ai-guide/Vibe Coding 零基础教程/70 Vibe Coding 概念大全.md

Vibe Coding 概念大全

一文搞懂 AI 编程的所有核心术语

你好，我是程序员鱼皮，前腾讯全栈开发，全网 200 万粉的 AI 编程博主，也是 AI 导航 和 编程导航 等 10+ 自研产品的创造者。

在学习 Vibe Coding 的过程中，你一定会遇到各种陌生的名词和术语。比如什么是 Token？什么是上下文窗口？什么是 RAG？这些概念听起来很高大上，但其实理解起来并不难。

这篇文章就是你的 AI 编程术语词典，我会用最通俗易懂的语言，把 Vibe Coding 中最常见、最重要的概念讲清楚。你可以把它收藏起来，遇到不懂的词就来查一查。

AI 基础概念

人工智能（AI）

人工智能（Artificial Intelligence）是让计算机模拟人类智能的技术。简单来说，就是让机器能像人一样思考、学习和解决问题。

在 Vibe Coding 中，AI 就是你的编程助手。你告诉它要做什么，它帮你写代码。就像你有一个 24 小时在线的程序员朋友，随时可以帮你干活。

大语言模型（LLM）

大语言模型（Large Language Model）是一种能够理解和生成人类语言的 AI 系统。ChatGPT、Claude、Gemini、DeepSeek 都是大语言模型。

为什么叫 “大” 呢？因为这些模型的参数量非常庞大，动辄几十亿甚至上万亿个参数。参数越多，模型通常越聪明，但也越消耗计算资源。

你可以把大语言模型理解成一个读过海量书籍和代码的超级学霸，它见过无数的编程案例，所以能帮你写代码、解释代码、修复 bug。

模型参数

参数是模型在训练过程中学到的 “知识点”，用数字的形式存储在模型中。参数越多，模型能记住的知识就越丰富，通常也越聪明。

比如：

• GPT-4 大约有 1.8 万亿参数
• Claude 3.5 Sonnet 的参数量未公开，但估计在千亿级别
• DeepSeek-V3 有 6710 亿参数

参数量会影响模型的能力和运行成本。一般来说，参数越多的模型越贵，但效果也越好。

训练和推理

训练（Training）是让 AI 模型从大量数据中学习知识的过程。这个过程需要海量的计算资源和时间，通常由 AI 公司完成。你不需要自己训练模型。

推理（Inference）是模型学完之后，用学到的知识来回答问题、生成内容的过程。当你用 ChatGPT 对话时，就是在进行推理。

打个比方：训练就像学生上学读书，推理就像学生参加考试答题。我们日常使用 AI 工具，都是在用推理能力。

微调（Fine-tuning）

微调是在已有模型的基础上，用特定领域的数据继续训练，让模型在某个领域表现更好。

比如，你可以用大量的医学资料微调一个模型，让它成为医学专家。或者用你公司的代码库微调，让它更了解你的项目风格。

对于普通用户来说，微调成本较高，一般不需要自己做。直接使用现成的模型就够用了。

Token 和计费

Token

Token 是 AI 模型处理文本的基本单位。你可以简单理解为 “词块”。

在英文中，一个 Token 大约是一个单词或单词的一部分。在中文中，一个汉字通常是 1-2 个 Token。

为什么 Token 重要？因为 AI 服务通常按 Token 收费。你输入的文字和 AI 输出的文字都会消耗 Token。Token 用得越多，花的钱就越多。

举个例子：

• "Hello World" 大约是 2 个 Token
• “你好世界” 大约是 4-6 个 Token

输入 Token 和输出 Token

AI 服务通常分别计算输入和输出的 Token：

• 输入 Token：你发给 AI 的内容（提示词、代码、文件等）
• 输出 Token：AI 返回给你的内容（回答、生成的代码等）

一般来说，输出 Token 比输入 Token 更贵，因为生成内容比理解内容更消耗算力。

省钱小技巧：写清楚、写简洁的提示词，让 AI 一次就能理解你的需求，减少反复对话。

上下文窗口

上下文窗口（Context Window）是指 AI 模型一次能 “记住” 的最大内容量，用 Token 来衡量。

不同模型的上下文窗口大小不同：

• GPT-4o：128K Token（约 10 万中文字）
• Claude 3.5 Sonnet：200K Token（约 15 万中文字）
• Gemini 2.0 Pro：2M Token（约 150 万中文字）

