前言：比想象中更快的未来

AI 对软件开发者职业生涯的冲击，远比绝大多数人想象的要来得快，也来得更猛烈。

回望过去短短两年，技术迭代的曲线令人咋舌：

• 2024 年初： 我开始使用 Cursor。那时的 Agent 基本没有自主查找文件的能力，对代码上下文的理解仅限于模糊搜索。当时我去调研，让它编写一个Java单测，结果是几乎不可用，修复它的错误比我自己写还要慢。它更像是一个基于现有代码胡乱拼写的机器，而且并不会结合语法树、词法令牌去去进行查找、规划与判断。在今天大量agent已经在结合LSP上下文进行编程，它会主动找到关联的代码模块，并主动读取所需上下文
• 2025 年 3 月： Claude Code 上线测试版，Cursor 诞生一年多。此时的 AI 编程仍停留在“提示词生成 + 程序员大量介入改错”的阶段。从交付角度看，大多数工具更像是一个“玩具”，代码存在大量事实错误，且常与需求背道而驰。
• 2025 年底： 仅仅半年后，局面发生了质变。Codex、Claude、Gemini 等头部玩家的 Agent 已经能够独立完成复杂的 CRUD 页面开发。它们学会了通过 Plan 模式自主分析业务逻辑，主动向用户提问，甚至要求人类协助。生成的代码质量大幅提升，基本上已经具备了替代 1-2 年经验实习生的能力。

站在这个时间节点，作为一名经历过技术变迁的开发者，我想分享一些关于“Vibe Coding”（氛围编码/直觉编码）的实战经验与行业思考。

第一部分：驾驭 AI 的工程实践指南

1. 祛魅 Vibe Coding：它是工具，不是神

不管外界对 Vibe Coding 如何狂热，你必须清醒地认识到：Transformer 本质上是概率模型，而不是真正的智能。

• 警惕幻觉： 不要让 AI 生成的代码在未经审查的情况下直接进入生产环境。

• 语料决胜： AI 的表现极度依赖语料库的丰富程度。

  • 正面案例： 在 Next.js 和 Tailwind CSS 等热门开源技术栈下，Claude 的理解能力惊人，几乎能立即生成可用的高质量代码。
  • 反面案例： 在维护我司老旧项目（使用文档匮乏、早已停止维护的 iView 框架）时，AI 的表现堪忧，只能基于现有代码去“猜”。

结论： Vibe Coding 很好用，但它不是万能的。你依然需要具备深厚的判断力来驾驭它。

2. 上下文管理：Less is More

做好 AI 编程的第一步，是做好上下文（Context）管理。Unix 的哲学在 AI 时代依旧适用：保持简单与专注。

• 及时清理： 善用 /compact 压缩上下文或 /clear 清除历史。如果上一个任务与当前无关，果断清空。
• 精准投喂： 不要把整个项目扔给 AI。只提供必要的文件，减少噪音干扰。

3. 提示词工程：像工程师一样说话

不要像业余人士那样提需求，要使用严谨的工程技术语言。

• 错误示范： “我需要一套权限管理系统。”

  • 结果： AI 会扔给你一堆宽泛且大概率不可用的 Demo 代码。

• 正确示范： “我需要一套基于 OAuth 的权限认证系统，构建在 Spring 框架上。在此基础上，构建一套基于 RBAC 模型（Role-Based Access Control）的用户体系，包含‘管理员’、‘普通用户’等角色，并设计角色间的级联关系。”

  • 结果： AI 会精准识别技术栈和业务逻辑，甚至主动确认细节。

核心逻辑： 你的描述越接近技术文档，AI 的检索和生成效率就越高。

4. 任务规划：化身“核动力审查员”

高效的 Vibe Coding 核心在于任务的拆解与规划。

• 微观层面（精确制导）：
  如果你清楚怎么改，只是忘了 API，请通过 @文件名 并在 Prompt 中指明具体的代码行位置。这能极大地缩短 AI 的推理路径。

• 宏观层面（多 Agent 协同）：
  不要在一个窗口里死磕。真正的高效开发者会像指挥官一样，在多个命令行窗口开启多个 Agent：

  • Agent A： 负责实现 Feature。
  • Agent B： 负责修复开发中的 Bug。
  • Agent C： 负责生成单元测试。
  • Agent D： 负责构建流程和 Shell 脚本。

  在这个模式下，Claude 就是你的核动力驴，而你——我的朋友，已经进化成了核动力审查驴。

• Plan 模式与提交策略：

  • Plan 模式： 面对复杂问题，强制 AI 进入 Plan 模式，先搜索、阅读、给出详细修改方案，经你确认后再动手。
  • 频繁 Commit： 让 AI 放飞自我时，最好的安全网就是疯狂提交 Commit。这让你能随时回退，而不用在 IDE 的撤销历史里苦苦翻找。
• Monorepo 实践：
  尽量采用 Monorepo 结构，或者通过软链接将多个相关项目合并到一个文件夹。这有助于 AI 理解跨项目的依赖关系，建立全局视角。

第二部分：对未来的残酷预判

技术变革往往伴随着阵痛，这一轮 AI 浪潮的影响将主要集中在人的层面。

1. 初级开发者的“断层危机”

Fred Brooks 在《人月神话》中提出的“外科手术式编程团队”（由一名首席程序员主刀，其他人辅助）正在通过 AI 真正落地。

• 门槛极速提高： 大量的基础代码将由资深工程师结合 AI 快速完成。
• 成长路径消失： 过去，毕业生通过做“脏活累活”（修修补补、写简单的 CRUD）积累经验，逐渐进化为资深工程师。现在，这部分工作被 AI 接管了。
• 新人的困境： 如果你大学毕业时连 Git 怎么用都没弄明白，只会刷算法题和背计算机底层知识，而缺乏丰富的工程实践经验，你将很难找到那份“入行”的实习工作。公司对实习生的要求将呈指数级上升。

2. 就业市场的存量博弈

这是一个简单的数学题：当单兵作战的效率提升了 5 倍甚至 10 倍，而市场需求并没有同步爆发时，结果必然是岗位的缩减。

这是一场正在发生的行业洗牌。大量的初级岗位将消失，留下来的是那些懂得如何驾驭 AI、具备系统架构能力、能对代码质量负责的资深工程师。

结语

时代的车轮滚滚向前，不会因为任何人的焦虑而停下。对于开发者而言，学会像指挥官一样思考，掌握 Vibe Coding 的艺术，从“写代码的人”转变为“设计系统并审查代码的人”，或许是我们在这个 AI 时代唯一的生存之道。