liyupi
12d80d21d1
项目实战： - 新增 Cursor - AI 万能视频下载总结器项目实战文章 - 更新项目实战导读和企业级项目列表，补充新项目引用 产品变现： - 新增 10 GEO 生成式引擎优化实战（主线文章） - 更新产品变现导读，补充 GEO 引用 - SEO 文章末尾自然过渡到 GEO 概念大全扩充： - Token（词元）：补充国产大模型中文分词优化说明 - 新增 Token 缓存：解释 KV Cache 缓存写入/读取机制 - 新增 Harness Engineering 驾驭工程：三大核心支柱 - 新增 Ralph Wiggum Loop：PRD 驱动的自主循环编程模式 - 新增 ACP 协议：区分 IBM Agent Communication Protocol 和 JetBrains Agent Client Protocol - 新增 GEO 生成式引擎优化概念 - OpenClaw 条目参考保姆级教程重写，移至开发工具概念板块 - 项目管理概念板块扩展为「项目管理和推广概念」 Made-with: Cursor
1332 lines
68 KiB
Markdown
1332 lines
68 KiB
Markdown
# 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](https://space.bilibili.com/12890453)，也是 [AI 导航](https://ai.codefather.cn) 和 [编程导航](https://www.codefather.cn) 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。墙裂建议收藏，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。你只管告诉它要做什么，它就会嘎嘎帮你做方案、写代码、修 Bug。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” 模型呢？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。
|
||
|
||
|
||
|
||
除了文本大语言模型之外，AI 领域还有专门处理图片的视觉模型（比如 Stable Diffusion）、处理语音的音频模型（比如 Whisper）、以及能同时处理文字、图片、音频的多模态模型（如 GPT-4o、Gemini）。在 AI 编程时，我们主要和文本大语言模型打交道。
|
||
|
||
|
||
|
||
### Token（词元）
|
||
|
||
Token 是 AI 模型处理文本的基本单位，中文叫做 “词元”。你可以简单理解为 “词块”，是大模型把文字拆分后的最小单元。
|
||
|
||
Token 是你必须掌握的核心概念，因为 AI 服务通常按照 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。
|
||
|
||
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。不同模型使用的分词器（Tokenizer）不同，所以同一段文字在不同模型中可能对应不同数量的 Token。
|
||
|
||
值得一提的是，国产大模型（比如通义千问、DeepSeek）针对中文做了专门优化，1 个 Token 大约可以表示 1.5 ~ 1.8 个汉字，比早期的英文模型效率高不少。
|
||
|
||
举个例子来帮助大家理解：
|
||
|
||
- "Hello World" 大约是 2 个 Token
|
||
- “你好世界” 大约是 4 ~ 6 个 Token
|
||
|
||
|
||
|
||
目前很多 AI 编程工具（比如 Cursor、Claude Code）都自带了 Token 消耗量的实时统计和展示，方便你随时掌握用量和成本。
|
||
|
||
|
||
|
||
### 输入 Token 和输出 Token
|
||
|
||
AI 服务在计费时，一般会分别计算输入和输出的 Token。
|
||
|
||
- 输入 Token：你发给 AI 的内容，比如提示词、代码、文件等
|
||
- 输出 Token：AI 返回给你的内容，比如回答、生成的代码、工具调用指令等
|
||
|
||
一般来说，输出 Token 比输入 Token 更贵。以 Claude Sonnet 4 为例，输入价格是 3 美元/百万 Token，输出价格是 15 美元/百万 Token，贵了 5 倍。这是因为生成内容比理解内容更消耗算力。
|
||
|
||
最简单的一个省 Token 小技巧是：**用心编写简洁清晰的提示词**，让 AI 一次就能理解你的需求，减少反复对话。更多省 Token 技巧可以看看鱼皮分享过的视频：[AI 编程省钱技巧](https://www.bilibili.com/video/BV1pAy5BXE5z)
|
||
|
||
|
||
|
||
### Token 缓存
|
||
|
||
Token 缓存是一个能帮你省大钱的机制。简单来说，大模型在处理你的提示词时，需要做大量的计算。如果你连续多次对话，很多内容（比如系统提示词、引用的代码文件）是重复的，每次都重新计算就太浪费了。缓存机制会把这些中间计算结果保存下来，下次遇到相同的前缀内容就直接复用，不仅更快，还更便宜。
|
||
|
||
缓存相关的 Token 分为两种：
|
||
|
||
- 缓存写入 Token：AI 第一次处理你的上下文时，会把计算结果存起来，比普通输入略贵一点
|
||
- 缓存读取 Token：后续再用相同的上下文时，直接复用缓存，**价格甚至可以低到普通输入的 1/10**，非常便宜
|
||
|
||
|
||
|
||
所以在对话时，尽量保持上下文稳定，比如引用的文件、规则文件不要频繁改动，这样能持续享受缓存优惠。有时候你会发现连续对话比开新对话更省钱，就是因为缓存在起作用。
|
||
|
||
|
||
|
||
### 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。
|
||
|
||
举个好理解的例子，模型在训练时读到了大量 “天空是蓝色的” 这类内容，它就会在参数中记住 “天空” 和 “蓝色” 之间的关联关系。参数越多，模型能记住的知识和关联就越丰富。
|
||
|
||
参数量直接影响模型的能力和使用成本。参数越多，模型越聪明，但运行时消耗的算力（GPU 计算资源）也越多，所以价格也越贵。
|
||
|
||
目前主流大模型中，明确公开参数量的有：
|
||
|
||
- DeepSeek-V3：6710 亿参数（采用 MoE 混合专家架构，实际激活 370 亿）
|
||
- Qwen3-235B：2350 亿参数（通义千问系列，激活 220 亿）
|
||
- Llama 4 Scout：1090 亿参数（Meta 开源模型，激活 170 亿）
|
||
|
||
值得一提的是，即使是同一系列的大模型，厂商也会提供不同参数量的版本供你选择。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
### 模型训练和推理
|
||
|
||
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，一般由 AI 公司完成。绝大多数情况下，你不需要自己训练模型，直接用训练好的成品就行。
|
||
|
||
推理（Inference）是模型训练完成、具备了知识之后，用学到的知识来回答问题、生成内容的过程。我们日常使用 AI 工具，比如和 ChatGPT 对话、让 Cursor 写代码，本质上都是 AI 模型在进行推理。
