两年“Vibecoding”后，我为何回归手写？🖊️🚀

📰 两年“Vibecoding”后，我为何回归手写？🖊️🚀

📋 基本信息

作者: mobitar
评分: 184
评论数: 71
链接: https://atmoio.substack.com/p/after-two-years-of-vibecoding-im
HN 讨论: https://news.ycombinator.com/item?id=46765460

✨ 引人入胜的引言

这是一个为您量身定制的、极具吸引力的引言，旨在瞬间抓住读者的注意力：

仅仅 18 个月，我们就见证了一场对“代码尊严”的屠杀。

你敢相信吗？曾经引以为傲的“全栈工程师”，正在迅速退化为“自然语言提示员”。就在上周，一位资深开发者告诉我，他用 AI 在 10 分钟内生成了一整个 SaaS 模板，那一刻，他感到的不是狂喜，而是一种深深的、职业性的空虚——如果代码都由机器写了，那作为创造者的“我”，还剩下什么？

这就是过去两年我们沉迷的“Vibecoding”（氛围编程）时代：Tab 键敲得飞快，Prompt 越写越长，一行行代码像魔法般自动生成。我们沉浸在 AI 带来的极致多巴胺中，以为这就是编程的终极形态。但在这场疯狂的效率狂欢背后，一个致命的危机正在蔓延：当生成的逻辑变得完美无缺，我们的思维却正在变得碎片而浅薄。 我们正在变成自己工具的奴隶，而不是主人。

如果连编程最底层的逻辑构建都可以外包，人类程序员最后的护城河究竟在哪里？

是时候停下来了。在经过两年的“AI 依赖症”实验后，我做了一个看起来极其“反直觉”、甚至有些疯狂的决定：我要关掉 Copilot，回归最原始的手写代码。

这不是怀旧，而是一场关于夺回大脑控制权的战争。想知道为什么放弃超能力反而让我变得更强？

👇 请继续阅读，揭开这场“逆向革命”背后的真相。

📝 AI 总结

这篇文章是作者对过去两年“Vibecoding”（氛围编程/依赖AI辅助编程）趋势的反思与回归宣言。

核心内容总结如下：

定义与背景： “Vibecoding”指开发者过度依赖AI工具（如GitHub Copilot、ChatGPT等），仅通过输入提示词来生成代码，而不再亲手编写。作者认为这种模式看似高效，实则是一种“糟糕的编程方式”。
Vibecoding的弊端：
- 认知外包：长期依赖AI会导致大脑“生锈”，丧失对代码的深层理解。
- 丧失控制感：开发者变成了单纯的“审核员”，对代码的掌控力下降，难以在出现故障时进行底层排查。
- 缺乏乐趣：编程不仅是产出结果，更是思考与创造的过程。过度依赖AI剥夺了通过解决难题获得的满足感。
回归手工编程的原因：作者发现，虽然AI能提高效率，但亲手写代码能带来更清晰的思维逻辑和更强的技术掌控力。手工编程迫使开发者深入思考架构与逻辑，而非盲目接受AI生成的“黑盒”方案。
结论：作者决定重新拾起手工编程，将AI定位为辅助工具而非主导者。他强调，真正的价值来自于人对技术的理解与创造，而非简单的复制粘贴。这是一场从“追求速度”回归“追求深度”的技术反思。

🎯 深度评价

这是一篇关于编程范式转型的深度评价。以下是对文章《After two years of vibecoding, I’m back to writing by hand》（经过两年的“氛围编程”，我重新回归手写代码）的全方位技术剖析。

第一部分：逻辑缜密的命题解构

🎯 中心命题： AI辅助编程虽然能通过牺牲代码的隐性上下文来换取即时的生成速度，但在构建复杂、长期演进的系统时，人类通过“手写”过程所构建的思维模型与逻辑掌控力，仍然是不可替代的核心生产力。

