AI PROGRAMMING / 2026
以工程化的思维
玩转 Vibe Coding
Vibe 负责启动创造力,工程化负责把它送到生产环境。我们不讨论“AI 会不会写代码”,而是讨论如何让 AI 在真实研发流程里持续交付。
真正的分水岭不是“会不会提示词”,而是能否把上下文、规则、工具、验证和反馈组合成稳定系统。
AI PROGRAMMING / 2026
Vibe 负责启动创造力,工程化负责把它送到生产环境。我们不讨论“AI 会不会写代码”,而是讨论如何让 AI 在真实研发流程里持续交付。
真正的分水岭不是“会不会提示词”,而是能否把上下文、规则、工具、验证和反馈组合成稳定系统。
基础篇 / ORIGIN
从“猜下一行”到“承接一项研发任务”,AI 编程的变化,本质上是可用上下文和可执行动作越来越多。
模型预测下一段代码,人仍然掌握完整流程。
自然语言变成通用编程入口,但上下文仍靠复制粘贴。
代码库索引、Inline Edit、Composer 让 AI 进入编辑现场。
读项目、改文件、跑命令、调工具、验证结果,人在回路中做判断。
“Fully give in to the vibes, embrace exponentials, and forget that the code even exists.”
这个词最初强调一种低摩擦创作方式:用自然语言描述意图,快速试错,先让想法跑起来。
它适合探索,不天然等于可维护。原型可以靠感觉,生产交付必须补齐上下文、边界和验证。
AI 不会嫌你问题多,也不会在第三次复现失败后说“这不是我的锅”。但越是方便,越要把最终判断留给人。
基础篇 / MODEL LANDSCAPE
模型榜单会快速变化,团队选择更应看工作形态、上下文接入、部署边界与生态适配。
| 层级 | 公司 | 最早发展时间 | 产品与形态 | 路线特征 | 更适合 |
|---|---|---|---|---|---|
| 国际模型与平台 | |||||
| 模型 / Agent | GPT + Codex | 从模型到 App / CLI / IDE / Cloud 的工程 Agent | 跨文件任务、验证、Review、并行工作流 | ||
| 模型 / Agent | Claude + Claude Code | 强调长上下文、终端代理与开发者可控性 | 代码理解、复杂重构、终端工作流 | ||
| 模型 / Agent | Gemini CLI / Jules | 多模态与 Google 开发生态结合紧密 | 多模态输入、Google Cloud / Android 生态 | ||
| 国际开发工具 | |||||
| 代码助手 / 平台 | GitHub Copilot | 从 IDE 补全延伸到代码审查、CLI 与 GitHub 原生 Agent 工作流 | GitHub 生态、企业治理、代码协作与 PR 流程 | ||
| AI 原生 IDE | Cursor | 多模型 AI IDE,核心价值在交互、索引和编码体验 | 贴着代码编辑、局部修改、快速反馈 | ||
| 国内模型厂商 | |||||
| 模型 / API | DeepSeek 系列 + API / 开放权重 | 推理与代码能力突出,兼顾 API 成本和本地部署 | 代码生成、复杂推理、成本敏感与私有化场景 | ||
| 模型 / 云服务 | 通义千问 / Qwen / 通义灵码 | 开放模型生态完整,覆盖云服务、代码 Agent 与企业集成 | 阿里云生态、中文开发、开源定制与企业落地 | ||
| 模型 / Agent | GLM / ChatGLM / CodeGeeX | 强调中文理解、工具调用与全栈国产化部署能力 | 中文企业应用、智能体开发、私有部署与国产化适配 | ||
| 模型 / 助手 | Kimi + Kimi API | 以长上下文和复杂任务处理见长,持续增强 Agent 能力 | 长文档理解、资料分析、研究型任务与多轮协作 | ||
| 多模态模型 | MiniMax 模型 + 海螺 / API | 文本、语音、图像与视频能力并行发展的多模态路线 | 多模态内容、语音交互、应用出海与产品化场景 | ||
