@TedZhou
2026-07-20T15:15:15.000000Z
字数 9329
阅读 10
AI 技术
2025年2月2日，OpenAI创始成员、前特斯拉AI总监Andrej Karpathy在X上发布了一条约145词的推文。他写道："有一种我称之为'vibe coding'的新型编程方式，你完全顺应直觉，拥抱指数级增长，甚至忘记代码的存在。"他描述了自己使用Cursor Composer配合Claude Sonnet、通过SuperWhisper语音输入进行开发的场景：几乎不碰键盘，面对AI生成的代码修改"全部接受"，从不阅读差异对比，遇到错误就把报错信息原封不动贴回去。Karpathy后来称这条推文为"a shower of thoughts throwaway tweet"——一条随手发出的碎片想法。
这条推文在数周内迅速获得数百万次浏览。没人能预料到，这个带有自嘲和实验性质的表述，会在短短九个月内被柯林斯词典评为2025年度词汇，并催生出一个全新的软件开发范式。而概念提出者Karpathy本人，也在2026年5月加入Anthropic——Claude模型的开发阵营，为这个故事增添了新的注脚。
Karpathy的原始推文包含几个容易被忽略却至关重要的细节。他明确表示这种方式"对抛弃式周末项目来说还不错"——将其定位为低风险、实验性的个人项目，而非生产级软件开发。他描述的工作流程极端到"diff不看、报错盲贴、bug修不掉就随机改到消失"，带有明显的戏谑色彩。
然而，在后续的传播中，这些限定条件被大量过滤。"不会写代码也能做应用"的叙事占据了主流。术语的含义迅速泛化——从一种特定的"不看代码"的极端工作流，变成了泛指各种AI辅助编程的热词。
综合学术定义，Vibe Coding是一种由生成式AI驱动的软件开发范式，开发者通过自然语言描述需求与意图，由大语言模型自动生成、修改、调试代码。其核心特征包括：
随着术语的走红，其含义迅速泛化。实践者Simon Willison做出了一个犀利的区分："如果你审查了LLM写的代码、做了全面测试、能向别人解释工作原理——那就不是Vibe Coding，那就是软件开发。"他进一步指出，将Vibe Coding视为"所有AI辅助编程"的泛称，既稀释了术语本身的意义，也给人造成了"负责任的AI辅助编程不过如此"的错误印象。
这一区分至关重要：将Vibe Coding视为"所有AI辅助编程"的泛称，与将其理解为一种特定的、带有实验性质的工作流，会导向完全不同的判断。Stack Overflow 2025开发者调查的数据也印证了这种分化：仅12%的开发者承认自己进行过Vibe Coding（即不审查AI生成代码就接受），而约72%的开发者明确拒绝这种做法。
Vibe Coding并非凭空出现，而是AI辅助编程技术演进的产物。2021年GitHub Copilot的发布开启了"AI自动补全"时代；2022年ChatGPT的出现带来了"对话式编码"；2024年Cursor等AI原生IDE的爆发以及Claude 3.5 Sonnet等模型的突破，使AI具备了"读取整个代码库、直接修改多个文件、运行终端命令"的能力。这些技术积累为Vibe Coding的诞生铺平了道路。
2025年2月2日，Karpathy的推文正式提出"vibe coding"一词。此后传播速度惊人：
从一条推文到年度词汇，仅用了九个月。Collins总经理Alex Beecroft表示："'vibe coding'被选为柯林斯年度词汇，完美地捕捉了语言如何与技术一同演变。它标志着软件开发领域的一次重大转变——AI正在让编程变得更加普及。"
进入2026年，Karpathy本人在Sequoia AI Ascent 2026大会上提出了一个更高级的阶段——"智能体工程"（Agentic Engineering）。他用两个比喻清晰地划分了二者的界限：Vibe Coding是"抬高地板"（raising the floor），让所有人都能写软件；而Agentic Engineering是"抬高天花板"（raising the ceiling）——在维持专业质量标准的同时，实现高速开发甚至超越原有水平。