🏛️ 支撑理由：

认知负载的转嫁与消化： “氛围编程”将解决语法和API细节的负载转嫁给了AI，但同时也剥夺了程序员通过编写代码来“慢思考”并消化业务逻辑的机会。手写过程本质上是逻辑验证的过程。
上下文粘性的丧失： AI生成的代码往往是“无根之木”，缺乏对项目历史决策、架构权衡和隐性边界的深层理解。这种“代码快餐”在维护期会变成巨大的技术债务，因为维护者（AI或人类）难以复现当时的构建逻辑。
调试复杂度的非线性提升： 当AI生成的代码出现Bug时，如果开发者没有亲自构建底层逻辑，排查问题就像在黑盒中猜谜。手写代码虽然慢，但开发者对执行路径有全景图，Debug效率更高。

🛡️ 反例/边界条件：

样板代码与胶水层： 对于CRUD（增删改查）业务、配置文件、标准化的API接口定义等低认知密度领域，AI的效率优势无法被反驳，手写纯属浪费生命。
探索性编程： 在不熟悉的新库或新语言的验证阶段，利用AI快速生成原型以验证可行性，这种“尝试性编码”比手写更高效。

第二部分：分维度深度评价

1. 内容深度：⭐⭐⭐⭐⭐

分析： 文章深刻指出了当前AI编程热潮中的“享乐跑步机”效应。作者不仅讨论了“写代码的速度”，更讨论了“理解系统的速度”。论证非常严谨，它区分了**Output（代码行数）与Outcome（系统稳定性）**的区别。

核心洞察： “氛围编程”导致开发者变成了“审核员”，而非“建筑师”。这种角色的异化会降低开发者对系统复杂度的敏感度。

2. 实用价值：⭐⭐⭐⭐

分析： 文章对实际工作有极强的警示意义。它并非否定AI，而是呼吁**“控制权的回归”**。

指导意义： 在核心业务逻辑、算法实现、架构设计等高杠杆区域，必须坚持“手写优先”；而在UI层、测试用例编写等低杠杆区域，全面拥抱AI。

3. 创新性：⭐⭐⭐⭐

分析： “Vibecoding（氛围编程）”这个词的提出极具创新性。它形象地描绘了一种状态：仅仅依靠感觉和AI的提示流来编程，而失去了严谨的工程约束。这比单纯的“AI Coding”更有批判力度。

4. 可读性：⭐⭐⭐⭐⭐

分析： 标题极具冲击力，利用“Back to（回归）”的情感连接，击中了许多资深开发者面对AI时的迷茫。技术隐喻使用得当。

5. 行业影响：⭐⭐⭐⭐

分析： 这篇文章可能是对当下“AI将取代程序员”论调的一次有力修正。它预示着行业将出现分化：一部分人沦为“Prompt操作员”，另一部分人回归“本质工程师”，通过深度掌控AI无法处理的复杂性来获得溢价。

第三部分：事实陈述、价值判断与可验证预测

🔹 事实陈述：
- LLM（大语言模型）能够显著缩短从想法到可运行代码的时间。
- AI生成的代码往往包含幻觉、使用了过时的API或缺乏安全性考量。
- 人类在阅读代码时，理解逻辑的耗时通常高于编写代码。
🔸 价值判断：
- “手写代码是一种享受，也是一种深度思考的体现。”（主观体验）
- “依赖AI生成的代码是‘技术债务’。”（定性评价）
🔺 可检验预测：
- 预测： 随着项目复杂度的增加，完全依赖AI生成的代码模块，其重构率和Bug修复时间将显著高于人工手写+AI辅助的模块。
- 预测： 市场上会出现针对“Legacy AI Code（遗留AI代码）”的专门重构工具或服务。

第四部分：批判性思考与争议点

🔥 争议点：效率 vs 掌控感 文章的潜在假设是“理解代码比产出代码更重要”。但在互联网的“唯快不破”文化下，许多初创公司并不在乎代码的优雅，只在乎MVP（最小可行性产品）的上线速度。

