🔥 星光编译者 · 个人主页
📚 学习专栏: 《C/C++ 成长笔记》 · 《Linux 实践手册》 · 《数据结构与算法》
🌄 向云端飞扬,编译属于自己的代码星河。
☕ 写在开篇
你好,这里是 星光编译者。
这里记录我在 C/C++、Linux、数据结构与算法 学习中遇到的真实问题、亲手验证过的代码,以及那些容易被忽略的实现细节。
比起简单罗列结论,我更愿意从问题出发,把一个知识点的来由讲清楚,把“为什么会这样”和“应该怎样解决”说明白,让每一次踩坑都沉淀成可以复用的经验。
如果这篇记录能帮你少绕一点路,或让某个模糊的地方忽然变得清晰,那么这次分享便有了意义。愿我们在一次次阅读、编译与调试中稳步向前,慢慢搭起属于自己的技术世界。
🔥 本文定位:面向有一点编程基础、准备使用 AI 开发工具的同学,建立从需求到验收的完整认识。
💡 学习目标:分清模型、工具和 Agent,理解三类开发入口,写出能验收的需求,形成自己的工具评估方法。
📌 阅读约定:本文把围绕自然语言快速迭代的开发体验称为 Vibe Coding;需要审查与测试的软件开发,仍然承担完整的工程责任。产品名称用于说明形态,不作能力排名。
以前写一个小程序,我们通常先找 API、搭结构,再一行一行实现。现在可以先描述想法,让 AI 生成第一版,然后继续提出修改要求。屏幕上很快出现了界面和代码,开发似乎突然轻松了。
但真正动手后,另一种困惑也会出现:为什么同一句话,别人能做出完整功能,我却得到一堆无法运行的文件?为什么已经说过三次的约束,AI 还是会忘?为什么演示时一切正常,换个输入就出错?
这些问题提示我们:代码生成只是开发过程中的一环,需求、上下文、执行环境和验收方式一起决定结果。 本篇先把这些关系讲清楚,下一篇再用终端贪吃蛇串起完整实践。
前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家:学习网站
文章目录
一、Vibe Coding 到底改变了什么
1.1 从描述实现,转向描述目标
假设你想做一个命令行记账程序。传统写法需要自己设计数据结构、解析输入、保存文件,再补上各种错误处理。AI 辅助开发时,你可以先表达“增加一条记录、按月份统计、退出后数据仍然存在”,工具据此生成方案和实现。
变化发生在人与代码之间:你不必在每一个局部细节上都从空白开始,而是可以先评估一个已经成形的候选结果,再决定如何调整。对于常见模板、重复代码和探索性原型,这种方式很有吸引力。
不过,Vibe Coding 这个词在不同语境里有不同宽度。有人专指主要依靠对话和运行效果、很少阅读实现的探索方式;也有人泛指自然语言驱动的 AI 编程。为了避免混淆,讨论具体项目时,最好直接说明自己是否审查代码、是否有测试、准备把程序用到什么程度。
1.2 快速原型与正式交付,验收门槛不同
做一个自己体验的小游戏,可以先确认基本操作是否流畅;做一个保存真实用户数据的服务,还要确认访问权限、数据一致性、异常恢复和维护方式。两者都可以使用 AI,承担的验证工作却不一样。
不能因为第一版很快出现,就把“写出来”与“做完成”画上等号。原型的价值是帮助我们验证想法,正式软件还必须在预期环境和异常条件下持续满足要求。