上下文窗口越大，AI 能处理的代码量就越多，能记住的对话历史就越长。如果你的项目代码很多，选择上下文窗口大的模型会更合适。

但要注意，上下文窗口越大，每次请求消耗的 Token 也越多，成本也会更高。

提示词相关

提示词（Prompt）

提示词是你给 AI 的指令或问题。在 Vibe Coding 中，提示词就是你用自然语言描述的需求。

提示词的质量直接决定了 AI 输出的质量。一个好的提示词应该：

• 具体明确，不含糊
• 包含必要的背景信息
• 说明期望的输出格式

比如，“做一个网站” 是一个模糊的提示词，而 “用 React 做一个记账网站，包含添加支出、查看列表、统计总额三个功能，界面用蓝色调” 就是一个好的提示词。

在 AI 对话中，消息通常分为三种角色：

• 系统提示词（System）：设置 AI 的角色和行为规则，对用户不可见
• 用户提示词（User）：你发送给 AI 的消息
• 助手提示词（Assistant）：AI 回复给你的消息

理解这 3 种角色有助于你更好地构造对话。比如在调试时，你可以在提示词中模拟之前的对话历史，让 AI 更好地理解上下文。

系统提示词

系统提示词（System Prompt）是在对话开始前设置的指令，用来定义 AI 的角色、行为和限制。

比如，你可以设置系统提示词：“你是一位资深的 React 开发专家，请用简洁清晰的代码风格回答问题。”

系统提示词在整个对话过程中都会生效，是定制 AI 行为的重要方式。

提示词工程

提示词工程（Prompt Engineering）是设计和优化提示词的技术，目的是让 AI 更好地理解你的意图，生成更符合预期的结果。

这是 Vibe Coding 的核心技能之一。好的提示词工程师能用更少的对话轮次，让 AI 生成更高质量的代码。

零样本提示（Zero-shot）

零样本提示是指直接给 AI 一个任务，不提供任何示例。

比如：“请把这段英文翻译成中文。”

AI 会根据自己的训练知识来完成任务。对于简单任务，零样本提示通常就够用了。

少样本提示（Few-shot）

少样本提示是在提示词中提供几个示例，让 AI 学习你想要的格式或风格。

比如：

请按以下格式翻译：
英文：Hello → 中文：你好
英文：Thank you → 中文：谢谢
英文：Good morning → 中文：

通过提供示例，AI 能更准确地理解你的需求，输出更一致的结果。

思维链提示（Chain-of-Thought）

思维链提示是让 AI 一步一步思考问题，而不是直接给出答案。这对于复杂的推理任务特别有效。

你可以在提示词中加上 “请一步一步思考” 或 "Let's think step by step"，AI 就会展示它的推理过程，通常能得到更准确的答案。

在编程中，思维链提示能帮助 AI 更好地理解复杂需求，生成更合理的代码结构。

Markdown 语言

Markdown 是一种轻量级的文本标记语言，用简单的符号来表示格式。比如用 # 表示标题，用 **文字** 表示加粗，用 - 表示列表。

在 Vibe Coding 中，Markdown 非常重要，因为：

• AI 生成的回答通常是 Markdown 格式
• 项目文档（如 README）用 Markdown 编写
• 规则文件也是 Markdown 格式

学会 Markdown 能让你更好地与 AI 交流，也能写出更规范的项目文档。

AI 编程模式

Vibe Coding

Vibe Coding 是由计算机科学家 Andrej Karpathy 在 2025 年 2 月提出的概念。它描述了一种全新的编程方式：通过自然语言和 AI 对话，让 AI 帮你写代码，你只需要描述需求、测试结果、指导方向。