| 模型 / 云服务 | 豆包大模型 / 火山引擎 | 模型、内容产品与云服务协同,强调低成本调用和应用分发 | 内容业务、企业应用、火山引擎和高并发调用场景 | ||
| 模型 / 终端生态 | Xiaomi 大模型 / MiMo | 模型能力与手机、IoT、OS 和智能终端生态结合 | 端云协同、智能设备、消费级 AI 与小米生态场景 | ||
DOMESTIC AGENT SCENE BOARD
把“能调用模型”做成“能交付结果”:这些国内产品分别从办公协作、系统操控、软件研发和 IDE 体验切入。
多专家并行协作,从调研、数据到 PPT,把一句话变成完整办公交付。
办公协作 / 多 Agent / MCP + Skills
MARVIS · 马维斯
操作系统级个人 Agent
理解文件、应用与设备,用自然语言完成搜索、整理和跨端操作。
系统操控 / File Agent / 跨端协同把需求、设计、编码与部署串成一条链,面向团队交付完整的软件结果。
全栈研发 / 代码 Agent / 团队协作
TRAE
贴着工作区的 AI IDE
让 Builder、代码理解和多文件修改进入同一个编辑现场,缩短试错回路。
AI IDE / Builder / 多模型
通义灵码
面向研发团队的代码助手
从补全、问答到智能体编程,连接中文开发习惯与企业研发场景。
IDE / 企业研发 / Qwen 生态
QODER
面向真实研发的 Agent 平台
将代码库上下文、多文件协作与任务委派放进同一个研发工作区。
AI IDE / Agent / QuestIDE 结对、终端 Agent,还是云端委派?
质量、速度、成本、数据边界如何平衡?
用自己的仓库、任务和验收标准做对比。
基础篇 / POSSIBILITIES
从理解需求、生成图文音视频,到调用工具发布、统计和迭代,AI 正在成为内容与业务流程的执行者。
读取需求、素材与品牌规则
产出文字、图片、声音与视频
排版、发布、通知与数据回收
审核事实、版权、合规与效果
连接素材库和公众号接口后,还能创建草稿、定时发布并回收阅读数据;正式发布前建议保留人工审核。
工具篇 / IDE COPILOT
Cursor 的优势不是“能聊天”,而是当前文件、选区、诊断、Diff 与代码库索引都贴着编辑动作发生。
const UserPanel = ({ userId }) => {
// Cursor: 补充加载、空态和错误态
const { data, loading, error } = useUser(userId)
if (loading) return <Skeleton />
if (error) return <RetryState />
return <Profile data={data} />
}
工具篇 / CODING AGENT
Codex 适合承接目标明确、需要查找上下文、修改多个文件并验证结果的工作。
说清问题、范围、禁止项和验收标准。
读 AGENTS.md、代码、历史、文档和外部系统。
跨文件实现,过程中可随时 Steer。
运行检查、浏览器验证、说明风险和影响范围。
目标:修复病例详情抽屉在窄屏下内容重叠的问题。
范围:只调整详情抽屉及其直属子组件,不改公共布局默认值。
上下文:先读取仓库 AGENTS.md,并追踪完整高度/overflow 链路。
验收:桌面与 1280px 宽度无重叠;深色模式正常;跑针对性 lint。
交付:说明根因、修改文件、验证结果和剩余风险。
工具篇 / TWO SPEEDS
一个负责开发者正盯着的代码,一个负责需要完整闭环的任务。关键不是二选一,而是交接清晰。
进阶篇 / CODEX TOOLBOX
从沙箱、权限和计划,到浏览器批注、云端运行与多层记忆,Codex 把工程边界、上下文和执行闭环放在一起。
进阶篇 / MODEL CONTEXT PROTOCOL
MCP 把“模型如何发现并调用外部工具”标准化。它解决的是连接问题,不替代业务权限、数据治理和结果验证。
tools / resources / promptsAPI / SDK / DB接口、设计稿和文档保持来自权威系统。
只开放任务需要的项目、工具和动作。
保留资源 ID、URL、版本和查询条件。
进阶篇 / MCP IN PRACTICE
不要因为“有 MCP”就接入。先问:当前研发任务缺的是设计、接口、文档,还是网页内容?