|
||
|
||
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。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
### 模型微调（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了。不过，很多大模型应用开发平台（比如阿里云百炼、火山引擎等）都提供了模型微调的能力，降低了微调的门槛。
|
||
|
||
|
||
|
||
|
||
|
||
### 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 Opus 4.6：标准 200K Token，支持扩展到 1M Token（约 75 万中文字）
|
||
- Gemini 3.1 Pro：1M Token（约 75 万中文字），且支持同时处理文字、图片、音频、视频
|
||
|
||
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，或者你不确定 AI 能否在一次对话中完成任务，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。比如在 Cursor 中使用 Claude Sonnet 模型时，单次请求超过 20 万 Token，输入价格就会翻倍。
|
||
|
||
|
||
|
||
## 提示词相关
|
||
|
||
|
||
### 提示词（Prompt）
|
||
|
||
提示词是你给 AI 的指令或问题。在 AI 编程中，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
|
||
- 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” 就是一个更好的提示词。
|
||
|
||
在 AI 对话中，消息一般分为 3 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使用 AI。比如很多 AI 编程工具允许你设置系统提示词来定义 AI 的行为规则，而你在对话框中发送的内容就是用户提示词。
|
||
|
||
|
||
|
||
|
||
|
||
### 系统提示词
|
||
|
||
系统提示词（System Prompt）是在对话开始前给 AI 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 Java 后端开发专家，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。
|
||
|
||
还记得前几年 AI 刚流行的时候，市面上冒出了一大堆 AI 助手网站么？其实很多就是 “套壳”，底层调用的是同一个大模型，只不过给不同的 AI 助手设定了不同的系统提示词，比如 “你是一个翻译专家”、“你是一个法律顾问” 等。
|
||
|
||
|
||
|
||
|
||
|
||
### 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、更低的 Token 成本，让 AI 生成更高质量的代码。
|
||
|
||
想学习编写提示词的实战技巧，可以看看鱼皮的免费《AI 编程教程》：[提示词编写技巧](https://ai.codefather.cn/library/2010974716125712386)
|
||
|
||
|
||
|
||
|
||
|
||
### 零样本提示（Zero-shot）
|
||
|
||
零样本提示是指在给 AI 下达任务时，不提供任何示例，直接描述你的需求让 AI 去完成。
|
||
|
||
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，零样本提示一般就够用了，不需要提供额外的示例内容，还能节约一些 Token 成本。
|
||
|
||
|
||
|
||
### 少样本提示（Few-shot）
|
||
|
||
少样本提示是指在给 AI 下达任务时，额外提供几个输入输出的示例，让 AI 通过这些示例学习你想要的格式或风格，从而更准确地完成任务。
|
||
|
||
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（Chain-of-Thought，简称 CoT）是一种引导 AI 展示推理过程、一步一步思考问题的提示技术，而不是让 AI 直接给出答案。这对于复杂的推理任务特别有效，比如多步骤的数学计算、代码逻辑分析、系统架构设计等。
|
||
|
||
触发思维链提示的方法很简单。很多推理模型（比如 DeepSeek-R1）和 AI 编程工具天然内置了思维链能力，会自动展示推理过程。你也可以在提示词中手动加上 “请一步一步思考”，AI 就会展示它的推理过程，一般能得到更准确的答案。
|
||
|
||
在 AI 编程中，涉及复杂业务逻辑、多模块交互、或者需要权衡多种技术方案的项目，特别适合利用推理模型和思维链提示能力，让 AI 想清楚再动手。
|
||
|
||
|
||
|
||
|
||
|
||
### 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 AI 编程中，Markdown 非常重要，因为：
|
||
|
||
- AI 生成的回答大多数都是 Markdown 格式
|
||
- 项目文档（如 README）采用 Markdown 编写
|
||
- 定义 AI 智能体的规则文件也是 Markdown 格式
|
||
|
||
学会 Markdown 能让你更好地跟 AI 交流，也能写出更规范的项目文档。更重要的是，结构化的内容（标题层级、列表、代码块等）有助于 AI 更准确地理解你的意图，同时也能培养你自己的结构化思维能力，这对写好提示词非常有帮助。
|
||
|
||
|
||
|
||
|
||
## AI 编程模式
|
||
|
||
|
||
### Vibe Coding 氛围编程
|
||
|
||
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。
|
||
|
||
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。
|
||
|
||
所以说，Vibe Coding 的重点不是写代码，而是明确需求并清晰表达。你描述得越清楚，AI 给你的结果就越靠谱。
|
||
|
||
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 Engineering 智能体工程
|
||
|
||
Agentic Engineering（智能体工程）是 2026 年 2 月由 Andrej Karpathy（也就是提出 Vibe Coding 的那位大佬）提出的新概念，可以理解为 Vibe Coding 的规范版。
|
||
|
||
Vibe Coding 就是跟着感觉写代码：你给 AI 一句话，AI 吐出代码，能跑就行，跑不了就把报错粘回去让 AI 再改。做个小工具贼拉快，但项目一大就容易翻车。
|
||
|
||
而 Agentic Engineering 的思路是：你先想清楚要干嘛、写好方案、拆好任务，再把活交给 AI 去执行，它干完了你还得验收，质量不行再打回去重做。
|
||
|
||
打个比方，Vibe Coding 的时候你是个 DJ，放什么歌全凭感觉；Agentic Engineering 里你是包工头，流程、质量、验收都得你说了算。**一个跟着感觉走，一个按流程来。**