Vibe Coding 的核心理念是：你不需要精通编程语法，只需要能清楚表达你的想法。AI 负责把你的想法变成可运行的代码。

这就像点外卖一样：你告诉外卖平台你想吃什么，餐厅帮你做好送到手上。你不需要会做饭，但要知道自己想吃什么。

Agentic Coding 智能体编程

Agentic Coding 是指让 AI 像一个自主的 “智能体”（Agent）一样工作，能够自己规划任务、执行操作、验证结果，而不只是被动地回答问题。

在 Cursor 的 Agent 模式中，AI 可以：

• 自动读取和分析多个文件
• 规划实现方案
• 执行代码修改
• 运行测试验证
• 自动修复问题

这比传统的问答式 AI 更强大，因为它能自主完成复杂的多步骤任务。

多智能体协作

多智能体协作（Multi-Agent）是指多个 AI 智能体分工合作，共同完成复杂任务。

比如，一个智能体负责设计架构，一个负责写前端代码，一个负责写后端代码，一个负责代码审查。它们像一个团队一样协作。

这两年，多智能体系统正在成为 AI 编程的重要趋势，能够处理更复杂的项目。

智能体编排

编排是指协调和管理多个 AI 智能体或 AI 任务的过程，确保它们按正确的顺序和方式工作。

就像乐队指挥一样，编排器决定哪个智能体在什么时候做什么事情，如何传递信息，如何汇总结果。

Agent Loop 智能体循环

Agent Loop 是 AI 智能体的核心工作机制，描述了智能体如何持续运行来完成任务。

一个典型的 Agent Loop 包括：

1. 感知：获取当前环境信息（读取文件、查看错误等）
2. 思考：分析情况，决定下一步行动
3. 行动：执行具体操作（写代码、运行命令等）
4. 观察：检查行动的结果
5. 循环：根据结果决定是否继续

这个循环会一直进行，直到任务完成或达到终止条件。理解 Agent Loop 能帮你更好地使用 Cursor Agent 等工具。

ReAct 推理与行动

ReAct（Reasoning and Acting）是一种让 AI 智能体交替进行推理和行动的技术框架。

传统的 AI 要么只思考不行动，要么只行动不思考。ReAct 让 AI 能够：

• 先推理：思考当前情况，制定计划
• 再行动：执行具体操作
• 观察结果：看看行动效果如何
• 继续推理：根据结果调整策略

这种 “思考 - 行动 - 观察” 的循环让 AI 能更可靠地完成复杂任务，是现代 AI 编程工具的核心技术之一。

工具调用

工具调用（Tool Use / Function Calling）是让 AI 能够使用外部工具和功能的技术。AI 本身只能生成文字，但通过工具调用，它可以：

• 读写文件
• 执行命令行命令
• 搜索网页
• 调用 API
• 操作数据库

工具调用的工作流程分为 4 步：

1. 识别需求：AI 判断当前任务需要使用工具
2. 选择工具：从可用工具中选择合适的
3. 执行调用：用正确的参数调用工具
4. 整合结果：将工具返回的结果融入回答

需要注意的是，AI 模型本身并不直接执行工具，而是生成 “我想调用这个工具，参数是这些” 的指令，由外部程序执行后把结果返回给 AI。

在 Vibe Coding 中，工具调用让 AI 从 "只会说" 变成 "能动手"。比如 Cursor 的 Agent 模式就是通过工具调用来读取文件、修改代码、运行命令的。

Agent Skills 智能体技能

Agent Skills（智能体技能）是 Anthropic 在 2025 年 10 月推出的开放标准，用于给 AI 智能体扩展特定领域的专业能力。

简单来说，Skill 就是一个包含 SKILL.md 文件的文件夹，里面可以放置指令说明、脚本代码、参考资料等。当 AI 遇到相关任务时，会自动加载对应的 Skill 来增强自己的能力。

你可以把 Skill 理解成给 AI 的 “新员工入职指南”。比如：

• 一个 PDF 处理 Skill，教会 AI 如何填写 PDF 表单
• 一个项目部署 Skill，包含你团队特有的部署流程和脚本
• 一个代码审查 Skill，定义了你项目的代码规范和检查清单

