振编（Vibe Coding）近年来在开发者社区引起了广泛讨论。这一概念由OpenAI的创始工程师安德烈·卡帕西提出，意在实现一个未来，开发人员可以通过自然语言驱动开发，大幅减少手动编码的工作量。然而，现实应用中，振编往往难以达到预期效果，面对诸多批评。 振编的核心区别 与传统的AI辅助编程相比，振编采取的是更高层次、更为放手的方法。在振编中，开发者通过自然语言提示引导开发过程，让AI独立生成大部分代码。而传统AI辅助编程则是开发者在更加具体的层面上利用AI工具，如代码补全、错误检测、代码总结和生成等。 现实中的挑战 尽管振编在理论上听起来充满希望，但在实际应用中却遇到了不少挑战。很多开发者反馈称，振编过程非常令人沮丧或不切实际，甚至有人认为它更适合非技术用户。卡帕西本人也在提出概念后的几周内，分享了他在实际应用中遇到的困难。 实验与评测 为了更好地理解振编的潜力和局限，我在没有中间件或IDE插件的情况下，直接测试了几款大型语言模型（LLM），包括ChatGPT、Gemini、Claude Sonnet、DeepSeek、Qwen和Mercury。这些模型的表现各不相同： ChatGPT：提供了一个基于Flask的基本实现，包括功能描述、技术设计和项目结构，但业务逻辑和技术设计较为基本。 Gemini 2.5 Pro：采取了更为架构化的方法，比较了Django、Flask和FastAPI，并提出了一个考虑了数据库索引和缓存策略的更复杂的解决方案。 Claude：返回了一个类似ChatGPT的基本项目结构，但所有HTML内容嵌入在一个单一文件中，需要手动拆分。 DeepSeek：生成了较为专业和完善的实现，包括requirements.txt文件、数据库设置和更清晰的项目组织，使其看起来更适用于生产环境。 Mercury：专注于基础，生成了一个最简化的Flask应用，类似于教程形式，详细介绍了每一个步骤，但缺乏业务逻辑和功能完整性。 Qwen 3：虽然生成的应用比较简单，但其企业级开发过程和技术深度令人印象深刻。Qwen 3能够详细解释其决策过程，考虑需求和权衡。 主要发现 代码质量和一致性：总的来说，生成的代码风格一致，符合常见规范，能够迅速修复错误，但大多数模型在生成复杂解决方案时仍有限制。 忽视配置：所有LLM都倾向于生成简单的本地项目，忽略部署目标、基础设施选择、安全措施等现实问题。 缺乏用户互动：这些模型无法在生成过程中与用户进行双向沟通，导致很多假设和决定无法及时验证。 缺少分阶段开发：即使是有推理能力的模型，如Qwen，也没有在输出中体现明确的开发阶段，使得用户难以控制和审查过程。 各具特色：每款模型有自己的特点和处理方式，有些偏重技术细节，有些则引导用户逐步完成开发流程。 振编IDE的测试 我还测试了三款主要的振编开发环境——Cursor、WindSurf和Trae。虽然这些工具通过用户友好的界面改进了开发者体验，但依然存在一些核心问题，如过早提供解决方案、解决方案质量较低、缺乏人类反馈检查点、记忆处理不透明和项目结构理解薄弱等。 如何有效使用振编 成为产品经理而非单纯程序员：振编要求开发者扮演更多的管理和指导角色，确保AI理解项目需求和约束条件。 先规划后执行：不要直接给出模糊的提示，而是让模型帮助你制定详细的开发计划。 文档是有力助手：保持文档更新，用它们来指导AI。 定义规则：设定明确的开发偏好和最佳实践，帮助AI按照规则生成代码。 测试一切：不要假设AI总是正确的，每次输出都需要仔细验证。 严格执行版本控制：使用Git管理项目，确保历史记录和变更可控。 行业评价与公司背景 尽管振编目前面临诸多挑战，但仍有许多业内人士对其潜力表示乐观。Shopify CEO 托比·卢特克近期宣布，公司将在招聘新员工前评估AI能否完成相关工作，进一步推动了这一领域的讨论。振编的成功应用还需要AI技术的不断进步和开发者适应新的工作方式。在这条新兴道路上，理解和协作将成为关键。