|
||
|
||
当然，不是说 Vibe Coding 已经过时了。Vibe Coding 负责让你看到可能性，Agentic Engineering 负责把可能性变成真正能用的东西。二者适用于不同的场景，做小工具时可以用 Vibe Coding，做企业级项目就需要 Agentic Engineering 的思维。
|
||
|
||
|
||
|
||
|
||
|
||
### Agentic Coding 智能体编程
|
||
|
||
Agentic Coding 智能体编程是指让 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。
|
||
|
||
它和前面提到的 Agentic Engineering 的区别在于，Agentic Coding 强调的是 AI 的自主执行能力（AI 能干什么），而 Agentic Engineering 强调的是人对 AI 的管理方法论（人该怎么管）。
|
||
|
||
如今，几乎所有主流 AI 编程工具都提供了智能体编程的能力。比如在 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。可以说，AI 不再只是辅助编程的配角，而是正在成为项目开发的核心驱动力。
|
||
|
||
|
||
|
||
|
||
|
||
### Harness Engineering 驾驭工程
|
||
|
||
Harness Engineering（驾驭工程）是 2026 年兴起的 AI 工程新范式，核心理念是 **人类掌舵 + 智能体执行**。它不是去优化 AI 模型本身，而是围绕 AI 智能体搭建一整套约束机制、反馈循环和工作流管理系统，让原本不可预测的 AI 在高可靠性环境下跑得稳、跑得快。
|
||
|
||
Harness 这个词本意是 “马具”，就像缰绳和马鞍用来引导强大但难以预测的马匹一样，Harness Engineering 就是围绕 AI 编程智能体搭建的整套 “运行环境”，确保 AI 能按照你的预期工作。
|
||
|
||
Harness Engineering 包含三大核心支柱：
|
||
|
||
1. 上下文工程：确保 AI 在正确的时间获得正确的信息，包括代码库文档、架构规范、AGENTS.md 文件、测试结果等
|
||
2. 架构约束：通过代码规范检查器、自动化测试等机制，强制规定 AI 必须遵守的规则，明确的边界能让 AI 更快地收敛到正确的解决方案
|
||
3. 熵管理：定期清理 AI 生成代码中积累的问题，比如过时文档、命名偏差、死代码等
|
||
|
||
|
||
|
||
为什么这个概念越来越重要呢？
|
||
|
||
因为在 AI 编程时代，**模型本身已经是通用商品，真正的竞争力在于你围绕模型搭建的工程体系**。同一个大模型，在不同的 Harness 环境下，代码质量可能天差地别。程序员的角色正在从 “自己写代码” 转变为 “设计让 AI 可靠写代码的系统”。
|
||
|
||
|
||
|
||
|
||
### 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。它们像一个软件开发团队一样协作。
|
||
|
||
这两年，多智能体系统正在成为 AI 编程的重要趋势。它的优势不仅仅是能处理更复杂的项目，还能通过并行工作大幅提升效率，让原本需要几小时的任务在几分钟内完成。
|
||
|
||
|
||
|
||
|
||
|
||
### 智能体编排
|
||
|
||
编排（Orchestration）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。
|
||
|
||
如果说多智能体协作关注的是 “有哪些角色参与”，那编排关注的是 “谁先干、谁后干、结果怎么汇总”，它是多智能体系统的指挥中枢。
|
||
|
||
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。
|
||
|
||
|
||
|
||
|
||
|
||
### Subagents 子代理
|
||
|
||
Subagents（子代理）是指主 AI 智能体将部分任务分派给独立的子智能体来并行处理的机制。
|
||
|
||
你可以把它理解成 AI 的下属，就像一个经理把活分给手下的几个员工同时干一样。当主 AI 遇到一个大任务时，它可以把独立的小任务分给几个子代理同时干，自己继续处理其他工作。
|
||
|
||
Subagents 的好处是：
|
||
|
||
- 并行处理多个独立任务，效率翻倍
|
||
- 主代理的上下文保持干净，不会被子任务的细节污染
|
||
- 每个子代理可以专注于自己的任务，结果更准确
|
||
|
||
比如你可以让几个子代理同时审查代码库的不同模块，速度会快很多。
|
||
|
||
|
||
|
||
在 Claude Code 中，AI 会通过内置的 Task 工具自动生成子代理来处理子任务，你不需要做额外配置。你也可以在 `.claude/agents/` 目录下创建自定义的子代理（用 Markdown 文件定义），给它指定专属的角色描述、工具权限和行为规则。
|
||
|
||
不过子代理也有局限，每个子代理的上下文是独立的，它们之间无法直接共享信息，所以不适合有强依赖关系的任务。另外，多个子代理同时运行会消耗更多 Token，成本会相应增加。就像公司招人一样，多招几个人确实能干得更快，但工资支出也得跟着涨，而且人多了沟通协调的成本也会上来。
|
||
|
||
|
||
|
||
### Agent Teams 智能体团队
|
||
|
||
[Agent Teams](https://code.claude.com/docs/en/agent-teams)（智能体团队）是 2026 年兴起的多智能体编程新模式，由 Claude Code 率先推出。它让 3 ~ 5 个独立的 AI 智能体组成团队，在同一个项目上并行工作。
|
||
|
||
和传统的单 AI 对话不同，Agent Teams 中有一个 Team Lead（队长）负责拆解任务和协调工作，其他 Teammates（队员）各自领取任务独立执行，还能通过消息系统互相沟通。
|
||
|
||
|
||
|
||
打个比方，以前用 AI 编程就像你一个人带一个实习生干活，现在 Agent Teams 相当于你直接管了一个小团队，前端、后端、测试同时干，效率翻了好几倍。Anthropic 的工程团队曾用 16 个 Agent 同时工作，产出了 10 万行 Rust 代码！把原本需要数天的工作压缩到了几小时。
|
||
|
||
当然，代价就是花费的 Tokens 可能会更多，不是什么时候都建议使用 Agent Teams。
|
||
|
||
|
||
|
||
### Background Agent
|
||
|
||
后台 Agent（Background Agent）是让 AI 在后台自主运行、完成任务后再通知你结果的能力。
|
||
|
||
传统的 AI 编程需要你盯着屏幕等 AI 一步步做完，电脑还不能关。而后台 Agent 允许你把任务交给 AI 后，就去做别的事情，AI 会在云端独立完成工作，你甚至可以关掉电脑！
|
||
|
||
比如让 AI 在后台修复一批 Bug、跑一轮代码审查、或者完成一个完整的功能模块，做完了会通知你来验收。
|
||
|
||
目前 Claude Code、Cursor 等工具都已经支持后台 Agent 能力。以后 AI 编程可能就像发微信一样，你在手机上把需求发过去，该干嘛干嘛，等 AI 做完了来找你验收就行。