Skills 的核心设计是 渐进式披露：AI 只在需要时才加载相关内容，不会一次性把所有信息都塞进上下文，既节省 Token 又保持灵活性。

💡 想要发现更多好用的 Agent Skills？可以访问 鱼皮 AI 导航 - Skills 大全，持续更新优质技能，释放 AI 执行潜力。

A2A（Agent-to-Agent）

A2A（Agent-to-Agent）是指 AI 智能体之间相互通信和协作的协议或方式，是多智能体系统的基础技术。

就像人和人之间需要语言来沟通，AI 智能体之间也需要标准化的方式来交换信息、分配任务、汇报结果。

A2A 协议让不同的 AI 智能体能够组成团队，分工合作完成复杂任务。

BMAD 敏捷 AI 开发方法

BMAD-METHOD（Breakthrough Method of Agile AI-Driven Development，突破性敏捷 AI 驱动开发方法）是一套系统化的 AI 智能体开发框架，旨在将原本混乱的 AI 编程过程变得结构化、可复用。

BMAD 使用 角色化智能体 的方式组织开发流程，每个智能体扮演特定角色：

• Analyst Agent（分析师）：创建项目简报，包含市场分析和用户画像
• PM Agent（产品经理）：将简报转化为详细的产品需求文档（PRD）
• Architect Agent（架构师）：设计技术实现方案和系统架构

BMAD 中的智能体分为两种类型：

• Simple Agents（简单智能体）：单文件、自包含，适合代码审查、文档生成等聚焦任务
• Expert Agents（专家智能体）：具有跨会话持久记忆，配有专属文件夹存放资源，适合复杂的多步骤工作流

每个智能体都有标准化的组成部分：人设（角色、身份、沟通风格、原则）、能力列表、交互菜单，以及可选的关键行动。

BMAD 在 GitHub 上获得了几万+ Star，说明这种结构化的 AI 开发方法正在被越来越多的开发者认可。

Browser Use 浏览器使用

Browser Use（浏览器使用）是让 AI 智能体能够自动操控网页浏览器的技术能力。通过 Browser Use，AI 可以像人类一样浏览网页、点击按钮、填写表单、提取数据。

Browser Use 的典型应用场景：

• 自动化研究：让 AI 在多个网站上搜索、整理信息
• 数据采集：从网页中提取结构化数据
• 表单填写：自动完成繁琐的在线表单
• 跨平台操作：在不同网站间完成多步骤任务

比较知名的开源项目是 Browser-Use，支持通过 Python 调用多种大模型来控制浏览器。此外，Cursor、Claude Code 等主流 AI 编程工具也内置了 Browser Use 能力，可以在开发过程中自动打开浏览器预览效果、执行测试等操作。

Browser Use 的一个关键优势是，AI 可以利用你现有的浏览器会话和登录状态，无需为每个网站单独开发 API 集成。也就是说，AI 能够访问那些没有公开 API 的网站，大大扩展了自动化的应用范围。

Computer Use 计算机使用

Computer Use（计算机使用）是 Anthropic 公司在 2024 年推出的 AI 能力，让 Claude 能够像人类一样操作整个计算机桌面。

和 Browser Use 只能操作浏览器不同，Computer Use 可以操作任何桌面应用程序，比如：

• 查看屏幕截图，理解界面元素
• 移动鼠标光标，点击按钮
• 使用键盘输入文字
• 执行命令行操作

Computer Use 的工作原理是一个持续的反馈循环：

1. 截图分析：AI 捕获并分析当前屏幕
2. 决策规划：根据任务目标确定下一步操作
3. 执行操作：发送鼠标/键盘输入
4. 观察结果：检查操作效果，调整策略

💡 为了安全起见，Computer Use 通常在虚拟机或容器中运行，不会直接控制你的真实电脑。

Computer Use 代表了 AI 从 "只能生成文字" 到 "能够操作软件" 的重大跨越，彻底改变人机交互方式。

基于 Computer Use 技术，Anthropic 在 2026 年推出了 Claude Cowork，这是一个桌面端 AI 助手，可以直接访问你电脑上的文件和文件夹，帮你整理下载目录、从截图中提取数据到表格、准备品牌报告等日常办公任务。