图中的顺序是一种工作安排:先明确目标,得到原型,再验证边界,最后决定是否交付。如果验证发现问题,就返回相应阶段,而不是一路默认通过。
1.3 程序员的注意力重新分配
过去我们经常花时间查语法和拼接样板。现在这些环节可以由工具分担,人的时间更多转向澄清需求、阅读差异、判断方案和设计验收。
这并不代表每个任务都能加速。陌生的大型项目、隐含约束很多的改动、难以复现的并发错误,可能需要大量补充上下文和验证。衡量效率时,应统计从开始到可靠完成的总时间,而不只是第一段代码出现的速度。
二、LLM、工具和 Agent 的关系
2.1 大语言模型负责生成候选内容
LLM 是 Large Language Model 的缩写。可以先把它理解为:根据训练得到的模式,以及本次输入的上下文,生成后续内容的模型。输入可以包含需求、代码、错误输出和工具返回的信息。
模型能够解释概念、补全代码、提出修复方案,但流畅的表达并不保证结论正确。它可能引用不存在的函数,也可能给出在另一个版本中才成立的写法。因此,模型的回答应当被看作需要核验的候选方案。
它也不会因为你在对话里说“请编译”,就天然拥有你的编译器。实际执行命令需要外部工具提供能力,并受到环境和权限的约束。
2.2 开发工具把模型接入工程环境
AI 开发工具通常负责读取文件、组织上下文、连接模型、展示改动以及调用终端。模型提出下一步操作,工具执行后把结果返回,模型再根据结果继续工作。
所以,同一个模型放进不同工具里,体验可能明显不同。工具是否善于定位文件、是否保留关键错误、是否正确处理权限和执行结果,都会影响任务完成质量。

把图中的三块分开理解,就能解释很多现象:模型能回答问题但无法写文件,可能是工具能力或权限没有开放;代码已经生成但不能编译,可能是环境依赖不完整;工具连接正常但答非所问,可能是需求和上下文不足。
2.3 Agent 不只是一个“人设”
系统提示词能够规定角色、目标与约束,但能执行多步任务的编程 Agent,还涉及工具调用、状态管理、权限和反馈循环。仅仅给聊天机器人加一句“你是高级程序员”,并不等于它已经具备完整的工程操作能力。
一个常见循环是:理解目标,选择操作,读取或修改文件,运行检查,观察结果,再决定继续修复还是结束。这个循环可以减少反复复制代码的操作,却不能免除人的最终判断。
这里还要区分“模型认为执行成功”和“工具确实返回成功”。看到一句“已经通过测试”时,应继续看测试命令、实际输出、退出状态和覆盖范围。没有执行证据,就不能把语言表述当作结果。
三、为什么技术基础仍然重要
3.1 你需要识别“看起来正常”的错误
以登录功能为例:页面可以输入账号密码,点击后也跳转了,并不说明身份验证真正可靠。若后端直接相信客户端提供的用户编号,一个正常演示就会掩盖访问控制问题。
再看 C 语言中的字符串操作。正常输入时程序输出正确,但超长输入、空输入和文件打开失败,都可能触发不同路径。懂得数组边界、资源管理和返回值的人,才能提出这些验证要求。
AI 可以帮助发现问题,但开发者仍要知道哪些问题值得追问。基础知识让你拥有检查候选方案的尺度,而不是只能根据语气判断可信度。
3.2 把责任落实到可观察的行为
人适合决定目标、边界、优先级和接受条件;AI 适合协助探索方案、实现重复细节、整理线索和生成候选测试。评审与验收则需要把双方产出放回真实环境中验证。

