Vibe Coding 不是偷懒:AI 编程正在改写工程控制权
这篇文章从 Karpathy 对 Vibe Coding 的原始定义出发,结合 Addy Osmani 对 AI-Assisted Engineering 的区分、Claude Code 的 agentic coding 形态,以及 Stanford AI Index 2026 的数据,讨论 AI 编程为什么把工程重点从亲手实现推向定义约束、验证结果和承担后果。
65 篇文章第 2 / 13 页
这篇文章从 Karpathy 对 Vibe Coding 的原始定义出发,结合 Addy Osmani 对 AI-Assisted Engineering 的区分、Claude Code 的 agentic coding 形态,以及 Stanford AI Index 2026 的数据,讨论 AI 编程为什么把工程重点从亲手实现推向定义约束、验证结果和承担后果。
AI 确实提升了知识工作的产出速度,但它并没有自动换来更多自由时间。真正被改写的不是效率本身,而是组织如何重新定义工作量、竞争基准与个人价值。
大多数人使用 LLM 与文档交互的方式是 RAG:每次查询时从头检索、拼凑答案,没有任何东西被真正"建立起来"。LLM Wiki 提出了一种完全不同的思路:让 LLM 持续维护一个结构化 wiki,把知识积累成可复合的持久工件,并利用 LLM 把维护成本压到接近零。
构建 AI Agent 最难的部分不是选模型,而是包裹模型运行的那套基础设施:工具调用、上下文管理、错误恢复、状态持久化、权限控制。这篇文章拆解 Agent Harness 的五大支柱,解释每个设计决策背后的原因与取舍。
大多数 AI Agent 框架用 TypeScript 或 Python 构建,Claw Code 选择了 Rust 并基于 Trait 泛型设计了一套完全解耦的运行时架构。这篇文章深入拆解它的核心设计决策:依赖倒置、分层工具系统、分级权限模型、Hook 机制和 MCP 集成。