上下文管理

上下文（Context）

上下文是 AI 在回答问题时能够参考的所有信息，包括：

• 当前对话的历史
• 你打开的代码文件
• 项目的结构和配置
• 你提供的参考资料

上下文越丰富、越相关，AI 生成的代码就越符合你的需求。这就像给一个新同事交接工作 —— 你给的背景信息越多，他上手就越快。

上下文工程

上下文工程（Context Engineering）是有策略地管理和优化提供给 AI 的上下文信息的技术。

核心目标是 让 AI 拥有恰到好处的信息。既不能太少（导致 AI 不了解情况），也不能太多（导致信息过载、成本上升）。

好的上下文工程包括：

• 选择最相关的文件
• 提供必要的背景说明
• 使用规则文件定义项目规范
• 适时清理无关的对话历史

规则文件

规则文件（Rules File）是放在项目中的配置文件，用来告诉 AI 你的项目规范、技术栈、代码风格等信息。有了规则文件，AI 每次生成代码时都可以参考这些规则，生成的代码更符合你的项目风格，省去了反复强调的麻烦。

不同 AI 编程工具使用不同的规则文件格式：

• Cursor：早期使用 .cursorrules 单文件格式，现在推荐使用 .cursor/rules/*.mdc 多文件格式
• Claude Code：使用 CLAUDE.md 文件
• GitHub Copilot：使用 .github/copilot-instructions.md 文件

以 Cursor 为例，现代的 .mdc 规则文件支持 YAML 元数据，可以指定规则的适用范围：

---
description: React 组件开发规范
globs: src/components/**/*.tsx
alwaysApply: false
---
# React 规范
- 使用函数式组件
- 优先使用 hooks

规则文件的激活方式有多种，比如：

• 始终生效：设置 alwaysApply: true
• 模式匹配：当引用匹配 globs 的文件时自动激活
• 手动调用：在对话中用 @规则名 引用
• AI 自主决定：AI 根据任务相关性自动加载

💡 注意，随着工具版本的更新，这些文件的名称和标准可能会发生改变，一切以工具官方文档为主。

AGENTS.md

AGENTS.md 是一种开放的文件格式，专门用于给 AI 编程智能体提供项目指令。

传统的 README.md 是写给人看的，主要介绍项目是什么、怎么用。而 AGENTS.md 是写给 AI 看的，包含 AI 工作时需要的技术细节：

• 项目的构建和启动命令
• 测试运行方式
• 代码风格和规范
• 项目结构说明

一个典型的 AGENTS.md 文件大概长这样：

# 项目设置
- 安装依赖：npm install
- 启动开发：npm run dev
- 运行测试：npm test

# 代码规范
- 使用 TypeScript 严格模式
- 组件文件使用 PascalCase 命名
- 工具函数使用 camelCase 命名

AGENTS.md 的优势在于它是一个开放标准，被数万个开源项目采用。当你使用支持该标准的 AI 编程工具（如 Claude Code、OpenAI Codex、Cursor、GitHub Copilot 等）时，AI 会自动识别项目根目录下的 AGENTS.md 文件，并将其中的指令发送给 AI，无需你手动引用。

SDD 规范驱动开发

SDD（Spec-Driven Development，规范驱动开发）是 AI 时代的一种新型开发方法论，强调在编码之前先创建精确、机器可读的规范文档。

传统开发流程是：想到什么写什么，边写边改，最后再补文档。这样容易导致需求不清晰、代码和文档对不上。

而 SDD 的思路正好相反：先把需求写成规范文档，并且把规范文档当作代码的唯一真相来源。

你可以把规范文档理解为 “项目宪法”，它包含了详细的需求描述、系统设计和接口定义。AI 必须严格遵守这些条文来生成代码，确保产出完全符合预期。

为什么 SDD 越来越受重视？

因为 AI 生成代码的质量直接取决于上下文的清晰度，而不仅仅是依靠提示词技巧。一个清晰的规范文档能比任何 Prompt 黑魔法更有效地减少错误。

SDD 的典型工作流程：

1. Constitution（制定准则）：定义项目的基本原则、代码规范、性能标准
2. Specify（编写规范）：描述要做什么功能、为什么做、用户需求是什么
3. Clarify（澄清疑问）：让 AI 提出结构化问题，明确边界情况和错误处理
4. Plan（制定方案）：确定技术栈、系统架构、数据模型、API 接口
5. Tasks（拆解任务）：把计划拆解成可执行的任务列表，标注依赖关系和优先级
6. Implement（执行实现）：AI 按照任务列表生成代码，人类验证

