Vibe Coding(氛围编码)
Vibe Coding用自然语言跟 AI 说需求就能写代码
亦作、亦称:氛围编码 · Vibecoding · 氛围编程 · 自然语言编程
2025 年 2 月由 Andrej Karpathy 提出的软件开发实践,开发者通过自然语言提示描述项目或任务,由大语言模型自动生成源代码,开发者可能不仔细审查输出代码,而是依赖运行结果和后续提示来引导修改。
起源与定义
Vibe Coding 由 Andrej Karpathy 在 2025 年 2 月提出。维基百科将其定义为「一种由人工智能辅助的软件开发实践,开发者在提示中向大语言模型描述项目或任务,模型自动生成源代码」。
Karpathy 的原始推文描述了这种体验:「你完全沉浸在氛围(vibes)中,拥抱指数级增长,忘记代码的存在。」一些评论者认为,Vibe Coding 定义的关键特征是「对代码缺乏了解」——彻底的代码审查和测试与 Vibe Coding 的本质不兼容。
Vibe Coding 的哲学基础是 Karpathy 2023 年的论断「最热门的编程语言是英语」——LLM 的能力已使人类无需学习特定编程语言即可指挥计算机。
这引发了编程社区的激烈辩论:支持者认为 Vibe Coding 降低了软件开发的门槛,让非程序员也能构建工具;批评者则担忧它会产生大量未经审查的低质量代码,增加安全风险和维护负担。
2026 年现状:从概念到生产力革命
2026 年的数据表明 Vibe Coding 已从实验性实践演变为主流开发方式。Anthropic 报告 Claude 已编写 80% 以上的合并代码,工程师每日合并代码量是 2024 年的 8 倍。
Cursor 成为估值最高的开发工具公司之一(SpaceX 获得以 600 亿美元收购的权利),Replit 估值飙升至 90 亿美元,GitHub Copilot 用户超过数百万开发者。
然而,Vibe Coding 的隐患也日益显现:代码量增加了 8 倍,但 bug 率没有同比下降;合并速度加快了,但系统复杂度也爆炸了;AI 写的代码,人类越来越难审查。核心矛盾在于:当 AI 生成的代码量超过人类审查能力时,我们面临的不是「编程的终结」,而是「理解的危机」。
马斯克在 2026 年 2 月进一步预测 AI 将直接生成优化的二进制程序,跳过编程语言这个「中间层」。但即使 AI 能生成优化的二进制,当系统在生产环境出问题时,需要的是可解释性——而不是更高的执行效率。
风险与争议
Vibe Coding 面临的核心风险是「黑箱软件」问题——知道它能工作,但不知道为什么,也不知道为什么失败。具体风险包括:
- 安全漏洞——未经审查的代码可能包含安全缺陷,Agentjacking 攻击正是利用 AI 代理读取不可信代码/内容的场景
- 维护困难——当原始开发者不理解 AI 生成的代码时,修复 bug 和添加功能变得极其困难
- 知识退化——如果新一代开发者不学习编程语言和计算机科学基础,他们将无法审查 AI 输出或处理复杂系统问题
- 责任归属——当 Vibe Coding 产生的软件造成损害时,责任在开发者、AI 提供商还是 LLM 训练数据贡献者?2026 年的共识是:Vibe Coding 适合快速原型和个人项目,但在生产级系统中仍需要传统软件工程的纪律——代码审查、测试、文档和可维护性。编程不是消亡,而是正在经历从「写代码」到「聊代码」的范式转移
常见误解
日常交流中容易听到的简化说法,未必准确,但能帮助理解误解从何而来。
- 「用自然语言跟 AI 说需求就能写代码」
- 「不用学编程语言了」
相关术语
和本术语关联紧密的其他词条,便于串联理解。
🎯 考点练习
含该术语的高频面试题,含标准答案与追问。
- 中级概念查看详解 →
什么是 Agentic Engineering?它和 Vibe Coding 有什么区别?
Vibe Coding(Karpathy 2025)是凭感觉用自然语言让 AI 生成代码、快速试错,适合原型;Agentic Engineering 把 Agent 纳入系统化工程流程(需求-规划-生成-自动测试-迭代-评审),强调可控、可验证、可维护,生产系统应走后者。
- 初级概念高频查看详解 →
AI Agent 的基本架构由哪些核心组件构成?
AI Agent 通常由规划、记忆、工具、画像/控制循环四大组件构成,它们围绕 LLM 大脑协同成「观察-思考-行动」闭环。
- 高级系统设计查看详解 →
Agent 接入多渠道(Telegram/飞书/钉钉/Web)时,Channel 抽象层如何设计?
Channel 抽象层用适配器模式把各平台的消息格式、富文本、鉴权、事件差异收敛成统一的 Message/User/Session 接口,receive 转标准消息、send 各自适配,并用特性开关处理能力差异。
- 中级概念查看详解 →
什么是上下文压缩(Context Compaction)?有哪些压缩策略?
长会话/长任务里上下文不断累积逼近窗口上限,上下文压缩是在不丢关键信息的前提下压缩历史,以腾出空间、降低成本并维持推理质量,常用滚动摘要、重要性筛选、工具结果外置、结构化抽取等策略。
外部参考
维基百科:查看「Vibe Coding」词条本页内容为本站原创撰写;维基百科链接仅作延伸参考。