Karpathy在大会上进一步阐释：Agentic Engineering是在Vibe Coding基础上发展起来的更为严肃的学科。在Agentic Engineering中，开发者99%的时间不再直接写代码，而是编排AI智能体完成工作并充当监督者。LLM是"锯齿状的、统计性的、被召唤出来的实体，需要一种全新的品味和判断力来驾驭"。他坦言，提出Vibe Coding一年后，自己"从未感到如此落后于时代"。
截至2026年，Vibe Coding的工具生态已形成多层次格局：
其中，Claude Code在Stack Overflow 2025开发者调查中已获得10%的开发者使用（Cursor为18%），但闭源且仅支持Claude模型，月费100到200美元。Claude Code的创造者Boris Cherny在2026年多次公开表示"编程已经被解决"（coding is solved），并透露Anthropic内部80%-90%的代码已由Claude Code自身编写，公司工程师人均生产力提升约70%。
国内大厂在2026年二季度已全线入场。百度将自然语言生成应用的体验推到了生产级交付层面，腾讯推出了主打灵感和共创氛围的独立产品，字节跳动则将AI编程工具做成了一个脱离传统开发环境的独立端。蚂蚁灵光上线六天下载量突破200万，首月用户创建的"闪应用"突破1200万个——上线两周时这一数字已达330万，增长势头迅猛。绝大多数创造者完全不懂代码。歌手胡彦斌也用AI编程为粉丝开发了互动社区App"彦火"。
采用率数据令人瞩目。Stack Overflow 2025年开发者调查显示，84%的受访者正在使用或计划使用AI工具参与开发流程，51%的专业开发者已经每天在使用。然而，对AI的信任度却呈现下降趋势：积极情绪从2023-2024年的70%以上降至2025年的60%，46%的开发者表示不信任AI工具的输出准确性，仅33%表示信任，只有3%表示"高度信任"。66%的开发者对"几乎正确但差一点"的AI解决方案感到沮丧。
生产力数据并非一边倒的乐观。虽然AI辅助开发者报告任务完成速度提升35-55%，但一项针对经验丰富开源开发者的随机对照试验发现，使用AI工具反而多花了19%的时间完成任务。这种"效率悖论"的根源在于：AI加速了代码生成，却增加了审查、调试和修复幻觉的成本。
Vibe Coding最具传播力的叙事是"不会写代码的人也能做出应用"。然而，现实远比口号复杂。
钛媒体的一篇深度报道记录了一个典型样本：深圳电子配件贸易商用Cursor做了一个工具，解决客户Excel提成计算的痛点。第一个版本因退款口径未对齐而算错账，客户在群里说了一句"数字对不上"。他当晚修改逻辑，第二天重新跑通。三个月后，十几个按月付费的客户留了下来，99元一个月。没有融资，没有刷屏，但它提供了一个更接近中国真实商业场景的Vibe Coding样本。
同一篇报道指出，2026年上半年Product Hunt上那些以Cursor、Claude或Vibe Coding作为卖点的项目，发布当天往往能收获不错的点赞，但几个月后仍能持续更新和商业化推进的并不多。报道总结道："Vibe Coding加速了发布，没有自动带来持续运营。""做出来"和"做出一个产品"之间，有一段很多人还没意识到的距离。
Vibe Coding最严峻的挑战来自安全领域。2026年5月，以色列资安公司Red Access发布《Shadow Builders》报告，在主流Vibe Coding平台上发现逾38万个可公开存取的网络资产。其中约5,000个疑似由企业建置，超过2,000个包含企业营运或个人敏感数据——包括临床试验数据、银行记录、患者对话——在未设定任何存取控制的情况下直接暴露于公开网络；部分甚至预设允许任何知道网址的人取得管理员权限。这些应用程序遍布六大洲，横跨各产业。Axios、WIRED和VentureBeat分别独立验证了部分暴露案例。
