Vibe coding 讲解页

开场案例 · 先看再开始

先看 AI 现在能做什么

先看三个真实案例:普通妈妈如何使用 AI、AI 如何整理错题、识别运动动作。看完后,再进入今天的交流。

普通妈妈

普通人,也能开始用 AI

从一个普通家庭的真实场景出发,看 AI 如何进入日常生活。

AI 错题本

把错题整理成学习方法

从试卷和错题材料中提取高频考点,形成可复习的知识结构。

AI 网球识别

让视频变成动作判断

从视频中提取骨骼关键点,再用规则识别运动动作。

看完案例,开始交流

From Token to Four Capabilities

Vibe coding
不是从写代码开始

先学会把 AI 当成一个可以协作的助手:说清目标,给对背景,把它放进可驾驭的工作系统。

你第一次让 AI 帮你做东西,它大概率会给出一个“看起来像,但实际不对”的结果。
这不是你问错了——是 AI 还在猜。
接下来你要做的不是关掉重来,而是补一句:这个不对,因为……我实际想要的是……
Token
注意力格子
目标 背景 格式 边界 验证 回退
Q

暖场问题

问题一 · 能力边界

假如现在的 AI 回到了 16 世纪的英国,以下哪个选项是 AI 最有可能做不到的?

A让 Jerry、Tom 和莎士比亚(假定现在没人知道莎士比亚是谁)各自写一个《哈姆雷特》的版本,并评判各自的优劣
B让 AI 在 16 世纪的英国早期证券交易市场上全权替代哈姆雷特购买股票(假如说那个时候已经有了电子交易系统的话)
C根据当时已有的历史传说、戏剧传统和观众偏好,独立写出一部接近《哈姆雷特》风格的复仇悲剧初稿
D让 AI 用伊丽莎白时代英语(十四行诗体式、俳句)写出复仇悲剧初稿,并生成舞台独白、人物关系图和面向剧院老板的推荐理由
问题二 · 公司认知

以下哪家公司是目前世界和国内最领先的 AI 公司?

世界领先候选

AOpenAI
BGoogle
C马斯克的 X
DAnthropic

国内领先候选

A豆包
B智谱
C千问
DDeepSeek
问题三 · 学习重点

在 AI 工具和模型不断更新的背景下,你认为以下哪项最关键?

A熟练使用 GPT、Claude、Kimi、通义千问等各类 AI 应用工具
B能够调用 OpenAI、DeepSeek 等底层大模型能力
C能够掌握提示词写法,让 AI 按照自己的要求生成内容
D能够根据具体任务,判断该如何拆解问题、如何验证结果,并最终由人完成判断和负责

Token

'26
Satya Nadella · 微软 CEO · 2026年6月14日

AI 正在把专业知识变成商品

Satya Nadella

Nadella 的警告

Nadella 提醒企业:AI 模型会持续吸收个人和组织的专业知识,并把它商品化。真正需要保住的,是组织自己的学习循环、判断和独特知识。查看原文 ↗

人力资本

你的知识、判断、关系、直觉。
别人偷不走,但你不沉淀,它就只在你脑子里。

Token 资本

你自建的 AI 能力——规则、Skill、工作流、检查标准、私有知识库。
你把它建起来,它就一直为你工作。

真正要积累的,不是某个模型的使用次数

把工作流、行业知识和判断标准沉淀下来。即使以后更换模型,这些经验仍然属于你。

1. 写规则

把反复说的要求写进规则文档,不再每次重讲。

2. 建流程

把"输入→AI处理→检查→修改→验收"固化成可重复步骤。

3. 积经验

每次有效的提问、检查方法,都记下来,下次直接用。

4. 变成系统

规则+流程+经验 = 你的 Token 资本。换工具、换模型,这套东西不丢。

知识库例子

把原始资料放进 raw,把 AI 整理出的概念、实体和对比放进 wiki,再用 index 和 log 记录变化。这样每次学习都不是一次性聊天,而是在给自己的知识库加一块砖。