|
||
|
||
|
||
|
||
|
||
|
||
### Agent Loop 智能体循环
|
||
|
||
Agent Loop（智能体循环）是 AI 智能体的核心工作机制，简单来说就是 AI 通过不断重复 “感知-思考-行动-观察” 的循环来一步步完成任务。
|
||
|
||
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 能帮你更好地规划任务和管理 AI 的工作过程。需要特别注意的是，AI 编程时 Agent Loop 的循环次数不要太多，很多工具都有最大循环次数限制，循环太多不仅效果不好，还会疯狂烧 Token！有朋友一觉醒来发现额度用光了，就是因为让 AI 陷入了无限循环……
|
||
|
||
|
||
|
||
### Ralph Wiggum Loop
|
||
|
||
Ralph Wiggum Loop 是 2026 年比较流行的一种 AI 编程模式，名字来源于《辛普森一家》中那个执着不放弃的角色 Ralph Wiggum。
|
||
|
||
这个模式目前已有多个开源实现，比如 [wiggumdev/ralph](https://github.com/wiggumdev/ralph)。它的核心思路很简单：**把 AI 放在循环中反复执行，直到需求文档中的所有检查项全部完成。**
|
||
|
||
工作流程大概是这样的：
|
||
|
||
1. 先写一份 PRD（产品需求文档），把要做的功能拆解成一个个清晰的检查项
|
||
2. 让 AI 智能体开始执行，每次从检查清单中取出未完成的任务
|
||
3. AI 完成一个任务后，通过 Git 提交代码并记录进度
|
||
4. 以全新的上下文开始新一轮迭代，继续处理剩余任务
|
||
5. 不断循环，直到所有检查项完成
|
||
|
||
这种模式的巧妙之处在于，每轮循环都以干净的上下文开始（通过 Git 和文件来持久化进度），避免了长对话中 AI 容易 “断片儿” 的问题。而且可以无人值守地运行，你写好 PRD 就可以去睡觉了，第二天起来检查成果就行。
|
||
|
||
不过要注意设置好循环次数限制和 Token 预算，防止 AI 陷入无限循环疯狂烧钱。
|
||
|
||
|
||
|
||
### 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范式。它的核心思想很简单：让 AI 先想清楚再动手，动完手再看看效果，然后继续想下一步怎么做。
|
||
|
||
传统的 AI 要么只思考不行动，要么只行动不思考。而 ReAct 让 AI 能够：
|
||
|
||
1. 先推理：思考当前情况，制定计划
|
||
2. 再行动：执行具体操作
|
||
3. 观察结果：看看行动效果如何
|
||
4. 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。
|
||
|
||
|
||
|
||
|
||
|
||
### 深度思考
|
||
|
||
深度思考（Deep Thinking）是让 AI 在回答之前先进行一段内部推理的能力，也叫 “扩展思考” 或 “思考模式”。
|
||
|
||
它和前面提到的思维链提示（CoT）有什么区别呢？
|
||
|
||
思维链提示是一种提示词技巧，通过提示词引导 AI 展示推理过程；而深度思考是模型内置的能力，AI 会在内部自动进行深度推理，不需要你在提示词中特别要求。
|
||
|
||
普通模式下，AI 收到问题后会直接生成回答。而开启深度思考后，AI 会先在内部进行一系列推理步骤，比如分析问题、考虑多种方案、评估利弊，然后才输出最终答案。你有时能在 AI 的回复中看到一个 “思考中...” 的过程，那就是深度思考在工作。
|
||
|
||
|
||
|
||
深度思考特别适合复杂的编程任务，比如设计系统架构、排查难以定位的 Bug、优化算法等。代价是速度更慢、Token 消耗更多。
|
||
|
||
目前主流 AI 模型和 AI 编程工具都支持深度思考，并且你可以选择是否开启思考模式。
|
||
|
||
|
||
|
||
|
||
### 自适应思考
|
||
|
||
自适应思考（Adaptive Thinking）是深度思考的智能化版本，让 AI 自动判断当前问题需要多深的思考程度。
|
||
|
||
以前深度推理模式只能手动开关，开了的话简单问题也慢吞吞地想半天、还浪费钱，关了的话复杂问题又容易出错。
|
||
|
||
AI 有了自适应思考能力后，可以做到简单问题秒回，复杂问题会自动进入深度思考模式。这样既保证了质量，又节省了时间和成本。
|
||
|
||
|
||
|
||
Anthropic 在 Claude Opus 4.6 中率先引入了自适应思考能力，开发者可以设置不同的思考力度级别来平衡质量和成本。
|
||
|
||
|
||
|
||
|
||
### 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、搜索网页、执行命令和脚本、调用 API、操作数据库等等。
|
||
|
||
|
||
|
||
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，继续完成任务
|
||
|
||
举个例子，用户想要获取 [编程导航网站](https://www.codefather.cn) 的热门文章，下面这张图清晰地展示了工具调用的完整流程：
|
||
|
||
|
||
|
||
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，由外部系统执行后把结果返回给 AI。
|
||
|
||
有了工具调用，AI 就从 “只会说” 变成了 “能动手”。如果没有工具调用，AI 只能告诉你该怎么改代码，你还得自己去复制粘贴；而有了工具调用，AI 可以直接帮你读取文件、修改代码、运行命令，一条龙搞定。比如 Cursor 的 Agent 模式就是通过工具调用来实现自主编程的。
|
||
|
||
|
||
|
||
### 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”。就像 USB 接口让各种设备（键盘、鼠标、U 盘）都能用同一种方式连接电脑一样，MCP 让各种外部工具（文件管理、数据库、搜索引擎等）都能用同一种方式连接 AI，不用为每个工具单独写一套对接代码。
|
||
|
||
|
||
|
||
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](https://ai.codefather.cn/mcp)，持续更新优质 MCP，帮你重塑 AI 工作流。
|
||
|
||
|
||
|
||
### Agent Skills 智能体技能
|
||
|
||
Agent Skills（智能体技能）是 Anthropic 在 2025 年 10 月推出的 [一套开放标准](https://platform.claude.com/docs/zh-CN/agents-and-tools/agent-skills/overview)，目的是让 AI 能够学习使用各种专业技能，快速扩展特定领域的专业能力。
|
||
|
||
简单来说，Agent Skills 就是给 AI 准备的 **技能包**。技能包里有精心设计的提示词、代码脚本、还有各种资源文件。
|
||
|
||
|
||
|
||
把 AI 想象成一个职场小白，给他装上 `文档处理技能`，它就立刻知道怎么生成 PPT、处理 Excel 表格；装上 `代码规范技能`，它就知道怎么按照公司标准写代码。
|
||
|
||
|
||
|
||