报告指出，影子AI（Shadow AI）的风险样貌已发生根本变化——从员工把不当内容贴进ChatGPT，演变为员工在未告知安全或IT部门的情况下，使用AI开发平台建置完整应用程序、串接正式系统，并将成品发布到公开互联网。行销人员建立连接真实业绩数据的活动追踪工具、财务团队将发票数据拉进董事会仪表板——这类行为每天都在发生。传统的资产发现工具设计用于发现服务器、容器和云实例，对"产品经理在Lovable上花一个周末搭建的、连接着Supabase生产数据库的营销配置器"完全视而不见。
面对Vibe Coding暴露出的代码质量、安全漏洞和可维护性问题，社区开始探索将工程纪律引入AI编程。企业AI编程实践面临的困境可概括为"三个失控"：财务失控（员工用AI盲目重试，Token费用爆表，无效成本极高）、质量失控（AI疯狂产出代码，留下满地Bug，架构师Review崩溃，合并后反而成了"黑盒"）、管理失控（团队成员AI编程工具各异，历史代码无法协同维护，项目无法量化）。这三个失控，正是工程化转型要解决的核心问题。
Harness Engineering在2025年概念确立、2026年大规模落地，迅速成为AI工程化的核心方法论。其核心理念可以用一个公式概括：Agent = Model + Harness。Harness就是套在大语言模型外面的一整套运行环境——工具调用接口、上下文管理、权限控制、错误处理、安全护栏、状态持久化、反馈机制。它把一个只会预测下一个token的模型，变成一个能在真实工程环境里干活的Agent。
Harness Engineering的演进路径清晰可辨：从Prompt Engineering（2022-2024，优化单次推理质量）到Context Engineering（2025，为每次决策构建动态上下文）再到Harness Engineering（2025年确立、2026年大规模实践，构建完整的反馈控制系统）。
2025年2月，Anthropic发布技术博客《Effective harnesses for long-running agents》，明确提出Managed Agents（管理型Agent架构）和File-backed State（基于文件持久化状态）的标准范式，用机械化的文件读写代替脆弱的上下文记忆。2025年上半年，OpenAI发布技术博客《Harness engineering: leveraging Codex in an agent-first world》，揭秘了3名工程师如何不写一行代码，完全靠构建Harness（包括渐进式披露的目录架构）约束Agent输出100万行生产级代码。到2026年，学术界的共识已经形成：Prompt已退化为底层的"汇编语言"，而Harness才是大模型时代的"高级编程语言与操作系统"。
Harness的实践效果显著。一个典型案例可以说明问题：同一个知识库项目，在未引入Harness脚手架时，用Trae IDE多次运行相同提示词"介绍这个项目，启动它"，每次执行的上下文、Token花销、执行步骤和输出结果完全不同——Token消耗像买彩票一样不可预测。引入Harness后，同样的任务跨工具能保证思考过程一致、执行步骤稳定、输出结果大体一致。在Qoder平台的对比测试中，未加Harness的项目完成四个功能开发（文档导入、文档索引、问答功能、历史记录）消耗24 credits、0.16元、5分钟、4次对话（含3次Bug修复）；加Harness后仅消耗12 credits、约40%算力成本、2分钟、1次对话即完成全部功能验证。Stripe的Minions项目更是将这一理念推向了工业级：通过pre-push hook、本地linting和分层CI验证构建混合架构，Minions每周产出1,300+个PR，每个PR都经过超过300万条测试的验证。
Harness Engineering的核心价值在于：它不重构原项目代码，只在原项目上添加一层脚手架，让AI在编程时更好理解项目、降低幻觉。良好的Harness工程化项目，还能拉齐不同能力和工具的差距——同样的任务，无论用Trae还是Qoder，无论搭配哪个大模型，都能保证稳定的输出质量。目前，除Harness外，还诞生了Ralph Wiggum Loop、Agentic Engineering等前沿的AI软件架构思路，但它们仍有待实际项目验证。