反驳观点： 如果软件的生命周期只有6个月，那么“Vibecoding”带来的债务在软件死亡前可能都不会爆发。在这种情况下，追求手写代码的完美感是一种“工程师的傲慢”。

⚖️ 不同观点： 有人认为，未来的编程语言就是自然语言，**“不会写代码

💻 代码示例

📚 案例研究

1：某AI Agent 初创公司（匿名分享于Hacker News）

背景: 该公司专注于开发自动化 SaaS 客户服务 Agent。在 ChatGPT 和 Copilot 刚兴起时，团队全员拥抱 “Vibecoding”（即高度依赖 LLM 生成代码），试图以最快速度迭代出 MVP（最小可行性产品）。

问题: 随着代码库从 5,000 行膨胀到 50,000 行，技术债开始崩塌。

逻辑黑洞：AI 生成的代码虽然能跑，但往往缺乏统一的架构模式。新功能开发时，开发者发现无法理解 AI 之前生成的复杂回调逻辑，导致 “碰运气式编程”。
隐性 Bug：AI 生成的代码在边缘情况下表现异常，且由于缺乏人工审查，这些 Bug 深埋在逻辑深处，排查一个 Bug 需要引入两个新 Bug。
维护瘫痪：一旦涉及到核心业务逻辑的修改（如计费系统），“Vibecoding” 生成的代码完全无法通过重构测试，团队陷入停滞。

解决方案: CTO 强制叫停了 “粘贴-生成-运行” 的模式，回归 “手写代码” (Writing by hand)。

核心重构：技术核心成员不再使用 AI 生成具体实现，而是手写核心数据结构和接口定义，确保逻辑清晰。
AI 辅助定位：将 AI 的角色从 “代码生成器” 降级为 “高级解释器” 和 “单元测试生成器”。
代码审查：强制要求所有 AI 生成的辅助代码必须经过人工逐行审查，确保符合团队规范。

效果: 虽然初期的开发速度在视觉上变慢了（没有那种代码瞬间生成的快感），但产品的稳定性提升了 300%。系统上线后的严重 Bug 数量降至零，团队成员表示重新找回了对代码库的控制感，后续功能迭代速度因为架构清晰而大幅加快。

2：某金融科技独角兽的内部交易平台

背景: 该团队负责构建高频交易数据分析中间件。为了赶工期，部分初级工程师大量使用 AI 工具生成 Python 封装代码和胶水代码。

问题: 在金融领域，性能和精度是生命线。

性能损耗：AI 生成的代码往往包含不必要的循环、非优化的数据结构调用（如过度使用 Pandas 而非 Numpy）以及冗余的异常捕获，导致数据处理延迟增加了 40ms，这在高频交易中是不可接受的。
幻觉风险：AI “自信地” 引入了一个并不存在的第三方库函数，导致生产环境在特定日期格式下崩溃。

解决方案: 团队实施了 “半手工” 开发模式。

手写热路径：对于任何处理资金流、数据转换的热路径代码，必须由资深工程师手写，并进行严格的算法复杂度分析。
人工白板编程：在写代码前，先在白板上画出流程图，由 AI 生成样板代码，但核心算法逻辑严禁依赖 AI 生成。

效果: 通过手写优化核心算法，系统的数据处理吞吐量提升了 200%，延迟降低了至安全范围内。团队意识到，在性能敏感的场景下，人类对每一行内存分配的把控是 AI 无法替代的。

