上个月，一个独立开发者在推特上炫耀：用 Cursor 三天写出了一个完整的 SaaS MVP，从数据库到前端一气呵成。评论区一片膜拜，”AI 编程太香了”“程序员要失业了”之类的话刷了几百条。

两周后，这哥们又发了一条推：收到了 47 个 bug report，用户数据偶尔丢失，支付回调逻辑有漏洞，并发场景下直接白屏。他花了整整两周修 bug，比当初写代码的时间长了四倍。

这不是个例，这是 Vibe Coding 的宿命。

Vibe Coding：一场甜蜜的技术债务

先说清楚什么是 Vibe Coding——就是你打开 AI 编程工具，想到什么说什么，AI 吐出代码，看着差不多就用，不太看细节，不写测试，跑起来就行。

说白了，就是”凭感觉编程”。

这玩意儿的诱惑力太大了。Google 工程师 Addy Osmani 总结过一个精准的比喻：70/30 陷阱——70% 的功能五分钟就能搞定，但剩下的 30% 能让你崩溃一整天。更要命的是，你修一个 bug，冒出来三个新的。两步前进，三步后退。

目前 AI 编程工具的采用率已经超过 70%，几乎每个开发团队都在用。但一个尴尬的现实是：大多数人用 AI 写代码的方式，跟用搜索引擎搜答案然后复制粘贴没有本质区别。

问题不在 AI 本身。AI 模型的能力已经强得离谱了。问题在于，我们跟 AI 协作的方式，还停留在「随便聊聊」的阶段。

一个反直觉的发现：给 AI 更少的自由，反而得到更好的结果

这里有一组很有意思的数据。

在渐进式 AI 编程的实践中，采用「渐进式披露」策略——也就是不一次性把所有需求甩给 AI，而是分层、分步地喂信息——可以减少约 90% 的 token 消耗，同时代码的一次通过率提升 3 倍。

听起来违反直觉对吧？给 AI 的信息更少，上下文更短，结果反而更好？

但仔细想想就明白了。你一次性甩给 AI 一个三千字的需求文档，它就像一个被塞了二十个任务的实习生——每个都做了，每个都没做好。但如果你把任务拆成清晰的小步骤，每一步给出精确的上下文和约束条件，AI 的输出质量会好得多。

这就是渐进式 AI 编程的核心洞察：你不是在跟一个全知全能的神对话，你是在管理一个能力极强但需要明确指令的协作者。

渐进式 AI 编程的四个段位

渐进式 AI 编程的四个段位

根据实践经验和多方总结，AI 编程的使用水平可以分成四个明确的层级。大多数人卡在前两层，但真正的效率飞跃发生在第二层到第三层的跨越。

L1：对话式——”帮我写个登录页面”

这是最原始的用法。打开 AI，用自然语言描述你要什么，AI 吐出一坨代码，你复制粘贴进项目。

特征：没有上下文管理，没有质量把控，全靠人肉 review。效率确实比从零手写快，但代码质量完全看运气。

大部分”AI 编程真香”和”AI 编程是垃圾”的极端评价，都来自这个段位的用户。

L2：约束式——给 AI 立规矩

开始给 AI 工具写规则文件了。比如在 Cursor 里配置 Rules，在 Claude Code 里写 CLAUDE.md，告诉 AI：用 TypeScript 严格模式、组件要拆分到独立文件、状态管理用 Zustand、命名规范是 camelCase……

这一步的核心是：把你的工程标准”灌”给 AI。它不再是一张白纸，而是一个了解你项目上下文和编码规范的助手。

很多团队做到这一步就觉得够了。确实，代码风格统一了不少，低级错误少了一些。但你依然在”一个需求扔过去，一坨代码接回来”的模式里打转。

L3：工程化——Plan → Test → Code

这是真正的分水岭。

在这个层级，你不再让 AI 直接写代码，而是建立了一套完整的工作流：

第一步：规划先行。 让 AI 先输出一份技术方案（spec），定义清楚要做什么、数据模型怎么设计、接口契约是什么、边界情况有哪些。你 review 方案，确认无误后才进入下一步。