打开 Obsidian 知识库 000AI brain
你可以把任务交给 AI,但不能把自己的学习也一起外包。

这场交流,就是你建立自己第一笔 Token 资本的起点。

给家长的一句话 · 2026

2026 年最划算的
教育投资

拿走手机,给他 Vibe coding。

从被“算法喂养”,变成定算法。
被算法喂养

刷短视频 · 玩游戏 · 即时反馈

被推荐继续刷
换一条路径
定算法

提问 · 创造 · 验证 · 沉淀

想法工具能力
00

交流地图

一条主线:Token。三个工程动作:Prompt、Context、Harness。四个能力支点:想象力、好奇心、学习力、执行力。

Prompt Engineering

把话说清楚

AI 知不知道你要什么,取决于目标、边界、材料、格式和合格标准是否讲清。

Context Engineering

把背景给清楚

AI 知不知道真实情况,取决于你给的是关键上下文,而不是一堆无重点材料。

Harness Engineering

把 AI 驾驭起来

AI 能不能稳定工作,取决于项目文件夹、规则、工具、Skill、验证和权限边界。

这场交流不从“怎么写代码”开始,而是从“怎么把有限注意力用在关键地方”开始。
01

Vibe coding 不是魔法

AI 更像一个能力强、反应快、但不了解你具体情况的实习助手。

它不知道你的目标、背景和合格标准,所以只能猜。

Vibe coding 也是一样。复杂任务都需要把目标、背景和检查标准讲清楚。
02

Token:AI 的注意力资源

内容多不等于效果好。关键不是“多给”,而是“给对”。

现场互动:100 个注意力格子怎么花

这不是给 Prompt 打分,而是模拟一件事:AI 的注意力是有限的。无关材料占得越多,目标、背景、边界和验证能用的空间就越少。

目标 背景 边界 验证 废话/无关材料

讲解结论

分配健康

目标、背景、边界和验证都有空间,AI 比较容易按正确方向工作。

目标:安排 3 天杭州旅行。
背景:两人、预算 3000、想轻松。
边界:不要太多景点,晚上不要太晚。
验证:按上午/下午/晚上输出。
旅行例子:还要猜
我准备五一去杭州玩三天,帮我安排一个轻松一点的行程。
旅行例子:关键信息到位
请帮我安排一个 3 天 2 晚的杭州旅行。
两个人,预算 3000 元以内。
希望节奏轻松,不要安排太多景点。
重点想看西湖、吃本地菜,晚上不想太晚回酒店。
请按每天上午、下午、晚上给出安排。
维特根斯坦 · 语言与世界
“我的语言的界限意味着我的世界的界限。”The limits of my language mean the limits of my world.

— 路德维希·维特根斯坦

维特根斯坦头像
03

四个能力支点

Token 是资源,但资源不会自动变成结果。差别不只在技术,而在四种能力。

想象力

想到 AI 可以做什么

把“AI 可以聊天”扩展成“AI 可以帮我完成一类任务”。

好奇心

继续追问比较

不止停在第一版,而是追问风险、反例、替代方案和更适合的表达。

学习力

沉淀有效方法

从每次反馈里总结下一次怎么问,把经验变成模板、规则或 Skill。

执行力

推进到真实结果

把对话拆成步骤,生成文件、页面、流程或决定,而不是停留在草稿。

四能力检查器

每次使用 AI 后,勾选这四项。一个都没勾上,通常说明只是聊了一轮,没有形成能力。

已勾选 0/4:还没有形成可复用能力。

04

Prompt Engineering:把话说清楚

它不是背模板,而是减少 AI 必须替你猜的地方。先看错误产物,再补最关键的条件。

01

目标与场景

让 AI 知道你在做什么、要完成什么,而不是只丢一句孤立的话。

02

边界与材料

明确不要做什么,只给它真正相关的材料,不把所有东西都倒进去。

03

格式与标准

说清输出格式(表格、分点、步骤),并告诉它你会怎样检查结果。

05

交流练习:先看 AI 做错了什么

同一句模糊需求,也可能得到一份看似专业、实际没人愿意用的结果。

第一步:模糊输入

待诊断需求30 秒
帮我做一个客户回访表,简单一点,方便销售用。

AI 可能交付的“完整方案”

方向错误的输出看起来很专业
客户回访管理系统

字段:客户编号、客户等级、来源渠道、销售阶段、满意度、
NPS 评分、复购概率、流失风险、负责人、下次提醒时间……

功能:销售登录、主管权限、自动提醒、回访评分、
趋势看板、客户分层、CRM 数据同步、月度报表导出。

第二步:这份结果为什么不能直接用?

