当 Andrej Karpathy 说出”Vibe Coding”这个词

2025年初，OpenAI联合创始人Andrej Karpathy发了一条推文。

他说他现在写代码的方式变了。

他不再逐行敲键盘，而是对着AI说需求，然后看着代码流出来。

他给这种方式起了一个名字：Vibe Coding。

“跟着感觉走，完全沉浸在vibes里，拥抱指数级变化。”

这条推文引发了两极反应。

一派欢呼：终于不用写CRUD了，人人都是产品经理。

另一派沉默：如果写代码不需要思考了，那我们这些”古法程序员”还剩什么？

一年半过去了。

2026年的今天，数据给出了答案——但可能不是你想的那种。

---

一、Vibe Coding的繁荣与幻灭

1.1 表面上的繁荣

GitHub 2026开发者调查：82%的开发者每天使用AI编程工具。

Cursor月活突破800万。

Claude Code在Auto模式下，一个周末可以提交388个PR。

看起来，Vibe Coding赢了。

1.2 数据的另一面

但FarosAI对2.2万名开发者的追踪研究，揭示了一个反直觉的结果：

指标	数据
人均任务完成量	增长66.2%
每周实际部署次数	下降11.7%
PR平均审查时间	激增441.5%
未经审查就合并的PR	31%
每周至少回滚的团队	69%

代码产出多了66%。

部署反而少了12%。

审查时间翻了4倍。

产能在涨，交付在降。这不是效率提升，是债务积累。

1.3 “AI乞丐”现象

技术社区出现了一个新词：AI乞丐。

指的是那些完全依赖AI编程工具，自己不理解代码逻辑，遇到bug只能反复让AI”再试一次”的开发者。

他们能跑通Demo。

能做出漂亮的GitHub仓库。

能通过面试的初筛。

但在生产环境出问题时——

只会对着屏幕说：”AI，帮我修一下。”

然后AI修了。

引入了两个新bug。

---

二、会写代码和会做工程，差在哪

2.1 一个真实的故事

某创业公司的CTO讲过一个案例。

团队用Cursor两周搭了一个完整的微服务系统。

16个服务，47个API，3个消息队列，2个缓存层。

Demo跑起来很丝滑。

投资人看了很满意。

然后上线了。

第一天：正常。

第二天：缓存击穿，数据库连接池耗尽，服务雪崩。

第三天：发现16个服务中有5个没有熔断机制，3个服务间调用的超时时间设成了0。

第四天：CTO把整个系统推倒重来。

AI可以帮你盖一栋楼，但它不会帮你做结构计算。

2.2 六个维度的差距

维度	Vibe Coding	工程化思维
目标	功能跑通	系统可靠
思考	“能运行就行”	“出错了怎么办”
边界	Happy Path	异常、超时、重试、降级
可维护性	AI写了没人懂	有文档、有测试、有review
扩展性	加功能=重写	架构预留了扩展点
安全	完全不考虑	输入校验、权限、日志

2.3 最危险的盲区

AI代码最大的问题不是bug多。

而是bug的类型变了。

人工代码的bug通常是显性的——拼写错误、API误用、逻辑遗漏。

AI代码的bug是隐性的——边界条件看起来对但实际错，异常处理看起来有但实际不生效，并发看起来安全但实际有竞态。

测试是绿的，摘要是顺的，diff很长——最容易发生的动作就是扫几眼，点通过。

这就是”完成感”的陷阱。

AI给你一种”搞定了”的错觉。

但那些藏在边界条件里的炸弹，只有生产环境才会引爆。

---

🧱 三、”古法程序员”的护城河

3.1 什么是古法程序员

有多年前后端实战功底。

精通数据库、并发、服务架构。

习惯手写代码排查问题。

对大模型有接触，但没有完整AI项目落地经验。

面对AI浪潮内心摇摆。

这描述的是不是你？

3.2 你的旧技能，其实是新护城河

很多人觉得传统工程能力在AI时代没用了。

恰恰相反。

传统技能	在AI时代的价值
并发与锁	AI完全不懂分布式锁的正确使用场景
数据库设计	AI会建表但不会设计索引策略
服务架构	AI能写微服务但不懂数据一致性边界
性能调优	AI不知道瓶颈在哪，只会堆缓存
异常处理	AI系统性缺失，这是最大的安全漏洞
系统设计	AI没有全局视角，只会局部最优