Skill 的本质是一个包含 `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。
|
||
|
||
|
||
|
||
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](https://ai.codefather.cn/skills)，持续更新优质技能，让 AI 帮你干更多活。
|
||
|
||
|
||
|
||
### Hooks 钩子
|
||
|
||
Hooks（钩子）是 AI 编程工具中的一种自动化触发器。当 AI 完成某个动作（比如生成代码、提交代码、运行命令）时，Hook 会自动执行你预设的脚本或检查流程。
|
||
|
||
各种主流 AI 编程工具都支持 Hooks，比如在 Claude Code 中，Hooks 可以用来：
|
||
|
||
- 代码生成后自动运行格式化工具
|
||
- 文件修改后自动执行测试
|
||
- 权限请求时自动判断是否安全并批准
|
||
- 提交代码前自动检查代码规范
|
||
|
||
|
||
|
||
Hooks 让你的 AI 工作流更加自动化，减少手动操作。但是要注意，Hooks 配置不当可能会阻塞 AI 的正常工作流程，建议先在小范围测试，确认没问题再推广到整个项目。
|
||
|
||
|
||
|
||
### 斜杠命令
|
||
|
||
斜杠命令（Slash Commands）是在 AI 编程工具的对话框中输入 `/` 触发的快捷指令，可以快速执行常用操作。
|
||
|
||
你可以把斜杠命令理解成操作 AI 的快捷键。Cursor、Claude Code 等主流 AI 编程工具都支持斜杠命令，比如 Claude Code 内置了这些常用的斜杠命令：
|
||
|
||
- `/help`：查看可用命令
|
||
- `/compact`：压缩当前对话的上下文
|
||
- `/config`：修改配置
|
||
- `/skills`：查看已安装的技能
|
||
|
||
|
||
|
||
你可以自定义斜杠命令，把常用的工作流封装起来复用。比如创建一个 `/commit-push-pr` 命令，一次性完成代码提交、推送和创建 PR；或者搞个 `/techdebt` 命令，每次会话结束跑一下清理重复代码。
|
||
|
||
自定义命令的本质其实就是一个 Markdown 文件，在 Cursor 中，只需要在项目的 `.cursor/commands/` 目录下创建 `.md` 文件，里面写上你想要 AI 执行的指令，这个文件名就会变成一个斜杠命令。还可以用 Git 版本控制工具来管理自定义命令的文件，跨项目复用。
|
||
|
||
|
||
|
||
|
||
|
||
### 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。这个协议由 Google 在 2025 年推出，目前已有超过 150 家企业加入支持。
|
||
|
||
|
||
|
||
不要把 A2A 和 MCP 搞混！二者是互补关系，MCP 解决的是 AI 连接工具的问题，A2A 解决的是 AI 之间沟通协作的问题。
|
||
|
||
|
||
|
||
### ACP 协议
|
||
|
||
ACP 这个缩写在 AI 领域其实有两个含义，容易搞混，这里一起说清楚。
|
||
|
||
**第一个是 Agent Communication Protocol 智能体通信协议**，由 IBM 研究院推出。它让不同框架、不同公司开发的 AI 智能体能够无缝协作，就像不同品牌的手机都能互相打电话一样。
|
||
|
||
它基于轻量级的 HTTP REST 接口设计，支持文本、代码、文件、图片等多种内容格式，不挑编程语言，上手很简单。
|
||
|
||
|
||
|
||
需要注意的是，ACP 和前面提到的 A2A 是两个独立的协议。它们都在解决智能体跨框架交流的问题，但具体的通信格式和能力发现机制还是两套不同的体系。这些协议主要面向做 AI 应用开发的程序员，帮助他们构建多个智能体协作的系统。
|
||
|
||
**第二个是 Agent Client Protocol 智能体客户端协议**，由 JetBrains 和 Zed 联合推出，解决的是完全不同的问题 —— 让任何 AI 编程智能体都能在任何 IDE 中运行。
|
||
|
||
你可以把它理解成 AI 编程工具的 “万能适配器”。以前每个 AI 编程智能体插件都要为 IDEA 写一套代码、为 VS Code 写一套代码。现在有了 ACP 协议，Claude Code 只需要实现 ACP 接口，IDEA 就能直接把它接入进来，你在 IDEA 里也能爽用 Claude Code、在 Zed 编辑器里也能用 Gemini CLI，不再被某个 IDE 绑死。
|
||
|
||
此外，JetBrains 还上线了 ACP Agent Registry，一键就能安装各种 AI 编程智能体，越来越方便了~
|
||
|
||
|
||
|
||
|
||
|
||
### BMAD 敏捷 AI 开发方法
|
||
|
||
[BMAD-METHOD](https://github.com/bmad-code-org/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，目标是将原本混乱的 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，包括人设（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 智能体能够自主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](https://github.com/browser-use/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 大模型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 一般需要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](https://claude.com/product/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、越和当前任务相关，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。
|
||
|
||
在 Cursor 中，你可以通过对话框附近的 Token 用量指示器来大致了解当前上下文的大小；在 Claude Code 中，可以使用 `/context` 命令查看上下文占用情况。
|
||
|
||
|
||
|
||
|
||
|
||
### 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
|
||
|
||
上下文工程是目前 AI 领域非常热门的研究方向。2026 年的趋势正在从简单的上下文管理，演进到更复杂的 **记忆架构** —— 让 AI 拥有短期记忆（当前对话上下文）、长期记忆（跨会话的知识积累）和外部记忆（向量数据库、知识图谱等）。
|
||
|
||
比如 Claude Opus 4.5 就引入了 [Memory Tool](https://console.anthropic.com/docs/en/agents-and-tools/tool-use/memory-tool)，能让 AI 在超出上下文窗口的情况下，通过文件系统式的持久化存储来记住重要信息。根据 Anthropic 官方数据，这项技术在长时间工作流中减少了 84% 的 Token 消耗！