读取设计节点、变量、组件和布局信息,把视觉稿转成结构化实现上下文。
解决:设计到代码的语义损耗查询接口定义、入参与出参,为 service、类型和联调提供真实契约。
解决:手抄接口与字段猜测按库与版本检索最新文档和代码示例,减少模型根据旧知识回答。
解决:依赖版本与文档时效搜索、抓取、清洗、爬取与结构化网页内容,也可处理动态交互和变化监控。
解决:网页内容难稳定进入上下文
进阶篇 / REUSABLE KNOW-HOW
Skill 不是一段超长 Prompt,而是带触发条件、工作流、参考资料和可执行脚本的专业能力包。
描述“什么时候必须使用”,避免每个任务都加载。
主文件只放路线,细节按任务需要读取。
尽量把检查固化成脚本、命令或清晰验收。
进阶篇 / DISTRIBUTION
当团队同时使用 Codex、Claude Code 等工具时,真正麻烦的是复制、版本漂移和“到底改哪一份”。用 SkillShare 初始化项目、安装团队仓库,再同步到本地工具目录。
~/.config/skillshare/curl -fsSL https://raw.githubusercontent.com/runkids/skillshare/main/install.sh | sh
skillshare init -p --discover
skillshare install https://git.ibingli.cn/front/skillshare.git
skillshare sync
团队仓库:git.ibingli.cn/front/skillshare.git · 项目资料:github.com/runkids/skillshare
高级篇 / ENGINEERING PROJECT
软件工程化手段是通过系统化、模块化和规范化的方式,提升软件开发、测试、部署和维护效率的实践方法。
需求、设计、实现和验收由不同角色接力,需要统一目标、分支策略和 Review 方式。
每一端独立演进,又必须在接口、版本和发布节奏上保持兼容。
每一棒都有明确输入、产出和交接边界;测试反馈再回到需求判断,形成可持续迭代的闭环。
目标、范围、验收标准
PRD / 优先级流程、界面、交互状态
原型 / 视觉稿页面、状态、组件复用
界面 / 交互数据、服务、权限边界
API / 数据契约风险覆盖、验收与反馈
用例 / 质量证据问题、数据与用户反馈回流到产品,重新校准下一轮目标与范围。
先让 AI 读懂项目规则、组件能力和接口契约,再让它参与计划、实现与验证;最终交付的不只是代码,还包括可 Review 的证据。
需求与设计 · AGENTS.md · 组件文档 · API 契约
按团队规则修改真实代码,并主动补齐影响范围。
Diff · 测试结果 · 页面验证 · Review 说明
高级篇 / AGENT FOUNDATION
可靠的 Agent 需要三层工程化底座:规则约束行为,Skill 沉淀经验,MCP 连接真实系统。
高级篇 / PROJECT RULES
把项目说明、需求文档和技术规范送入上下文,让代码修改、运行验证和结果汇报遵循同一套团队约定。
高级篇 / AGENTS.MD PRACTICE
主文件先覆盖项目目标、技术栈、运行命令、代码规范、修改约束和验收方式;复杂规则再按组件与流程拆进独立文档。
高级篇 / LOCAL CASE STUDY
它不是“记住所有聊天”,而是把多次真实协作里稳定出现的判断规则,提炼成可触发、可维护、可迭代的 Skill。
例如“先追根因”“保留用户改动”“只跑聚焦验证”。
探索、实现、视觉 QA、Windows 失败恢复、Git 授权。
触发描述 + 主工作流 + 仓库专项 references。
发现规则太宽或太窄,再继续收敛。
FIRST PASS