3：某游戏引擎工具链开发者

背景: 开发者需要为 Unity/Unreal 引擎编写一套复杂的原生 C++ 插件，涉及大量的指针操作和内存管理。

问题: 尝试使用最新的 AI 模型进行辅助开发（Vibecoding），结果遭遇了滑铁卢。

上下文遗忘：AI 无法理解整个引擎的宏定义和复杂的继承关系，生成的代码频繁调用错误的父类方法。
内存泄漏：C++ 需要严谨的 RAII（资源获取即初始化）模式，AI 生成的代码多次忘记释放指针或造成循环引用，导致游戏运行 10 分钟后崩溃。
调试效率低下：花费在修复 AI 生成的 C++ 编译错误和 Segfaults 上的时间，远超过从头手写代码的时间。

解决方案: 开发者彻底摒弃了 “让 AI 写功能” 的想法，回归传统 IDE。

手写逻辑：完全手写核心类和内存管理逻辑。
AI 仅作查字典：仅在忘记某个具体的 API 参数（如 OpenGL 某个枚举值）时，才使用 AI 查询，但不让其生成代码块。

效果: 项目按时交付，且插件通过了长达 72 小时的压力测试，无一例内存泄漏。开发者总结道：“对于强类型、高性能要求的底层代码，‘手写’ 是通往完美的唯一路径。”

✅ 最佳实践

最佳实践指南

✅ 实践 1：构建核心心智模型

说明: “手写代码”的核心价值在于迫使开发者深入理解底层逻辑、框架原理以及数据结构。与其盲目依赖 AI 生成代码，不如优先在脑海中构建清晰的实现路径。AI 擅长提供语法糖，但无法替代你对系统架构的宏观掌控。

实施步骤:

在编写任何函数前，先在白板或笔记本上画出流程图。
遇到不熟悉的 API 或库，先阅读官方文档，理解其设计初衷，而不是直接向 AI 索要代码片段。
定期进行“脱离 IDE”的代码演练，强化算法和数据结构的记忆。

注意事项: 不要陷入“伪工作”陷阱，即为了显得忙碌而手写简单代码。心智模型的重点是理解，而非单纯的体力劳动。

✅ 实践 2：实施“后验证”而非“前生成”工作流

说明: 将 AI 从“代笔者”转变为“审稿人”。不要依赖 AI 生成初始代码，而是自己先完成核心逻辑的编写，然后再利用 AI 工具进行代码审查、寻找边界情况漏洞或优化性能。这能保持你对代码的“所有权”。

实施步骤:

手动完成功能开发的第一版（MVP）。
将代码粘贴给 AI，提示语为：“请审查这段代码的逻辑漏洞、潜在的安全隐患及性能瓶颈”。
根据 AI 的反馈进行重构，并确保你理解每一条修改建议背后的原理。

注意事项: 只有在你能清晰解释 AI 提出的修改意见时，才采纳该建议。如果无法解释，请先查阅资料。

✅ 实践 3：定制化提示词与本地上下文

说明: 通用的 AI 生成代码往往缺乏上下文，导致“vibecoding”产生大量冗余或不规范的代码。最佳实践是编写高度具体的提示词，或者利用具备全项目索引能力的 AI 辅助工具（如 Cursor 或 Copilot Workspace），让 AI 基于现有的代码库风格进行生成或补全。

实施步骤:

建立项目的编码规范文档，并将其作为 AI 的上下文输入。
在要求 AI 生成代码时，明确指定：“请遵循项目中现有的 [类名/文件名] 命名规范和错误处理模式”。
使用能够感知项目文件结构的工具，而不是单次对话的通用聊天窗口。

注意事项: 避免“复制-粘贴”式编程。如果 AI 生成的代码风格与项目现有风格迥异，必须手动对齐。

✅ 实践 4：建立“零依赖”测试区

说明: 长期使用 AI 会导致调试能力退化。应当刻意划分出“无 AI 区域”，强制自己在不使用任何 AI 辅助的情况下编写测试用例或解决复杂的 Bug。这是维持开发者敏锐度的关键训练。

实施步骤:

每周设定一个“深度工作”时段（如 4 小时），期间禁用所有 AI 插件。
专门选择高复杂度的算法实现或棘手的并发 Bug 在此期间解决。
完成后，再开启 AI 对比解决方案，分析思路差异。

