liyupi
42d050e7bb
- 新增支线文章：OpenClaw 部署教程、GLM-5 + OpenClaw AI 伴侣实战 - 融合内容：Claude Opus 4.6 / GPT-5.3-Codex 信息更新到模型选择指南， Claude Code 技巧融入命令行工具文章，Agentic Engineering 融入概念大全 - 概念大全新增：Agentic Engineering、深度思考、自适应思考、Hooks、 Subagents、斜杠命令、上下文压缩等概念，调整 MCP 和斜杠命令的板块归属 - 优质扩展推荐：新增 Agent Skills 技能类独立章节，充实 40+ 精选资源 - 全教程更新过时的模型版本引用（Opus 4.5→4.6, GLM-4.7→5 等）
1075 lines
43 KiB
Markdown
1075 lines
43 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。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 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，做个小工具用 Vibe Coding，做正式项目就需要 Agentic Engineering 的思维。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
### 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。
|
||
|
||
|
||
|
||
|
||
|
||
### 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能力。
|
||
|
||
你可以把它理解成 AI 的下属。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
|
||
|
||
|
||
|
||
在 Claude Code 中，你可以在请求后面加一句 "use subagents"，就能启用这个能力。比如让几个子代理同时审查代码库的不同模块，速度会快很多。
|
||
|
||
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。
|
||
|
||
|
||
|
||
### 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。
|
||
|
||
|
||
|
||
|
||
|
||
### 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”。
|
||
|
||
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。
|
||
|
||
目前主流模型都支持深度思考，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（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
|
||
- 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。
|
||
|
||
|
||
|
||
### 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](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](https://ai.codefather.cn/skills)，持续更新优质技能，释放 AI 执行潜力。
|
||
|
||
|
||
|
||
### Hooks 钩子
|
||
|
||
Hooks（钩子）是 AI 编程工具中的一种自动化机制，可以在特定事件发生时自动执行预设的操作。
|
||
|
||
你可以把 Hooks 理解成触发器：当 AI 完成某个动作（比如生成代码、提交代码、运行命令）时，Hook 会自动触发一段脚本或检查流程。
|
||
|
||
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。不过要注意，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，比如在 Claude Code 中：
|
||
|
||
- `/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
|
||
|
||
|
||
|
||
更强大的是，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。自定义命令还可以用 Git 管理，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。
|
||
|
||
|
||
|
||
|
||
|
||
### 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，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](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 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](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
|
||
|
||
|
||
|
||
### 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 就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，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：
|
||
|
||
```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。
|
||
|
||
|
||
|
||
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（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](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。
|
||
|
||
|
||
|
||
|
||
|
||
### 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。
|
||
|
||
|
||
|
||
|
||
|
||
|
||
## 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？](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：
|
||
|
||
- 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](https://www.bilibili.com/video/BV1iJSLBbEyD/)
|
||
|
||
|
||
|
||
|
||
### 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](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)
|