2025 年 9 月，GitHub 发布了开源的 Spec Kit 工具包，帮助开发者在 AI 编程中实践 SDD 方法论。它支持 Claude Code、GitHub Copilot 等主流编程工具，通过一套斜杠命令引导你完成上述流程。

RAG 检索增强生成

RAG（Retrieval-Augmented Generation）是一种让 AI 能够查阅外部知识库的技术。

普通的 AI 只能依赖训练时学到的知识，而 RAG 能让 AI 在回答问题时，先从你的文档、代码库、知识库中检索相关信息，然后基于这些信息生成回答。

这对于 Vibe Coding 特别有用，因为 AI 可以参考你项目中的已有代码，生成风格一致的新代码。

向量数据库

向量数据库是专门用来存储和查询 “向量”（一种数字表示形式）的数据库。在 AI 领域，它常用来存储文本的语义表示。

当你把代码或文档存入向量数据库后，AI 就能快速找到语义相似的内容，即使搜索词和原文不完全一样。

比如，你搜 “用户登录”，它能找到叫 "handleAuth" 的函数，因为它们在语义上是相关的。

嵌入 Embedding

嵌入是把文本、代码等内容转换成数字向量的过程。这些向量能够捕捉内容的语义信息。

在向量空间中，语义相似的内容会靠得更近。这就是为什么向量数据库能进行语义搜索的原理。

你不需要深入理解嵌入的技术细节，只需要知道它是 RAG 和代码语义搜索的基础技术。

MCP 模型上下文协议

MCP（Model Context Protocol）是 Anthropic 在 2024 年底推出的开放标准，用于让 AI 模型安全地连接外部数据源和工具。

你可以把 MCP 理解成 AI 世界的 “USB 接口”。有了 MCP，AI 就能方便地读取你的文件、访问数据库、调用各种工具，而不需要每个工具都单独开发接口。

MCP 的核心价值在于 标准化。开发者不需要为每个 AI 工具单独开发连接器，只需要按照 MCP 标准开发一次，就能被所有支持 MCP 的 AI 工具使用。目前 Claude Code、Cursor、Windsurf 等主流 AI 编程工具，以及各种网页 AI Agent 应用都已经支持 MCP 协议。

在 Vibe Coding 中，MCP 让 AI 能够连接更多外部工具和数据源，大大扩展了 AI 的能力边界。比如通过 Figma MCP，AI 可以直接读取设计稿并生成对应的网页代码；通过 GitHub MCP，AI 可以直接操作代码仓库、创建 PR；通过数据库 MCP，AI 可以查询和分析业务数据。

💡 想要发现更多好用的 MCP 服务？可以访问 鱼皮 AI 导航 - MCP 大全，持续更新优质 MCP，帮你重塑 AI 工作流。

AI 输出相关

AI 幻觉

AI 幻觉（Hallucination）是指 AI 编造了不存在的内容，比如虚构的 API、错误的函数用法、不存在的库。

这是大语言模型的固有问题，因为它们是基于概率生成内容的，有时会 “脑补” 不存在的东西。

遇到幻觉时的应对方法：

• 要求 AI 提供文档链接验证
• 自己查官方文档确认
• 换个模型试试
• 开新对话重新描述问题

温度

温度（Temperature）是控制 AI 输出随机性的参数，取值通常在 0-2 之间。

• 温度低（如 0.1）：输出更确定、更保守，适合写代码
• 温度高（如 1.0）：输出更随机、更有创意，适合头脑风暴

在编程场景中，通常使用较低的温度，让 AI 生成更稳定、更可预测的代码。

流式输出

流式输出（Streaming）是指 AI 一边生成内容，一边实时显示给你，而不是等全部生成完再显示。

这就像看直播而不是看录播，你能实时看到 AI 的思考过程，如果发现方向不对，可以及时中断。

大多数 AI 编程工具都支持流式输出，让交互体验更流畅。

开发工具概念

IDE 集成开发环境

IDE（Integrated Development Environment）是程序员用来写代码的综合软件，通常包含代码编辑器、调试器、终端等工具。

VS Code 是目前最流行的 IDE。Cursor 和 Windsurf 都是基于 VS Code 开发的 AI 代码编辑器，继承了 VS Code 的功能，同时增加了 AI 能力。