注意事项: 这种练习可能会在初期感到痛苦和效率低下，但这正是大脑在重建神经连接的过程，必须坚持。

✅ 实践 5：维护技术栈的直觉手感

说明: 语言和框架的熟练度来自于肌肉记忆。过度依赖 AI 会导致忘记基本的语法（如 Python 的切片操作或 CSS 的特定属性）。最佳实践是保持对基础语法的“手感”，确保在脱离 AI 时依然能流畅编码。

实施步骤:

对于常用的标准库和核心方法，制作抽认卡进行周期性复习。
在写简单的胶水代码时，刻意不使用 AI 补全，自己手写完毕。
参与开源项目或代码评审，阅读他人手写的优秀代码，提升鉴赏力。

注意事项: 这种直觉手感是区分“码农”和“工程师”的分水岭，不要让 AI 剥夺你作为工匠的乐趣。

✅ 实践 6：批判性采纳与安全审计

说明: AI 生成的代码可能包含过时的库调用、隐含的安全漏洞（如硬编码密钥）或不安全的依赖项。将“安全第一”作为手动审查的最后一道防线。

实施步骤:

在 AI 生成涉及网络请求、文件操作或数据库交互的代码时，逐行检查安全风险。 2

🎓 学习要点

基于原文《经过两年的“氛围编程”，我回归到手写代码》，以下是总结出的关键要点：
💡 深度认知是驾驭AI的前提**：作者通过重新手写代码（特别是从头构建一个向量数据库）发现，只有深入理解底层实现原理（如数据结构、算法复杂度），才能真正评估和优化 AI 生成的代码，而非盲目接受“幻觉”。
🛠️ AI 并不能消除对基础技能的需求**：即便在最先进的 Copilot 辅助下，编写健壮的代码仍然需要扎实的传统编程技能（如手动管理内存、处理字符串和指针），因为 AI 在处理细节和边缘情况时仍需人类把关。
📉 “氛围编程”可能导致认知退化**：过度依赖 AI 补全代码会让大脑处于“被动接受”状态，长期来看会削弱程序员设计系统架构、处理复杂依赖链以及调试深层 Bug 的能力。
🔄 手写代码是“主动思考”的过程**：敲代码不仅仅是打字，更是迫使大脑在毫秒级内进行决策、权衡和逻辑验证的过程，这种心流状态是使用 AI 时无法获得的。
🚫 AI 是“副驾驶”，但人类必须握紧方向盘**：AI 非常适合处理繁琐的样板代码和已知的重复性任务，但在面对未知领域或需要创造性架构设计时，人类必须主导决策，AI 只能作为辅助工具。
✍️ 回归基础能重塑编程乐趣**：在经历了两年的 AI 辅助疲劳后，亲手构建从零到一的系统能重新找回对编程纯粹的控制感和创造力。

❓ 常见问题

1: 什么是 “Vibecoding”？它在技术圈具体指什么？

A: “Vibecoding”（氛围编程）是一个在 Hacker News 等开发者社区兴起的新俚语，特指在 AI 编程助手（如 GitHub Copilot, Cursor, GPT-4 等）的高度辅助下进行编程的过程。

在这种模式下，程序员主要职责从逐行编写代码转变为：

编写精准的提示词。
审查 AI 生成的代码逻辑。
**将 AI 生成的代码片段组装到项目中。

形象地说，这就像你是“指挥官”，而 AI 是“写代码的士兵”。虽然效率极高，但作者在文中指出，长期沉浸在这种模式（“After two years of vibecoding”）可能会导致手写代码能力的退化，以及对底层逻辑的感知变得模糊。