先选一个最明显的问题。答案揭晓后,再看它在错误输出里造成了什么后果。

先让学生选,再揭晓

这份输出不是“不完整”,而是替用户做了太多未经确认的决定。

06

Context Engineering:把背景给清楚

Prompt 是“要做什么”,Context 是“这次任务的真实情况”。背景缺了或错了,AI 就会写出看似通顺、实际不能用的结果。

缺背景

通用答案

AI 只能按常识猜,输出容易空泛。

错背景

认真地错

你说价格问题,它就围绕价格认真生成。

太多背景

重点淹没

资料不是越多越好,关键是告诉它最重要的三点。

关键背景

结果可用

只给会影响结果的事实:对象、原因、下一步和不能承诺什么。

缺背景
我们想优化客户回访流程,让销售定期跟进老客户,你帮我设计一下。
补充关键背景
我们的客户主要是企业客户。
客单价较高,成交周期长。
回访目标不是售后满意度,而是发现二次采购机会。
销售人员每周最多只能回访 20 个客户。
高级 Context

上下文窗口也有成本

每一个 Token 都有机会成本

上下文窗口不是无限的资料仓库。无关内容越多,真正重要的信息越容易被淹没。

让主对话保持干净

需要大量探索时,可以把读取、命令输出和中间推理交给子智能体,主对话只接收需要的结论。

用户级 CLAUDE.md 也要控制长度。它会在每次新对话初始化时加载,长期文件只保留真正通用、稳定且高频的规则。

上下文不是资料越多越好,而是要帮 AI 知道重点。
07.5
附录 A · 需要时再展开

工具和模型:记住一个区别

最简单的理解:开发工具是“工作台和手脚”,大模型是“负责理解与推理的大脑”。

需要特别纠正:Claude Code 不是 Claude 大模型,Codex 也不是 GPT 大模型。前者是编码智能体/开发工具,后者才是模型能力。
开发环境与智能体层

负责把模型接进真实工作

学员经常把这一层统称为“AI IDE”,但更准确地说,它可能是 IDE、桌面应用、命令行智能体或执行工作区。

  • 读取和修改项目文件
  • 运行命令、测试和预览
  • 管理权限、会话、差异和版本
  • 接入 Skill、MCP、规则文档和工具
大模型层

负责理解、推理和生成

模型接收 Token,理解需求和上下文,决定下一步应该回答什么或调用什么工具。它本身通常不知道你的文件在哪里,也不会自动拥有操作权限。

  • 理解自然语言和代码
  • 推理、规划、总结和生成
  • 能力、速度、成本和上下文长度不同
  • 必须通过应用或 API 才能进入工作流程
主线只需记住:模型负责理解和推理,工具负责读文件、改文件、运行和验证。具体产品组合可以交流后再看。
07.6
附录 A+ · 效率小 Tips

Typeless:用语音降低输入成本

如果你觉得打字会打断思路,可以试试把自然说话先变成文字,再交给 AI 处理。

适合放在 Vibe coding 工作流里的位置

Typeless 这类 AI 语音输入工具,不是替你思考,而是把“把想法敲出来”这一步变快。

  • 口述需求:先把想法说出来,再整理成 Prompt。
  • 口述反馈:看完 AI 结果后,直接说哪里不对、要怎么改。
  • 口述长背景:把业务背景、限制条件、验收标准先讲完整。
  • 移动场景记录:走路、通勤或临时想到内容时,先捕捉下来。
交流演示说法
我先不用键盘写 Prompt。
我直接说:

“帮我把这段交流反馈整理成三类:
哪里太长、哪里不清楚、哪里需要举错误例子。
输出要短一点,方便我直接改展示。”

语音输入先把想法落地,
再让 AI 帮我整理。
有用点

自动清理口头表达

官网介绍它可以去掉口头填充词、重复表达,并把列表和步骤整理成更干净的文字。

使用边界

不要把它当最终稿

语音转文字只是第一稿。重要内容仍然要检查事实、语气和遗漏。

推荐动作

先说,再改

先用语音把完整想法讲出来,再让 AI 帮你压缩、分类、改成 Prompt。

小技巧:想法还乱的时候,不要先追求 Prompt 完美。先用语音把原始想法说出来,再让 AI 帮你整理成清楚的 Prompt。
Typeless 官网 ↗
附录:AI 急救话术

卡住时先把方向拉回来

AI 改错了:
“停。撤销刚才的修改,告诉我你改了哪个文件。”

AI 越做越多:
“停。只做我刚才说的那一步,不要扩展。”

感觉不对:
“这版哪里你是在猜的?标出来。”

不确定做完没:
“你怎么验证已经做到了?给我三个检查点。”

08

Harness Engineering:把 AI 驾驭起来

更通俗的说法:给 AI 准备一套可以工作的工程系统。

放哪里

材料和成果分开

原始材料放 input,当前成果放 output,旧版本放 backup。

按什么做

规则写清楚

受众、边界和不能改的内容,放进项目规则。

怎么确认

要求验证证据

让 AI 说明改了什么、检查了什么、还有什么没验证。

出错怎么办

保留回退路径

重要文件先备份;不满意时能恢复到修改前。

把经验装进 Harness

把重复叮嘱变成自动运行的系统

将技术栈固化于 CLAUDE.md 中,让每次对话从同一套项目事实开始;将审查标准封装进 Skill,实现按任务自动加载;将提交检查配置为 Hook,确保每次提交前都不会遗漏。CLAUDE.md 就是 Vibe coding 的宪法:规定 AI 应该如何工作,以及哪些边界不能碰。