代码编辑器

代码编辑器是用来编写和修改代码的工具。它通常提供语法高亮、代码补全、错误提示等功能，帮助你更高效地写代码。

常见的代码编辑器有 Sublime Text 等。区别于 IDE 的区别，它们相对轻量、启动快速，适合快速编辑单个文件；而 IDE 的功能更全面，集成了调试器、终端、版本控制等工具，适合大型项目开发。

在 Vibe Coding 时代，代码编辑器集成了 AI 能力，可以根据你的提示词自动生成代码、解释代码、修复错误。比如 Cursor 虽然功能强大像 IDE，但它的核心还是一个 AI 增强的代码编辑器。

零代码平台

零代码平台（No-Code Platform）是不需要写代码就能创建应用的平台。你通过可视化界面拖拽组件、配置参数来构建应用。

在 AI 时代，像 Bolt.new、Lovable、v0.dev、百度秒哒这样的平台结合了零代码和 AI，你用自然语言描述需求，平台自动生成完整的应用。

零代码平台特别适合完全没有编程经验的新手，或者想快速做原型的场景。

代码补全

代码补全（Code Completion）是 AI 预测你接下来要写什么代码，并自动提供建议的功能。

当你写代码时，AI 会根据上下文推测你的意图，提供代码片段供你选择。按下 Tab 键就能接受建议，大大提高编码速度。

GitHub Copilot 是目前最知名的 AI 代码补全工具。

代码审查

代码审查（Code Review）是检查代码质量、发现问题、提出改进建议的过程。

在传统开发中，一般会由同事或上级来做。在 Vibe Coding 中，你可以让 AI 帮你审查代码，它会指出潜在的 bug、安全问题、性能问题，并提供修改建议。

但要注意，AI 的审查不能完全替代人工审查，特别是对于重要的生产代码。

Linter 代码检查器

Linter 是自动检查代码问题的工具，能发现语法错误、风格问题、潜在 bug 等。

常见的 Linter 有 ESLint（JavaScript）、Pylint（Python）等，它们像一个严格的语法老师，帮你保持代码规范。

在 Vibe Coding 中，Linter 能帮你快速发现 AI 生成代码中的问题。

调试

调试（Debug）是找到并修复代码中错误的过程。当代码运行结果不符合预期时，你需要调试来定位问题。

调试的常用方法包括：

• 设置断点，逐步执行代码
• 查看变量的值
• 阅读错误信息和堆栈跟踪
• 添加日志输出

在 Vibe Coding 中，你可以把错误信息发给 AI，让它帮你分析原因并提供修复方案。

项目管理概念

MVP（最小可行产品）

MVP（Minimum Viable Product）是用最少的功能满足核心需求的产品版本。

做 MVP 的好处是：

• 快速验证想法是否可行
• 避免在不必要的功能上浪费时间
• 更快获得用户反馈

比如做记账应用，MVP 版本可能只有记录支出、查看列表两个功能，其他高级功能以后再加。

迭代开发

迭代开发是把大项目分成多个小周期，每个周期完成一部分功能的开发方法。

每个迭代周期包括：计划 => 开发 => 测试 => 发布 => 反馈 => 改进。

这种方法特别适合 Vibe Coding，因为你可以让 AI 先实现核心功能，测试没问题后再逐步添加新功能。

重构

重构（Refactoring）是在不改变功能的前提下，改进代码结构和质量的过程。

重构的目的是让代码更清晰、更易维护、更高效。常见的重构包括：

• 提取重复代码为函数
• 改进变量和函数命名
• 简化复杂的逻辑
• 拆分过长的文件

在 Vibe Coding 中，你可以让 AI 帮你重构代码，但要小步进行，每次重构后都要测试。

技术债

技术债（Technical Debt）是为了快速完成功能而采用的临时方案，这些方案在未来需要花时间修复和改进。

就像信用卡欠款一样，虽然现在透支方便，但以后要还，还要加利息。

在 Vibe Coding 中，AI 生成的代码可能不是最优方案，积累太多技术债会让项目越来越难维护。定期重构是偿还技术债的方式，防止出现屎山代码。

版本控制

版本控制是记录代码变更历史的系统，让你能追踪每次修改、对比不同版本、回退到之前的状态。