第二步：测试先行。 在写实现代码之前，先让 AI 把测试写出来。这些测试描述了你期望的行为和边界条件，运行后全部失败——这就对了，因为实现还没写。

第三步：实现代码。 现在才让 AI 开始写业务逻辑，目标是让之前写好的测试全部通过。

第四步：代码审查。 AI 写完之后，再跑一轮自动化 review，检查安全漏洞、性能问题、可维护性。

这套流程看起来”麻烦”，但实际效果是惊人的。一个实践者的记录显示：一个中等复杂度的功能，L1 模式下写完需要反复修 bug 花两小时，L3 模式下从 spec 到测试通过，一共 20 分钟，而且几乎不需要返工。

L3 的核心理念是：让 AI 在更高的约束条件下工作，用工程流程替代”人肉兜底”。

L4：自主式——AI Agent 在管道里自动跑

最高段位。AI 不再需要你手动触发每一步，而是作为一个自主 Agent，在 CI/CD 管道内自动执行：接到需求→拆分任务→分配给多个子 Agent 并行开发→自动测试→自动 review→自动提交。

人类的角色变成了”AI Agent 的管理者”——发起任务、观察执行、判断结果、中途纠偏、最后接管收尾。

这个层级目前只有极少数团队能做到，但它代表了 AI 编程的终极形态。

三步升级你的 AI 编程段位

三步升级你的 AI 编程段位

说了这么多层级划分，落到实操上到底该怎么做？这里给三个立刻能用的行动建议。

第一步：给你的项目写一份 AI 协作规范

不管你用 Cursor、Claude Code 还是别的工具，花半小时写一份规范文档。内容包括：

  • 技术栈和版本号（别让 AI 用过时的 API）
  • 代码风格和命名规范
  • 文件组织结构
  • 数据模型定义
  • 明确告诉 AI “不要做什么”（比如不要用 any 类型、不要在组件里直接写业务逻辑）

这份文档的价值，远大于你花在写它上面的时间。它相当于把一个对你项目一无所知的 AI，变成一个读过项目文档的新同事。

第二步：建立 Plan → Test → Code 的工作流

下次让 AI 写功能的时候，克制住直接说”帮我实现 XXX”的冲动。换一个节奏：

  1. 先说：”请为这个功能写一份技术方案，包括数据模型、接口设计和边界情况”
  2. Review 方案，确认后说：”请基于这个方案，先写测试用例”
  3. 最后说：”请实现代码，让所有测试通过”

三句话，比一句”帮我写个 XXX”多花五分钟，但能省你两小时的 debug 时间。

第三步：在团队中引入 AI 代码审查环节

把 AI 生成的代码当成一个初级工程师的产出来对待。重点检查这几个方面：

  • 安全：输入校验、SQL 注入防护、敏感数据处理
  • 错误处理：是不是所有异常路径都覆盖了
  • 性能：大数据量场景下有没有问题
  • 可维护性：三个月后你还能看懂这段代码吗

别不好意思质疑 AI 的代码。它不会生气，也不会觉得你在针对它。

真正该焦虑的不是 AI 替代你，而是你还在 L1

最后说一句可能不太好听的话。

现在很多人讨论”AI 会不会取代程序员”，但这个问题问错了方向。AI 不会取代程序员，但会用 AI 的程序员会取代不会用的。而”会用”的标准，正在从”能打开 Cursor 跟 AI 聊天”，快速抬升到”能搭建工程化的 AI 协作流程”。

Vibe Coding 是入门课，不是毕业设计。

从 L1 跳到 L3，不需要你学什么新语言、新框架，只需要把你本来就会的软件工程方法论，重新应用到人机协作的场景里。需求要澄清、方案要评审、测试要先行、代码要审查——这些事情没有变，只是执行者从”你自己”变成了”你和 AI 一起”。

AI 编程不是让你不用思考，而是让你在更高的层面思考。 从写代码的人，变成管理 AI 写代码的人。这不是降级，这是程序员的第二次进化。

那些从 Vibe Coding 毕业、掌握了工程化 AI 编程的人，才是这个时代真正的稀缺资源。