|
||
|
||
可以说，谁能更好地解决上下文和记忆的问题，谁就能在 AI 编程领域占据优势。
|
||
|
||
|
||
|
||
### 上下文压缩
|
||
|
||
上下文压缩（Context Compaction）是 AI 自动压缩和总结之前对话内容的技术，解决的是长时间运行任务中上下文溢出的问题。
|
||
|
||
以前跑长任务的时候，AI 经常会撞到上下文长度的天花板，前面聊过的内容被挤掉后 AI 就失忆了，导致生成的代码和之前的约定对不上。有了上下文压缩，AI 会在上下文快要满的时候，自动把前面的对话总结成更精简的形式，保留关键信息的同时释放空间，这样就能持续工作更久而不会失忆。
|
||
|
||
你可以把它想象成项目经理写会议纪要。已经开了 3 小时的会，不可能把每句话都记下来，但关键决策、待办事项、重要结论都会被记录。AI 的上下文压缩也是类似的思路，把冗长的对话历史浓缩成关键信息。
|
||
|
||
|
||
|
||
Claude Opus 4.6 已经内置了上下文压缩能力，搭配它的 100 万 token 上下文窗口，可以让长时间运行的编程任务更加稳定。
|
||
|
||
|
||
|
||
|
||
### 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，`.mdc` 规则文件支持 YAML 元数据（frontmatter），可以指定规则的适用范围。根据 Cursor 官方文档，其格式如下：
|
||
|
||
```yaml
|
||
---
|
||
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](https://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。它本质上也是一种规则文件，只不过是跨工具通用的开放标准。
|
||
|
||
|
||
|
||
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：
|
||
|
||
```markdown
|
||
# 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（比如 Claude Code、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，不需要你手动引用。
|
||
|
||
|
||
|
||
### 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明确的、AI 能直接理解和执行的规范文档。
|
||
|
||
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 的典型工作流程如下：
|
||
|
||
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
|
||
|
||
其实这和程序员在企业中开发项目的标准流程非常相似，只不过执行者从人变成了 AI。
|
||
|
||
|
||
|
||
2025 年 9 月，GitHub 发布了开源的 [Spec Kit](https://github.com/github/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。即使你不是软件开发专家，也能在 AI 的引导下轻松地走完规范的项目开发流程。
|
||
|
||
|
||
|
||
|
||
|
||
### RAG 检索增强生成
|
||
|
||
RAG（Retrieval-Augmented Generation 检索增强生成）是一种让 AI 能够先检索外部知识库、再基于检索结果生成回答的技术，目标是让 AI 的回答更准确、更有依据。
|
||
|
||
普通的 AI 只能依赖训练时学到的知识，而这些知识可能已经过时了。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。
|
||
|
||
RAG 检索增强生成的工作流程如下图所示，做 AI 应用开发的程序员朋友们可以深入了解一下：
|
||
|
||
|
||
|
||
|
||
|
||
|
||
### 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。
|
||
|
||
什么是向量呢？
|
||
|
||
简单来说，向量就是一串数字组成的数组，比如 `[0.1, 0.5, 0.3, 0.8]`。每个数字代表一个特征维度。AI 可以把一段文字、一张图片、一段代码转换成这样的向量，语义相似的内容转出来的向量也会很接近。
|
||
|
||
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。
|
||
|
||
随着 AI 的爆发，市面上涌现了非常多支持向量存储的数据库：
|
||
|
||
|
||
|
||
|
||
|
||
|
||
### 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就好。
|
||
|
||
|
||
|
||
|
||
## AI 输出相关
|
||
|
||
|
||
### AI 幻觉
|
||
|
||
AI 幻觉（Hallucination）是指 AI 输出了不符合事实的内容，可能是编造了不存在的 API、给出了错误的函数用法、推荐了根本不存在的库，甚至胡编乱造一些看起来很合理但完全错误的信息。
|
||
|
||
比如下面这段对话，我让 AI 介绍一下程序员鱼皮，结果它一本正经地胡说八道，我的本名可不是这个……
|
||
|
||
|
||
|
||
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。
|
||
|
||
在 AI 编程时，我们可以通过以下方法尽量减少幻觉带来的影响：
|
||
|
||
- 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
|
||
- 利用 Context7 等获取到最新技术文档的 MCP 扩展
|
||
|
||
对于做 AI 应用开发的程序员来说，如何消除幻觉是一个需要重点攻克的挑战。前面提到的 RAG（检索增强生成）技术就是目前最主流的解决方案之一，通过让 AI 先检索真实数据再回答，大幅降低幻觉的概率。
|
||
|
||
|
||
|
||
|
||
### 温度
|
||
|
||
温度（Temperature）是控制 AI 输出随机性的参数，取值一般在 0 ~ 2 之间（不同大模型和 AI 编程工具的设置范围可能会有区别）。
|
||
|
||
- 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，一般使用较低的温度，让 AI 生成更稳定、更可预测的代码。而在需要 AI 发挥创意的场景（比如起名字、写文案、头脑风暴产品方案），可以适当调高温度，让 AI 给出更多样化的建议。
|
||
|
||
比如下图，我把温度调高，输出的结构可能完全不同：
|
||
|
||
|
||
|
||
|
||
|
||
### 流式输出
|
||
|
||
流式输出（Streaming）是指 AI 一边生成内容，一边实时显示给用户，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 的输出过程和生成的内容，如果发现方向不对，可以及时中断，避免浪费 Token。