Git 是最流行的版本控制工具，GitHub 是最流行的代码托管平台。

在 Vibe Coding 中，版本控制特别重要。因为 AI 可能会生成有问题的代码，有了版本控制，你随时可以回退到之前正常的版本。

部署

部署（Deployment）是把开发好的应用发布到服务器上，让用户能够访问使用的过程。

常用的部署平台：

• Vercel：适合前端和全栈应用
• Netlify：适合静态网站和前端应用
• Railway、Render：适合后端服务

很多零代码平台（如 Bolt.new）支持一键部署，点个按钮就能上线。

前后端概念

前端

前端（Frontend）是用户能直接看到和交互的部分，包括网页界面、按钮、表单、动画等。

前端技术栈通常包括：

• HTML：页面结构
• CSS：样式和布局
• JavaScript：交互逻辑
• React/Vue/Next.js：现代前端框架

在 Vibe Coding 中，前端是 AI 最擅长生成的部分，因为效果可以直接看到，方便验证和调整。

后端

后端（Backend）是用户看不到的部分，负责处理业务逻辑、数据存储、用户认证等。

后端技术栈通常包括：

• Node.js/Python/Java：编程语言
• Express/FastAPI/Spring：Web 框架
• MySQL/PostgreSQL/MongoDB：数据库

后端比前端更复杂，需要考虑安全性、性能、数据一致性等问题。AI 生成的后端代码需要更仔细地审查。

全栈

全栈（Full-stack）是指同时包含前端和后端的完整应用。全栈开发者是能同时处理前端和后端工作的程序员。

在 Vibe Coding 中，像 Bolt.new 这样的工具可以一次性生成全栈应用，前后端代码都帮你写好。

想进一步了解全栈程序员是什么、怎么成为全栈程序员？可以看鱼皮的这篇文章：全栈程序员是什么？

API

API（Application Programming Interface）是不同程序之间通信的接口。

你可以把 API 理解成餐厅的菜单。菜单告诉你有什么菜可以点，怎么点，点了之后会得到什么。你不需要知道厨房怎么做菜，只需要按菜单点餐。

在 Web 开发中，前端通过 API 和后端通信，获取数据或提交操作。

想进一步了解 API 接口和标准的 API 接口设计规范，可以观看 鱼皮的 API 动画科普视频。

数据库

数据库是存储和管理数据的系统。应用中的用户信息、内容、设置等都存在数据库里。

常见的数据库类型：

• 关系型数据库（MySQL、PostgreSQL）：数据以表格形式存储
• 文档数据库（MongoDB）：数据以 JSON 文档形式存储
• 键值数据库（Redis）：适合缓存和快速查找

在 Vibe Coding 中，你可以用 Supabase、Firebase 等 BaaS 服务，不用自己搭建和管理数据库。

如果你想系统学习数据库知识，可以看鱼皮的数据库入门教程：数据库入门教程

BaaS（后端即服务）

BaaS（Backend as a Service）是提供现成后端功能的云服务，包括数据库、用户认证、文件存储等。

常用的 BaaS 服务：

• Supabase：开源的 Firebase 替代品
• Firebase：Google 的 BaaS 平台
• PlanetScale：托管的 MySQL 服务

使用 BaaS，你不需要自己写后端代码和管理服务器，能大大加快开发速度。特别适合 Vibe Coding 场景。

写在最后

这篇文章涵盖了 Vibe Coding 中最常见的概念和术语。当然，AI 和编程领域的新概念还在不断涌现，这份词典也会持续更新。

你不需要一次记住所有概念，遇到不懂的词，回来查一查、或者问一问 AI 就好。随着你不断地实践 Vibe Coding，这些概念会自然而然地变得熟悉。

推荐资源

1）鱼皮 AI 导航网站：AI 资源大全、最新 AI 资讯、免费 AI 教程

2）编程导航学习圈：学习路线、编程教程、实战项目、求职宝典、交流答疑

3）程序员面试八股文：实习/校招/社招高频考点、企业真题解析

4）程序员写简历神器：专业模板、丰富例句、直通面试

5）1 对 1 模拟面试：实习/校招/社招面试拿 Offer 必备