企业不缺会调API的Demo选手，更想要懂传统软件工程同时懂大模型边界的人。

3.3 面试数据印证

拆解37个2026年真实AI岗位JD：

高频要求	出现率
Python	75.7%
LLM API调用	67.6%
LangChain	48.6%
RAG	37.8%
Agent开发	32.4%

但注意——这些JD的”加分项”栏里，出现最多的是：

• 分布式系统经验
• 高并发处理
• 微服务架构
• 生产环境运维

AI技能是入场券，工程能力是天花板。

---

️ 四、三步转型路径

4.1 第一步：从Vibe Coder变成AI Piloteer

Vibe Coding和AI Piloteering的区别：

维度	Vibe Coding	AI Piloteering
交互方式	“帮我写个功能”	“按这个架构设计实现，注意以下约束”
代码审查	扫一眼，看着对就合并	逐行审查边界条件和异常处理
错误处理	“报错了，再试一次”	分析根因，调整生成规则
目标	快速出原型	可维护、可扩展、可上线

具体做法：

给AI设定约束，而不是只给需求。

不要说”帮我写一个用户注册接口”。

要说”写一个用户注册接口，要求：密码bcrypt加密、邮箱格式校验、注册成功发异步消息、失败返回具体错误码、并发场景下邮箱不能重复”。

4.2 第二步：补上AI工程的课

不需要学Transformer的数学原理。

但需要理解三件事：

1. 模型的边界在哪

模型擅长什么：文本生成、代码补全、文档总结。

模型不擅长什么：精确计算、实时数据、复杂推理链。

2. 上下文怎么管理

不要把所有信息都塞进一个对话窗口。

用RAG注入结构化上下文。

按任务开新对话。

3. Agent怎么编排

理解”思考→行动→观察→反思”的循环。

学会设计工具调用→验证→恢复的闭环。

掌握状态持久化和断点续做。

4.3 第三步：做一个完整的AI项目

不要只跑通Demo。

完整走一遍：

需求分析 → 架构设计 → AI生成代码 → 人工审查 → 测试覆盖 → 部署上线 → 监控告警 → 迭代优化。

然后把整个过程写成博客。

这一套走下来，你就不是”AI乞丐”了。

你是AI工程师。

---

️ 五、一张表看懂你在哪一层

层级	特征	可替代性	典型月薪
L0 纯Vibe Coder	只会说”帮我写”，不懂代码	极高，AI自己就能替代	8-12k
L1 AI辅助开发者	能用AI写代码，能做基本审查	高，AI审查工具在追赶	12-20k
L2 AI应用工程师	能设计RAG/Agent系统，能上线	中等，市场缺口大	25-45k
L3 AI系统架构师	能设计Harness，能做工程闭环	低，稀缺性高	45-80k
L4 AI平台设计者	能设计AIinfra，能定义规则	极低，行业级稀缺	80k+

从L0到L1，需要学会审查AI代码。从L1到L2，需要补上AI工程能力。从L2到L3，需要系统设计思维。从L3到L4，需要基础设施视角。

每一层的跃迁，核心都不是”学一个新工具”。

而是”思维方式升级一层”。

---

本文要点回顾

1. Vibe Coding不是错的——它是快速原型的利器，但把它当生产方式就是灾难
2. 数据已经证明：产能涨66%但部署降12%，审查时间翻4倍，31%的PR未经审查就合并
3. AI代码最大的危险不是bug多，而是”完成感”会麻痹审查者——测试全绿不代表代码安全
4. 传统工程能力是AI时代的护城河：并发、架构、异常处理、性能调优——AI技能是入场券，工程能力是天花板
5. 三步转型：从Vibe Coder变成AI Piloteer（设定约束而非只给需求）→ 补AI工程课（模型边界、上下文管理、Agent编排）→ 做一个完整AI项目
6. 面试市场已经给出答案：75.7%的AI岗位要求Python，但加分项是分布式、高并发、微服务——AI技能+工程能力才是不可替代组合

文章摘自：https://www.cnblogs.com/badhope/p/22501546/vibe-coding-illusion-2026