例如,需求是“让查询更快”。人需要说明当前数据规模、可接受延迟和结果正确性要求;AI 可以提出索引、缓存或批处理方案;验证时则要比较同一负载下的耗时、资源消耗和结果一致性。
如果没有这些约束,“更快”可能只是把一部分工作跳过了。描述越抽象,候选实现与真实期待之间的距离越难发现。
3.3 学习顺序可以结合实际任务
初学者可以先完成小项目,再沿着错误补基础。例如,遇到文件找不到,就理解工作目录与相对路径;遇到编译失败,就学习编译器、头文件和链接;遇到程序卡住,就检查循环、阻塞与输入处理。
但不要长期只让 AI 解释结论而不自己验证。一个有效练习是:让它给出最小示例,你先预测结果,再运行,最后修改一个条件观察变化。能独立预测和解释,才说明理解开始建立。
四、三类开发工具怎么理解
4.1 编辑器集成:围绕代码阅读与修改
这一类入口把对话、文件树、差异视图和终端放在接近代码的位置。你可以选中某段函数请求解释,也可以查看 AI 修改了哪些文件。它适合需要频繁阅读实现、逐段确认变化的工作方式。
选择时重点观察:能否清楚展示修改差异,能否引用指定文件,是否方便撤回,是否与现有语言工具链配合。不要把“界面像某个熟悉编辑器”直接等同于工程能力相同。
4.2 终端 CLI:围绕目录与命令执行
CLI 是 Command Line Interface,即命令行界面。OpenCode 就提供了终端交互入口。CLI 方式适合习惯终端、远程环境或希望紧贴构建与测试命令的开发者。
终端入口并不意味着只会回答文字。它可以在权限允许时读取工程、生成补丁和执行命令。相应地,你也要更清楚当前目录、命令影响范围和运行身份。
4.3 网页应用生成:围绕成品预览
另一类入口把描述需求、生成应用和查看预览放在网页流程中。它可以降低搭建初始界面的门槛,适合先验证交互和业务流程。
评估时要继续问:代码能否导出?数据存在哪里?登录和外部服务如何配置?后续能否在自己的环境继续维护?这些问题会直接影响原型能否顺利走向长期使用。

| 入口 | 最值得先体验的动作 | 需要关注的边界 |
|---|---|---|
| 编辑器集成 | 解释函数、查看修改差异 | 工程索引与编辑范围 |
| 终端 CLI | 在项目目录运行构建与测试 | 工作目录、执行权限与环境 |
| 网页应用生成 | 描述页面并体验预览 | 导出、数据与部署方式 |
这是一种理解入口的分类,不是产品之间的永久界线。一个产品可能同时提供多个入口,决定体验的仍是实际能力与项目适配程度。OpenCode 的入口形态可查阅官方介绍。
五、模型与套餐应该怎样选
5.1 先拿自己的任务比较
不要先追逐“最强”标签。准备三类具有代表性的任务更有用:解释一段真实代码、修复一个可复现缺陷、完成一个带明确边界的小功能。给不同候选相同的起始材料和时间范围,再比较完成情况。
记录的不应只有代码行数。可以记录最终是否满足要求、需要几轮纠正、有没有修改无关文件、验证是否充分,以及整个过程的耗时和费用。某个模型擅长解释,不一定同样擅长跨文件修复。
5.2 区分模型、供应商与付费入口
模型是生成内容的能力主体,供应商负责提供调用服务,开发工具负责连接服务。付费入口则规定你购买的具体额度和使用范围。几个名字看起来相近,不代表密钥和权益能够任意互用。
尤其要区分按量 API 与编程订阅。前者通常依据使用量计费,后者可能包含速率、时间窗口、模型范围和客户端限制。月费固定也不表示调用无限,更不表示同名模型在所有入口的权益一致。

5.3 成本要结合完整任务计算
便宜的单次调用如果需要更多轮纠错,最终可能并不便宜;响应稍慢但一次定位正确,也可能减少总耗时。上下文长度、重复发送的文件、工具输出和失败重试,都可能影响实际成本。
可以建立一个简单记录表:任务名称、总用时、人工介入次数、最终通过情况、实际消耗。先观察自己的轻量使用,再决定是否需要升级额度,通常比凭宣传数字做决定更可靠。
本文不固定套餐价格、免费模型名称或优惠额度。它们容易变化,购买前应对照当前官方页面确认计费规则、可用地区、支持工具和取消方式。下一篇会以 MiniMax 为接入示例,重点讲清配置与排查思路。
六、把想法变成可验收的提示词
6.1 一句话为什么容易产生偏差
“做一个贪吃蛇”省略了很多选择:在哪个系统运行?终端还是图形窗口?用什么语言?怎样输入方向?是否允许第三方库?退出后终端要不要恢复?
对于熟悉的游戏,模型往往能补出一个版本,但这个版本只是众多可能之一。你没有表达的约束,不应期待模型每次都刚好猜中。
好的提示词不是越长越好,而是把影响实现的关键选择说清楚。无关背景太多,反而会分散注意力。
6.2 一个可以复用的六项结构

