越熟悉领域，越能发现 AI 漏掉的部分
• AI 的能力边界: 有些领域 AI 天生不擅长

实际应用

前 70%：让 AI 做

这部分是「确定性工作」：

1
- 写基础 CRUD
2
- 生成模板代码
3
- 补充文档注释
4
- 格式化代码
5
- 写单元测试用例（常规情况）

放心让 AI 做，节省时间。

后 25%：边缘情况

这部分是「不确定性工作」，AI 可能漏掉：

1
- 错误处理：空指针、超时、边界值
2
- 并发问题：死锁、竞态条件
3
- 安全问题：注入、权限校验
4
- 性能问题：N+1 查询、大循环
5
- 兼容问题：版本差异、环境差异

AI 会给你「看起来正确」的代码，但边缘情况需要你主动检查。

最后 5%：必须手写

这部分是「核心决策」：

1
- 架构设计：选什么方案
2
- 业务逻辑：怎么理解需求
3
- 代码品味：命名、抽象、风格
4
- 最终兜底：上线前的最后一眼

这些不能交给 AI，因为它们需要「人的判断」。

我的实战经验

案例 1：LLM 性能测试框架

我用 AI 生成了一个 pytest 框架的骨架。AI 给了我：

• ✅ 基础测试结构
• ✅ pytest fixture 定义
• ✅ 常规测试用例模板
• ❌ 漏掉了：测试结果采集到数据库的逻辑
• ❌ 漏掉了：多平台兼容性处理（Ascend/CUDA）
• ❌ 漏掉了：测试阶段的划分（单元/冒烟/回归）

我补上了这些边缘情况，最终框架才好用。

案例 2：KV Cache 计算器

AI 生成了核心计算逻辑：

• ✅ MLA/GQA/Hybrid 的公式
• ✅ 基础 UI 框架
• ❌ 漏掉了：不同精度的影响（FP16/FP32/INT8）
• ❌ 漏掉了：多卡场景的计算
• ❌ 漏掉了：实际内存和显存的换算

这些需要我自己补充，因为 AI 不知道实际生产环境的复杂性。

成为更好的「善后工程师」

接受 AI 是超级实习生后，我们要做的不是「对抗 AI」，而是「成为更好的善后工程师」：

1. 提升领域知识

你越懂领域，越能发现 AI 漏掉的部分。

• LLM 推理：了解 KV Cache、显存计算、推理延迟
• 容器部署：了解镜像分层、Registry API、多架构
• 性能测试：了解 pytest 架构、测试阶段划分、结果采集

2. 建立检查清单

每次 AI 给代码后，按「四维把控法」检查：

1
元素: 有遗漏吗？
2
关系: 连接正确吗？
3
逻辑: 有 bug 吗？
4
状态: 并发安全吗？

3. 沉淀 Prompt

把「修正后的经验」沉淀到 Prompt：

1
# 修正前
2
"写一个 pytest 测试框架"
3

4
# 修正后（更精准）
5
"写一个 pytest 测试框架，支持：
6
- 多测试阶段：单元、冒烟、回归、版本
7
- 多平台兼容：Ascend NPU 和 CUDA GPU
8
- 结果采集：自动导出到数据库
9
- 错误处理：超时、空指针、边界值"

Prompt 越精准，AI 覆盖率越高。

结语

VibeCoding 不是一种「方法论」，更像一种「心态」：

• 不要神话 AI：它不是万能代码生成器
• 不要对抗 AI：它是高效的超级实习生
• 要善后：边缘情况、核心决策，必须有人兜底

当我们从「AI 写代码」变成「人机协作」，效率和质量才能真正提升。

愿我们都是好的「善后工程师」，在 AI 时代找到自己的位置。