一个真实 Skill 示例

financial-analyst:把财务分析变成固定流程

它可以按固定步骤读取数据、计算比率、做 DCF 估值、解释预算差异,并输出可检查的分析结果。重点不是“会做财务”,而是把一类重复工作变成可复用流程。

同一模型在不同 Harness 上的表现差异,往往远大于不同模型在同一 Harness 上的表现差异。
大模型是厨师,上下文是厨房的台面,Harness 是厨房的用具,Skill 是菜谱。
Harness 的核心不是“相信 AI”或“防着 AI”,而是把 AI 放进一套可控的工作系统里。
08.5
附录 B · Harness 深入

提示词、Skill 与规则:需要时再展开

主课只需要会用四个工程动作;下面内容适合课后继续看。

提示词 vs Skill

相比提示词,Skill 的四大进化

维度提示词Skill
加载方式全量塞入上下文按需加载
工作空间对话结束即消失文件系统可保存中间产物、可重跑
协作能力单个模板独立工作可串成工作流,也可带脚本
迭代积累模板散落各处同一份文件持续迭代,后续任务自动复用
真实 Skill 示例

六个跨行业方向

制造·质量

capa-officer

用 5 Why、鱼骨图和 FMEA 固化纠正与预防措施流程。

采购·供应链

procurement-optimizer

分析采购支出、供应商整合和 SaaS 续约日历。

业务·运营

process-mapper

做 BPMN 流程映射、瓶颈检测和周期时间分析。

财务·金融

financial-analyst

固定执行财务比率、DCF、预算差异和滚动预测分析。

供应商·管理

vendor-management

追踪供应商评分、SLA 合规和第三方风险分类。

数据·合规

gdpr-dsgvo-expert

扫描 GDPR 合规风险,管理 DPIA 和数据主体权利。

+
附录 B · 前瞻概念

Loop Engineering:让 AI 自己循环起来

2026 年最受关注的新方向:不再是你一句一句提示 AI,而是设计一个"循环系统"来代替你提示它。

Peter Steinberger(OpenClaw 作者)提出:不要再逐条提示编码智能体,而要设计能提示智能体的循环。原帖 ↗
Boris Cherny(Claude Code 负责人)也描述了类似工作方式:由一个智能体生成提示并协调 Claude,而不是由人逐条编写提示。采访报道 ↗

一句话理解

以前

人对 AI 说一句

你打字 → AI 回复 → 你看结果 → 你再打下一句。人是循环的驱动力。

现在正在变

循环替人驱动

你定目标和规则 → 循环自动跑:做一步、检查、不对就改、对了就下一步,直到完成。

本质

从"操作者"变成"设计者"

你不负责每次对话,你负责设计"AI 怎么自己跟自己对话、检查、纠错"的规则。

和三种 Engineering 的关系

层级解决的问题谁在干活
Prompt EngineeringAI 知不知道你要什么一次对话
Context EngineeringAI 知不知道真实背景一次对话 + 背景材料
Harness EngineeringAI 能不能在可控环境里工作一个项目里的多次对话
Loop EngineeringAI 能不能自己循环运转AI 自己驱动多轮对话,直到目标完成

Addy Osmani 将两者的关系解释为:Harness 是单个智能体运行的环境;Loop 位于它的上一层,让系统能够定时触发、分派任务、检查结果并继续运行。 查看原文 ↗

Loop 的典型形态
每天早晨自动运行。
读取昨天的 CI 失败、未关闭 issue、最近提交。
按优先级分给不同的子智能体。
每个子智能体在自己的工作区里修改。
另一个子智能体检查修改。
通过的自动提 PR 并更新任务状态。
没通过的退回,附带具体问题描述。
整个过程人没有打一个字。
必须警惕的事
1. Token 成本:Loop 跑的对话量远超手动提示。
2. 理解债务:代码在你不看的时候快速堆积,等你回头已经看不懂了。
3. 认知投降:Loop 跑得太顺,你慢慢不再思考,只是"按接受"。
4. 现在还是早期:这个概念才出现几周,很多细节仍在探索。
这场交流目前把 Loop Engineering 放在"前瞻"而不是"必修",因为它还很新,需要时间沉淀。
但要记住一句话:从 Prompt 到 Context 到 Harness 到 Loop,能力一层一层往上加,但每一层都以前一层为基础。
+
Loop Engineering · 真实制作案例