|
||
|
||
大多数 AI 编程工具都支持流式输出，让交互体验更流畅。
|
||
|
||
在技术实现上，流式输出一般基于 SSE（Server-Sent Events，服务器推送事件）技术，服务端通过持续推送数据片段给客户端，做到实时展示。
|
||
|
||
|
||
|
||
|
||
|
||
## 开发工具概念
|
||
|
||
|
||
### IDE 集成开发环境
|
||
|
||
IDE（Integrated Development Environment 集成开发环境）是程序员用来写代码的综合软件，一般包含代码编辑器、调试器、终端、插件扩展市场等。
|
||
|
||
VS Code 是目前最流行的轻量级 IDE，由微软开发并开源。Cursor 和 Windsurf 都是基于 VS Code 开发的 AI 代码编辑器，继承了 VS Code 的界面风格和功能，同时大幅扩展了 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，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、Vim 等。区别于 IDE 集成开发环境，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，适合专业开发者和大型项目开发。
|
||
|
||
|
||
|
||
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。比如早期的 Cursor 虽然功能强大，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。与之相近的还有低代码平台（Low-Code Platform），它允许通过少量代码加上可视化拖拽来构建应用，自由度更高一些。
|
||
|
||
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，你可以用自然语言描述需求，平台自动生成完整可在线访问的应用。
|
||
|
||
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。不过缺点也很明显，出了问题不好调试，也很难深度定制，项目做大了容易遇到瓶颈。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
### 代码补全
|
||
|
||
代码补全（Code Completion）是指 AI 根据你当前的代码上下文，自动预测你接下来要写的内容并提供建议。
|
||
|
||
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。
|
||
|
||
|
||
|
||
早在 2021 年，GitHub 就推出了 Copilot，开创了 AI 代码补全的先河。但谁也没想到，短短几年后 AI 已经从 “补全几行代码” 进化到了 “自主开发整个项目”。如今各大 AI 编程工具都支持代码补全，但越来越多的开发者已经不满足于逐行补全了，而是直接用 Agent 模式让 AI 一口气写完整个功能。
|
||
|
||
|
||
|
||
### 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。
|
||
|
||
没有代码审查的项目，Bug 往往要等到上线之后才被发现，修复成本很高。而有了代码审查，很多问题在代码合并之前就能被提前发现和修复。
|
||
|
||
在传统开发中，代码审查一般由同事或上级来做。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 有前端的 ESLint、Python 的 Pylint、Go 的 golint 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。而且很多时候，AI 在帮你创建前端项目时会自动整合 ESLint 等 Linter 工具，省去了你手动配置的麻烦。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
### Debug 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 AI 编程时，你可以直接把错误信息发给 AI，让它帮你分析原因并提供修复方案，甚至是自主修复。
|
||
|
||
|
||
|
||
### OpenClaw 开源 AI 助手
|
||
|
||
[OpenClaw](https://github.com/openclaw/openclaw) 是 2026 年最现象级的开源 AI 项目，仅用 100 多天就登顶 GitHub 星标历史第一，斩获 30 万+ Star。
|
||
|
||
你可以把它理解为一个能操控你电脑的 AI 数字员工。它不只是一个聊天机器人，而是真的能帮你打开软件、操作浏览器、处理文件、执行代码的全能助手。更关键的是，你可以通过手机聊天软件（比如飞书、QQ、微信）随时随地给它下达任务，AI 会在你的电脑上自动完成。
|
||
|
||
|
||
|
||
OpenClaw 的特点包括：
|
||
|
||
- 真正执行任务：能操作浏览器、处理文件、写代码、管理日程等
|
||
- 多渠道接入：支持微信、QQ、飞书、Telegram、Discord 等
|
||
- 技能生态系统：通过安装不同的技能包扩展 AI 能力
|
||
- 多模型支持：支持 Anthropic、OpenAI、国产大模型等
|
||
- 完全开源：MIT 许可证，支持本地部署，数据掌握在自己手里
|
||
|
||
不过 OpenClaw 的权限很大，使用时一定要注意安全。想深入了解 OpenClaw 的安装、使用和注意事项，可以阅读本教程编程工具板块的《OpenClaw 保姆级安装教程》，或者鱼皮 AI 知识库的《完整 OpenClaw 保姆级教程》。
|
||
|
||
|
||
|
||
## 项目管理概念
|
||
|
||
|
||
### MVP 最小可行产品
|
||
|
||
MVP（Minimum Viable Product 最小可行产品）是指用最少的功能满足核心需求的产品版本，简单来说就是一个 “能跑起来、核心功能能用” 的最简版本。
|
||
|
||
很多同学刚开始做产品的时候会有各种奇思妙想，恨不得一口气把所有功能都做出来，结果花了大量时间在不必要的功能上，越做越复杂，最后觉得太难就直接放弃了，属于是自己把自己吓跑了。而做 MVP 的思路正好相反，先用最少的功能把核心价值跑通，快速验证想法是否可行，拿到用户反馈后再逐步迭代。
|
||
|
||
比如做一个记账 APP，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。
|
||
|
||
顺便提一下，迭代开发是敏捷开发（Agile Development）方法论的核心实践之一。敏捷开发强调小步快跑、快速反馈、拥抱变化，非常适合 AI 编程的工作节奏。
|
||
|
||
|
||
|
||
|
||
|
||
### 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。
|
||
|
||
注意，如果你只是用 AI 快速做个小工具，代码能跑就行，没必要花时间重构。但如果是长期维护的企业级项目，代码质量直接决定了后续迭代的效率和稳定性，定期重构就非常有必要了。
|
||
|
||
|
||
|
||