如果说Harness是"地基"，那么Loop就是运行其上的"流水线"。2026年中期，OpenClaw创始人Peter Steinberger发了一条推文："你不应该再给编程Agent写提示词了，你应该设计循环来提示你的Agent。"这条推文引发广泛讨论。
同一时期，Claude Code的创造者Boris Cherny在Sequoia AI Ascent 2026上也表达了几乎相同的观点：loops是未来，他的工作已经从写代码变成了设计和管理loop。Cherny透露，他已经八个月没有手写一行代码，有些日子他同时管理数万个AI智能体。两个人独立得出同一个结论——这并非巧合，而是一场正在发生的范式转移。
Loop的核心思想是让AI智能体自主运行"生成-执行-观察-修正"的闭环。每次循环，AI读取实时的代码库状态和运行环境状态，而非依赖聊天记忆。人类的角色从"每一步操作"变为"检查点验收"——定义目标、设定约束、提供反馈，但不参与每一步的执行。
从Harness到Loop，中间隔了不到两个月。
在Harness的基础上，社区进一步提出了SDD（Spec-Driven Development，规范驱动开发）。其核心思想是：将需求文档（Spec）作为AI开发的"唯一事实来源"。与传统开发不同，SDD中的Spec不只是"文档"，而是可被AI解析、可驱动代码生成、可作为验收标准的结构化规范。
一份完整的SDD通常包含三个核心文档：proposal.md（需求提案）、spec.md（技术规格，包含组件设计、接口契约、数据结构）、tasks.md（任务拆分，每个task对应可执行的代码变更单元）。这些文档以结构化Markdown编写，AI可直接解析。
得物技术团队的实践揭示了一个关键洞察：Harness思维的本质是"给AI一个已有的实现作为参照，让它照着复刻一份，而不是凭空创造"。这一思路大幅降低了AI幻觉的概率，因为AI不再需要从零构建，而是在明确的约束和参照下工作。
Harness、Loop和SDD三者构成了递进关系：Harness提供运行环境，Loop提供工作流模式，SDD提供规范层面的方法论。三者共同将AI编程从"随性"推向"工程"。
Karpathy在2026年Sequoia AI Ascent 2026大会上正式提出的Agentic Engineering，正被视为Vibe Coding的"规范化升级版本"。如果说Vibe Coding是"抬高地板"，让所有人都能写软件，那么Agentic Engineering就是"抬高天花板"——在维持专业质量标准的同时，实现高速开发甚至超越原有水平。
两者的本质区别在于：
| 维度 | Vibe Coding | Agentic Engineering |
|---|---|---|
| 起点 | 一条Prompt | 一份正式的技术规格（Specification） |
| 终点 | 一个能跑的Demo | 一个经过测试、验证、可上线的生产级系统 |
| 开发方式 | 人类与AI的单点对话 | 多个AI智能体的工程化协作 |
| 人类角色 | 需求提出者 | 架构师与质量把关者 |
Agentic Engineering通过引入"智能体协作"机制，将单一对话模型升级为多角色系统——每个智能体承担特定职责，如需求解析、代码生成、测试验证、优化建议等。其本质是从"人类与AI的单点交互"转向"AI系统内部的工程化协作"。Karpathy强调，在Agentic Engineering中，人类仍然对质量负责——不能引入安全漏洞、不能有混乱的架构、不能有脆弱的系统。最好的工程师不再是写每一行代码的人，而是能够指挥Agent而不让质量崩塌的人。
Vibe Coding和Agentic Engineering的演进，正在重塑技术人才市场的价值分配。