每次重新解释偏好;容易局部打补丁;验证范围忽大忽小;提交与推送授权混淆。
先定位拥有层;复用真实契约;保护脏工作区;聚焦验证;提交与推送分别授权。
高级篇 / SDLC
每个阶段都明确输入、AI 动作、人工判断和输出物,才会形成稳定的交付链路。
澄清问题、边界与验收标准
人:决定做什么Figma MCP 读取组件与布局
人:判断体验Codex 探索仓库与影响范围
人:审批路线Cursor 局部共创,Codex 跨文件闭环
人:持续 Steer测试、Lint、浏览器与契约检查
人:验收风险AI 先查回归,人做最终责任判断
人:批准交付高级篇 / ROLE SHIFT
AI 接管的是信息整理和重复执行;每个岗位都要向上移动一层,更多负责输入质量、约束设计、证据审核和最终判断。
| 岗位 | 过去的工作重点 | AI 进入后的变化 | 人的最终责任 |
|---|---|---|---|
| 产品 | 整理需求、补字段、反复同步背景 | 把业务目标转成可验证规格;让 AI 辅助场景补全、PRD 一致性检查和原型验证 | 决定优先级、业务取舍与验收标准 |
| 设计 | 逐页出稿、手工标注、反复解释样式 | 维护设计系统与结构化约束;通过 Figma MCP 让组件、变量和布局直接进入实现上下文 | 负责体验策略、视觉判断和边界状态 |
| 研发 | 查资料、写样板、逐行编码和手工排错 | 从代码执行者变成任务导演:组织上下文、拆解任务、约束 Agent、审查 Diff 和验证结果 | 负责架构、契约、复杂取舍与代码所有权 |
| 测试 | 手工编写用例、执行回归、重复记录问题 | 让 AI 生成用例、探索边界、执行视觉和接口审计;测试人员转向质量模型与风险覆盖 | 定义风险优先级并给出质量结论 |
| TL / 架构 | 集中做方案、规范和代码 Review | 设计 AI 工程系统:AGENTS.md、Skill、MCP、权限、评测和质量门禁 | 负责跨系统权衡、技术底线与团队标准 |
| DevOps / SRE | 维护脚本、环境、流水线和故障处理 | 让 AI 辅助构建、环境诊断和报告生成;重点转向平台护栏、可观测性和自动回滚 | 负责安全、权限、发布审批与生产稳定性 |
| 筛选客户线索,手工收集公开信息,准备通用产品资料与沟通话术 | 让 Agent 在授权范围内整理客户公开信息;读取公司的 Skill 资料库、产品资料与合规销售方案,生成可由销售补充判断的沟通提纲、需求假设和跟进建议 | 核验信息来源,判断客户匹配度、产品承诺、价格与沟通边界,并负责客户关系 |
先模仿、后跟随、再超越
先了解、后弄懂、再吃透
先积累、后沉淀、再质变
高级篇 / QUALITY GATES
门禁不是让 AI 变慢,而是把最贵的返工提前暴露。不同风险等级,需要不同的人机边界。
范围、验收、禁止项、真实契约
最小影响、保持默认、保护用户改动
类型、测试、页面、接口、回归
风险、兼容、上线与业务判断
高级篇 / ADOPTION
不要一开始就追求“全员 Agent 化”。选一个高频、边界清楚、验证可自动化的场景,跑通后再复制。
选择 1 个仓库,写出精简 AGENTS.md;明确安装、验证和提交边界。
产物:项目协作手册用 Codex + Cursor 完成一个 Bug 或小功能,记录上下文搬运和返工点。
产物:黄金任务样本优先接 YApi/Figma;把高频组件或工作流沉淀为 Skill。
产物:可复用上下文统计 Lead Time、一次通过率、Review 返工和缺陷逃逸,逐步引入自动化。
产物:团队 AI 基线
高级篇 / SOLO PROJECT
一个人不等于一个角色。先为子 Agent 明确专业边界,再让每一棒把结论写进 Markdown,下一棒读取已确认的交付物继续推进。