### 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，但迟早要还，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有效方法，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，注意别把它和 GitHub 搞混了，Git 是在你电脑上运行的工具，GitHub 是在线的代码托管平台，用来存放和分享你用 Git 管理的代码。
|
||
|
||
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）是指把开发好的应用发布到服务器上，让用户能够访问并使用。
|
||
|
||
最原始的部署方式是自己登录服务器，把代码文件打包上传后手动运行，又麻烦又容易出错。好在现在有很多自动化的部署平台，傻瓜式操作，点几下就能部署项目，常用的有：
|
||
|
||
- 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）都支持一键部署，点个按钮就能上线。
|
||
|
||
此外，还可以利用 MCP 来实现更智能的部署。比如通过 EdgeOne Pages MCP，你只需要跟 AI 对话，AI 就能帮你自动完成网站的打包和部署，连部署平台都不用自己登录~
|
||
|
||
|
||
|
||
|
||
|
||
### GEO 生成式引擎优化
|
||
|
||
GEO 全称为 Generative Engine Optimization 生成式引擎优化，你可以把它理解为 AI 时代的 SEO。
|
||
|
||
传统的 SEO 关注的是 “怎么让网页在百度、Google 搜索结果中排名靠前”，而 GEO 关注的是 “怎么让你的内容被 ChatGPT、DeepSeek、豆包这些 AI 大模型引用和推荐”。
|
||
|
||
|
||
|
||
打个比方，SEO 像是在超市货架上抢黄金位置，GEO 像是让导购员在顾客询问时主动把你的产品推荐出去。
|
||
|
||
|
||
|
||
随着越来越多人用 AI 搜索代替传统搜索引擎，GEO 正在变得越来越重要。有数据显示，AI 搜索带来的流量转化率可以达到传统搜索的 5 倍以上！
|
||
|
||
GEO 的核心策略包括：
|
||
|
||
- 先给结论：文章开头直接回答核心问题，AI 更喜欢提取开头就给答案的内容
|
||
- 结构化写作：使用清晰的标题层级、问答格式、对比表格，方便 AI 解析和引用
|
||
- 打造权威内容：用具体数据、权威引用代替模糊描述，AI 更信任有据可查的内容
|
||
- 在权威平台多发内容：知乎、公众号、GitHub 等高权重平台发布的内容更容易被 AI 抓取
|
||
- 技术优化：确保 robots.txt 允许 AI 爬虫访问，使用 SSR / SSG 确保页面可爬取
|
||
|
||
需要注意，GEO 技术本身是中立的，和 SEO 一样只是内容优化手段。而且做好 SEO 也有利于 GEO，两者并不冲突。
|
||
|
||
对于想让自己的产品被更多人发现的开发者来说，SEO 和 GEO 都是值得学习的推广技能。可以阅读本教程产品变现板块的《SEO 搜索引擎优化实战》和《GEO 生成式引擎优化实战》来深入了解。
|
||
|
||
|
||
|
||
## 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。说得粗暴一点，你在浏览器里看到的一切，都是前端！
|
||
|
||
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。你还可以利用 Agent Skills 和精心编写的提示词来美化 AI 生成的前端页面，去掉那股子 AI 味儿。具体技巧可以看鱼皮的视频：[如何去除网站的 AI 味儿](https://www.bilibili.com/video/BV1QF6EBiErM/)
|
||
|
||
|
||
|
||
|
||
### 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。
|
||
|
||
比如你在电商网站上点击 “下单” 按钮，前端把你的订单信息发给后端，后端负责校验库存、计算价格、扣款、生成订单，然后把结果返回给前端展示。
|
||
|
||
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。因此 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 Cursor、Bolt.new 这样的 AI 编程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？](https://www.bilibili.com/opus/534338036646820466)
|
||
|
||
|
||
|
||
|
||
### 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](https://www.bilibili.com/video/BV1WFBXBmExs)。
|
||
|
||
|
||
|
||
|
||
### 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。
|
||
|
||
常见的数据库类型有：
|
||
|
||
- 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 等现成的云数据库服务，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](https://www.bilibili.com/video/BV1iJSLBbEyD/)
|
||
|
||
|
||
|
||
### BaaS 后端即服务
|
||
|
||
BaaS（Backend as a Service 后端即服务）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。
|
||
|
||
以前没有 BaaS 的时候，你得自己买服务器、装数据库、写后端接口、处理各种运维问题，光是搭环境就得折腾好久。而现在使用 BaaS，这些都是现成的，你不需要自己写后端代码和管理服务器，注册个账号就能直接用，能大大加快开发速度，特别适合 Vibe Coding 的场景。
|
||
|
||
常用的 BaaS 服务有：
|
||
|
||
- Supabase：开源的 Firebase 替代品
|
||
- Firebase：Google 的 BaaS 平台
|
||
- PlanetScale：托管的 MySQL 服务
|
||
|
||
|
||
|
||
|
||
|
||
## 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](https://ai.codefather.cn)
|
||
|
||
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](https://www.codefather.cn)
|
||
|
||
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](https://www.mianshiya.com)
|
||
|
||
4）程序员写简历神器：[专业模板、丰富例句、直通面试](https://www.laoyujianli.com)
|
||
|
||
5）1 对 1 模拟面试：[实习/校招/社招面试拿 Offer 必备](https://ai.mianshiya.com)
|