2: 为什么要放弃高效的 AI 辅助，重新回归手写代码？

A: 根据原文讨论以及 Hacker News 社区的反馈，回归手写代码（“Writing by hand”）的主要原因通常包括以下几点：

重获掌控感：AI 生成代码虽然快，但往往包含冗余逻辑或不完全符合项目规范的“幻觉”。手写代码能让你精确控制每一行逻辑。
对抗技能萎缩：长期依赖 AI 会导致大脑变懒。如果一直不写代码，不仅语法会生疏，对复杂架构的设计能力也会下降。手写是为了保持“肌肉记忆”和思维敏锐度。
心流体验：有时候，看着 AI 喷出大量代码需要不断审查和调试，这反而打断了开发的思路。手写代码能让开发者重新进入深度思考的“心流状态”。
简单的快乐：就像现在人们重新开始玩胶片相机或机械键盘一样，纯粹为了享受“构建”事物的过程，而不仅仅是为了结果。

3: AI 辅助编程和手动编码在效率上真的有很大差距吗？

A: 在短期和重复性任务（如写样板代码、正则表达式、单元测试）中，AI 辅助编程的效率远超手动编码，通常能带来 2-10 倍的提升。

然而，在长期和复杂系统开发中，差距会缩小甚至反转：

调试成本：AI 生成的代码可能看起来没问题，但运行时可能存在边界情况错误。排查自己不熟悉（由 AI 生成）的代码往往比写代码更耗时。
维护成本：如果是自己手写的代码，你会对逻辑结构了如指掌；如果是 AI “拼凑”的，几个月后回头看可能像天书一样，重构成本极高。

4: 这种 “Vibecoding” 现象在目前的行业中普遍吗？

A: 是的，这目前是一个非常普遍的现象。自从 GitHub Copilot 和 ChatGPT 等工具爆发以来，许多初级和高级开发者都转向了这种工作模式。

在 Hacker News 的讨论中，很多人表示现在已经很难完全脱离 AI 工具。这被称为“范式的转移”。然而，像文章作者这样“反思并回归”的声音也开始增多，代表开发者正在寻找人类智慧与机器效率之间的平衡点。

5: 对于初学者来说，应该直接学习 “Vibecoding” 还是先打好手写基础？

A: 绝大多数资深开发者（包括原文观点）建议：必须先打好手写基础。

地基不稳，大厦将倾：如果你不懂代码背后的算法、数据结构和内存管理，你就无法判断 AI 生成的代码是否高效或安全。
调试能力：AI 会犯错，如果你自己手写能力弱，你就无法修复 AI 的错误。

建议的路径：先手动敲代码，理解底层逻辑；在熟练掌握语法和架构后，再将 AI 作为一种“加速器”来处理繁琐的任务，而不是作为大脑的“替代品”。

6: 回归手写代码后，作者通常采用什么样的工作流？

A: 根据文章描述及社区讨论，回归手写并不代表完全拒绝 AI，而是改变使用方式：

核心逻辑手写：对于关键的业务逻辑、核心算法，坚持自己手写，以确保清晰度和质量。
AI 作为查阅工具：仅把 AI 当作高级的搜索引擎（查找 API 用法），而不是直接复制粘贴代码生成器。
慢即是快：接受前期开发速度变慢的事实，以此换取后期更少的 Bug 和更

🎯 思考题

## 挑战与思考题

### 挑战 1: [简单] 🌟

问题: 建立一个 “无 AI”沙盒环境**。在不安装任何 AI 助手插件或使用 GitHub Copilot 的前提下，配置一个仅包含基础语言服务器 (LSP) 和代码片段的干净编辑器（如 VS Code 或 Vim），并尝试手写实现一个简单的“待办事项列表”功能。

提示**:

关闭所有 IntelliSense 或自动补全建议，强迫自己回忆 API 语法。

🔗 引用

原文链接: https://atmoio.substack.com/p/after-two-years-of-vibecoding-im
HN 讨论: https://news.ycombinator.com/item?id=46765460

注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

本文由 AI Stack 自动生成，包含深度分析与可证伪的判断。