2026 AI 短剧:《丧尸清道夫》

从角色设定到分镜提示词:一个 AI 短剧如何被拆成可循环、可验证的制作步骤。

原子朋克 × 丧尸喜剧 同期声 · 无配乐 观看案例来源 ↗抖音短剧

页面只保留流程标题;点击任意标题,查看对应的正文或参考图。

11
适合初学者的说法
先帮我整理需求,不要开始制作。
适合初学者的说法
请告诉我你改了什么,以及我应该检查哪里。

⏱ 5 分钟跟着做:你第一次打开 AI 工具

打开 Claude Code、Codex 或任何 AI 编码工具,对着敲。不要追求一次对,只是感受“对话 → 产出 → 调整”的节奏。

步骤你输入你大概会看到什么
1我是一个销售主管。我想做一个客户回访记录表。先不要开始做,先问我三个问题,搞清楚我的需求。AI 大概会问:这张表谁用?要记录什么信息?在什么场景下填?
2销售自己用。记录客户名称、上次联系日期、客户当前状态(有意向 / 观望 / 已流失)、下一步计划。浏览器打开就能用,不需要登录。AI 开始生成一个 HTML 页面。
3打开了,能看到表格。现在加一个功能:如果客户状态是“已流失”,那一行显示红色背景。AI 修改代码,红色标记生效。
4有用。不过我现在发现一个问题:销售可能会忘记填“下次联系日期”。请加一个提醒:如果这个字段为空,保存时弹出提示。AI 加上表单验证。
五步走完,你不懂代码,但你做出了一个实际可用的工具。这就是 Vibe coding 的日常节奏。
13

交流案例集合

不要只展示“AI 做出了什么”,要展示“你怎么让 AI 做对”。

任务被限制
帮我写一份 Vibe coding 交流介绍,说明这场交流能提高工作效率。
任务被打开
我想把 Vibe coding 交流做成一个展示页面。
页面不要只讲概念,要包含:
1. Token 主线。
2. 四个能力支点。
3. 好坏提问对比。
4. 从普通任务过渡到 Vibe coding 的案例。
5. 初学者行动路径。
继续追问
这版内容适合完全没有技术背景的人吗?
里面哪些词可能让他们听不懂?
能不能把每个专业词换成一个生活例子?
如果只保留三个重点,你建议删掉哪些?
沉淀规则
以后修改这类交流大纲时,请遵守这些规则:
1. 受众默认没有技术背景。
2. 反面案例不能太低级,要像真实用户会说的话。
3. 每个概念都要有生活类比。
4. 案例要体现“没有这个能力会卡在哪里,有了以后怎么推进”。
5. 输出内容要适合生成 HTML 展示页。
推进到交付
第一步:确定交流主线。
第二步:补齐四个支点。
第三步:改案例。
第四步:生成 Markdown。
第五步:生成 HTML 页面。
第六步:检查页面是否适合现场展示。
个人项目讲解结构说明
1. 我想解决什么问题先讲真实场景,不先讲工具。
2. 一开始我是怎么说的展示模糊需求。
3. AI 第一版哪里不符合预期指出偏差,不只说“不行”。
4. 我后来补充了什么背景展示 Context 如何改变结果。
5. 我怎么检查它有没有做对展示验证和边界。
6. 最后沉淀出什么经验把一次项目变成可复用方法。
7. 下次写进哪里把一句有效要求写进规则、Profile 或 Skill。
14

一张图带走

截图保存这页。下次不知道该怎么跟 AI 说的时候,先看这里。

一个好 Prompt 的六个零件

1. 角色

我正在做什么、是什么角色。

2. 目标

我希望 AI 帮我完成什么。

3. 边界

不要做什么、不要改什么、不要加什么。

4. 材料

我已经有什么文件、数据、参考。

5. 格式

我希望输出什么样子:表格、列表、页面、文字。

6. 标准

我怎么判断结果合格:谁看、在哪用、多久能完成。

三种 Engineering 一句话

Prompt

把话说清楚

AI 知不知道你要什么。

Context

把背景给清楚

AI 知不知道真实情况。

Harness

把系统搭起来

AI 能不能在一个可控环境里稳定工作。

⚠ 安全红线

别把这些贴进 AI

客户名单、财务数字、合同原文、密码、API key、身份证号、员工薪资。不知道能不能给?先问你的主管。

尾声 · 文明正新

循此苦旅,以达星辰

Per aspera ad astra.

塞内卡头像
塞内卡《道德书简》
轻触“下一幕”或按 →
♪ BGM 待命