docs/,再交付代码主 Agent 负责目标、节奏与人工确认;子 Agent 不凭空补全上下游决定。需求、设计、技术方案、测试与上线资料都是可审阅、可回溯的项目资产。
整理目标、范围、用户场景与验收标准。
01-prd.md · 02-acceptance.md
确定用户流程、页面状态与设计交接。
03-ui-spec.md · Figma 链接
负责界面架构、路由、状态与接口接入。
04-frontend-arch.md
负责领域服务、数据、接口与异步任务。
05-backend-arch.md · 06-api-contract.md
将验收标准转成风险、用例与质量结论。
07-test-plan.md
准备环境、域名证书、发布与运行护栏。
08-deployment-plan.md
主 Agent 明确项目目标、MVP 范围、预算与禁止项;创建六个角色的任务边界。
产品先锁定用户故事、优先级与验收;UI 再用 Figma 或 UI 规格描述页面流转、空态、异常态和组件。
前后端以已确认的需求与界面为输入,共同冻结 API 契约;测试开始识别风险,运维确认环境与成本边界。
后端先提供数据模型、Mock 或稳定接口;前端按 UI 规格实现;每次契约变化写入变更记录,而不是靠聊天记忆。
测试以验收标准出具质量结论;运维完成域名、证书、部署、监控和回滚准备;真实数据与缺陷回到下一轮 PRD。
线上指标、用户反馈与缺陷不是“收尾”,而是下一轮产品 Agent 的已验证输入。
用 Umi 管理路由、构建与工程约定;页面只组合业务组件,数据请求集中在 service 层,避免把接口与复杂状态散落在视图中。
docs/04-frontend-arch.md
从 API 契约和领域模型开始,按 handler、service、repository 分层;数据库承载事实,Redis 用于缓存与锁,消息队列承接可重试的异步工作。
docs/05-backend-arch.md
docs/06-api-contract.md字段、权限、错误码、请求响应、幂等性和接口版本由前后端共同确认;测试以它建立接口用例。docs/12-runbook.md域名与 DNS、HTTPS 证书、环境变量、CI/CD、日志监控、备份和回滚方案在上线前完成审核。收束 / EXPERIENCE SHARE
工具选择、规则维护和能力积累都要服务于同一件事:让 Agent 更懂你的项目,也让每一次协作都能留下可复用的经验。
收束 / DISCUSSION
没有标准答案。结合真实项目,聊聊效率提升之后,Agent 能力、协作方式和工程边界会怎样变化。
即使每次生成代码都经过 Review,长期大量使用 AI 后,我们仍可能记不清之前改过什么、为什么这样改。这个问题应该由个人习惯、团队流程,还是工具机制解决?
变更说明 · 任务记录 · ADR · 知识库 · Agent memory我们还应该逐行检查所有代码,还是把重点转向需求意图、风险边界、测试证据和最终行为?哪些内容必须由人亲自确认?
Diff Review · 自动测试 · 风险说明 · 页面验收它会从一次性执行任务,走向更强的自主规划、长期记忆、工具调用和多 Agent 协作吗?当 Agent 能处理更长链路的工作后,验证机制、权限边界和人的最终判断又该怎样设计?
自主规划 · 多 Agent 协作 · 长期记忆 · 验证与权限AI 让代码更快落地后,复杂度、可读性、测试覆盖、缺陷率和维护成本发生了什么变化?我们怎样用 Review 与持续验证,而不是直觉,回答这个问题?
可读性 · 自动测试 · 缺陷率 · 维护成本APPENDIX / SOURCES
演讲中的产品能力以官方资料为准;具体模型表现建议在团队真实任务上持续重测。
-- / 23