目标:用 C11 写一个终端版贪吃蛇,作为输入和游戏循环练习。
环境:Ubuntu 24.04,GCC,交互式终端。
范围:移动、食物、增长、得分、碰撞结束、主动退出。
约束:使用 ncurses;不加入联网、账号或存档功能。
交付:源码、构建命令、操作说明、已知限制。
验收:启动不立即结束;食物不在蛇身;退出恢复终端。
先列方案与文件清单,再开始实现。
这段要求没有规定每个变量名,却限定了技术边界和完成条件。实现仍有空间,验收则有依据。下一篇会继续把这些条件展开成可执行的检查。
6.3 区分必须满足与可选优化
如果同时要求界面漂亮、代码极短、跨平台、零依赖、功能完整,工具可能在互相冲突的目标间摇摆。应先明确优先级:本次必须能在指定终端运行;颜色和动画可以后续增加;跨平台作为独立任务处理。
需求冲突时,让 AI 先指出冲突并给出取舍,比要求它“全部做到最好”更有效。比如零依赖和可靠的跨终端输入处理之间存在成本,应当显式决定采用什么路线。
七、建立一次可靠的开发闭环
7.1 每轮只解决一个可以观察的问题
第一轮确认方案,第二轮完成最小实现,第三轮检查正常路径,第四轮处理边界。不要把十个不相关功能塞进同一轮,最后只能凭印象判断哪些已经完成。
遇到缺陷时也一样。说“有 bug,改好”提供的信息太少。更有效的反馈包含操作步骤、实际结果、预期结果、运行环境和相关输出。例如:“启动后不按键,第一帧就结束;预期至少持续移动;请检查初始蛇身、初始方向和首次碰撞计算。”

7.2 阅读差异,限制修改范围
一个输入处理问题,本来只需修改输入模块;如果 AI 同时重写了地图、计分和构建文件,就需要停下来检查必要性。改动越大,越难确认原有功能是否保留。
可以在提示词中要求先说明修改点,并优先做能够解决问题的最小改动。修复后既检查原来的失败步骤,也检查相邻行为,防止解决一个问题又引入另一个问题。
7.3 把完成条件写在开始之前
先写验收条件,会改变你提需求的方式。若要求“程序退出后终端恢复正常”,实现时就会考虑终端状态清理;若要求“空文件也能正常加载”,实现时就会考虑输入边界。
这也是 AI 编程中非常值得保留的习惯:用可以运行或观察的证据代替“看起来差不多”。演示、编译、测试和代码审查分别回答不同问题,不能互相替代。
八、常见误区与自测
| 容易产生的判断 | 更可靠的检查方式 |
|---|---|
| 输出很多代码,任务应该完成了 | 按验收条件逐项检查 |
| 能运行,说明实现完全正确 | 补查边界、异常和资源清理 |
| 换成更强的模型,问题自然消失 | 先检查需求、上下文和环境 |
| 对话越长,模型越了解项目 | 保留关键材料,及时整理任务状态 |
| AI 说测试通过,就可以交付 | 查看真实命令、输出与检查范围 |
试着回答三个问题:模型为什么不能天然访问本地文件?终端入口为什么不能被视为隔离环境?一句“提升性能”还缺少哪些验收信息?
可以这样理解答案:文件与命令需要工具连接;目录只是工作起点,实际访问仍受权限与系统环境影响;性能目标需要数据规模、负载、指标和正确性边界。能解释这些问题,就已经具备开始实践的基本判断。
学习 AI 编程,不必从记住大量产品名称开始。先选一个小任务,把目标写清楚,把修改看明白,把结果验收完整。下一篇就沿着这个方法,用 OpenCode 完成终端贪吃蛇的第一轮开发。
转载自 CSDN-专业IT技术社区
原文链接:https://blog.csdn.net/weixin_64304261/article/details/170769799