脉脉2026年1-4月数据显示，AI科学家/负责人平均月薪已达132,796元，断层式领先算法研究员的74,441元。AI岗位平均月薪60,738元，较新经济行业平均水平高出约26%。AI岗位数量同比增长约12倍，人才供需比仅为0.97，远低于新经济行业整体的1.79——AI领域人才供不应求的结构性紧缺清晰可见。
具体到AI软件架构方向，薪资分层极为明显。Agentic AI架构师资深级别月薪可达10万-16万元（字节/阿里/华为），大模型算法工程师资深级别月薪6.7万-10万+，而入门级仅2.4万-3.5万元。科锐国际2026年报告指出，AI行业优秀人才跳槽薪资涨幅普遍维持在20%-30%，关键岗位最高可达50%。大厂年包方面，阿里P7（专家/经理）为87-112万元，P8（高级专家）达162-228万元；字节3-1（高级专家）为137-195万元，3-2（资深专家）达238-285万元。
这一趋势与行业判断高度一致：AI前沿技术圈正稀缺懂软件架构的研发人员。擅长软件架构的研发在AI时代价值更大——AI算法强并不等价于代码软件架构能力。OpenAI、DeepSeek、Anthropic等前沿实验室都在招募Harness软件工程人才，而非纯粹的算法研究员。正如当前网页文章所言："强大的模型依然会失败，真正决定AI生产力的，是人类为它搭建的'软件工程支架'。"
值得注意的是，脉脉创始人林凡判断：35岁以上职场人正在迎来价值重估。在Agent时代，繁琐工作可由AI代劳，而35+人群沉淀的行业经验能与AI深度协同，恰恰是驾驭AI、搭建工作流最关键的资产。与此同时，初级岗位持续收紧——2026年1-2月，1年以内经验的岗位仅占1.23%，市场对职场新人的需求明显收缩。这与行业判断形成呼应："初中级工程师职业生涯会非常难"——Vibe Coding让工程师被逼着要进阶到高级甚至架构师的编程水平。那些快速成长的AI软件架构工程师，能拿到过去数倍的报酬，是企业争抢的人才。
并非所有人都对Vibe Coding的前景持乐观态度。前谷歌云AI总监、Chrome工程负责人Addy Osmani在2026年初断言："Vibe Coding已撞南墙，而AI辅助编程即将崛起。"他警告，只会写Prompt的程序员将在2026年被淘汰。Osmani的观点是：AI编程工具是强大的力量倍增器，但它们不能取代工程基本功。在2026年，人类工程师仍然是这场戏的导演。
这一判断与Karpathy的"抬高天花板"论形成了一种微妙的对照：Vibe Coding确实降低了入门门槛，但真正的专业价值正在从"写代码"向"驾驭AI"转移。能够定义架构、设定约束、指挥多个AI智能体协同工作的人，正在成为新的稀缺资源。Osmani后来离开Google，撰写了新书《Beyond Vibe Coding》，书名本身就是对这个时代最精炼的注脚。
从2025年2月Karpathy那条约145词的推文，到2026年中Harness和Loop的密集涌现，Vibe Coding的演进速度令人目眩。每一代概念的寿命都在缩短——从Prompt Engineering到Context Engineering用了约三年，从Context Engineering到Harness Engineering用了一年，从Harness到Loop不到两个月。
这个演进路径清晰地表明：AI编程正在从"随性"走向"工程"。Vibe Coding完成了它的历史使命——它让世界意识到"用自然语言写软件"是可能的，并催生了庞大的工具生态和用户基础。但它的局限性同样真实：代码质量不可控、安全漏洞频发、缺乏工程规范。Harness、Loop和SDD的出现，正是为了在这些"坑"上架桥。而Agentic Engineering的提出，则为AI编程指明了下一个方向——不是让AI替代人类开发者，而是让人类成为"AI团队的指挥官"。
正如Karpathy在AI Ascent 2026上所言："智能变得廉价，但理解始终稀缺。"（Intelligence gets cheap, but understanding stays scarce.）在Vibe Coding开启的这个新时代，真正的竞争力不在于是否会写代码，而在于是否理解自己究竟在建造什么。