Vibe Coding Cn

Vibe Coding 指南 Skill

通过与 AI 结对编程，将想法变为现实的终极工作站

本 Skill 提供完整的 Vibe Coding 方法论、工作流程和实战指南。

目录

1. 触发条件
2. 核心约束
3. 快速参考
4. 完整工作流
5. 实战示例
6. 参考资料

触发条件

当以下情况触发时使用此 Skill：

不适用的场景

• ❌ 纯理论研究，不涉及实际代码产出
• ❌ 需要完全手写每一行代码的场景
• ❌ 不允许使用 AI 辅助的传统开发流程

核心约束

📌 血的教训（首要原则）

10 分开发，7 分找资料。

开发之前一定一定一定要先找全部需要的资料和 AI 充分讨论对齐。

时刻谨记探问维度：是什么？为什么？怎么做？是最合适/优秀的方案吗？

🚫 通用开发约束（34 条核心）

架构原则

代码质量

错误处理

状态与并发

开发流程

🔗 胶水开发约束（23 条核心）

复用优先

依赖完整性

运行期验证

职责边界

评价标准：

项目评价以"是否正确、完整站在成熟系统之上构建"为唯一依据，而非代码量

快速参考

核心哲学

一：安装一个 AI CLI，获得与 AI 对话的能力
二：AI 能读写一切文件，你不再需要手动编辑
三：AI 能配置一切环境，安装依赖、部署项目
万物：AI 生成代码、文档、测试、脚本——一切皆可生成

快速开始（1 分钟）

复制以下提示词到 Claude 或 ChatGPT：

你是一个专业的 AI 编程助手。我想用 Vibe Coding 的方式开发一个项目。

请先问我：
1. 你想做什么项目？（一句话描述）
2. 你熟悉什么编程语言？（不熟悉也没关系）
3. 你的操作系统是什么？

然后帮我：
1. 推荐最简单的技术栈
2. 生成项目结构
3. 一步步指导我完成开发

要求：每完成一步问我是否成功，再继续下一步。

胶水编程（Glue Coding）

能抄不写，能连不造，能复用不原创。

标准流程：

1. 明确需求 → "我要实现 XXX 功能"
2. 寻找轮子 → AI 搜索、评估、推荐成熟库
3. 理解接口 → 阅读官方文档，AI 总结输入/输出
4. 描述连接 → "A 的输出要变成 B 的输入"
5. 验证运行 → 跑通完成，报错继续粘

Canvas 白板驱动开发

图形是第一公民，代码是白板的序列化形式

传统开发：代码 → 口头沟通 → 脑补架构 → 代码失控
Canvas 方式：代码 ⇄ 白板 ⇄ AI ⇄ 人类（白板为单一真相源）

AI 架构总师核心原则：

• 洞察力优先于信息量：揭示设计哲学而非罗列文件
• 认知负荷最小化：符合人类认知习惯
• 动态粒度光谱：自动选择文件级/类级/服务级

五阶段执行流程：

1. 全局项目感知与多维特征提取
2. 自适应抽象粒度决策引擎
3. 组件语义分析与关系定性
4. 启发式布局与信息可视化
5. 输出生成与质量优化

AI 蜂群协作（tmux 多 Agent 系统）

把多个 AI 变成"可互相感知与协作的集群"，人从瓶颈变为调度者

传统模式：人 ←→ AI₁, 人 ←→ AI₂, 人 ←→ AI₃ (人是瓶颈)
蜂群模式：人 → AI₁ ←→ AI₂ ←→ AI₃ (AI 自主协作)

应用场景：

• 多个 AI 并行处理不同任务
• AI 之间互相审查代码
• 自动化巡检与测试

12 层语言要素（看懂 100% 代码）

自测题： 看到陌生代码时问自己

1. 我知道它的数据在哪吗？（L2/L10）
2. 我知道它什么时候执行吗？（L4/L9）
3. 我知道失败会发生什么吗？（L5/L11）
4. 我知道作者在防什么吗？（L12）

完整工作流

Vibe Coding 标准工作流（从零到上线）

第 1 步：游戏设计文档（GDD）
    ↓
第 2 步：技术栈与 Agent 规则
    ↓
第 3 步：实施计划
    ↓
第 4 步：记忆库（Memory Bank）
    ↓
第 5 步：增量式开发
    ↓
第 6 步：添加功能

第 1 步：游戏设计文档（GDD）

• 让 AI 生成 game-design-document.md
• 审阅并完善，确保与愿景一致

第 2 步：技术栈与 Agent 规则

• 让 AI 推荐最简单的技术栈 → tech-stack.md
• 使用 /init 生成 Agent 规则（AGENTS.md）
• 关键： 必须审查规则，强调模块化，禁止单体巨文件

第 3 步：实施计划

• 提供 GDD + 技术栈给 AI
• 生成详细的 implementation-plan.md
• 每一步要小而具体，包含验证测试

第 4 步：记忆库（Memory Bank）

• 创建 memory-bank/ 目录
• 放入：GDD、技术栈、实施计划、progress.md、architecture.md

第 5 步：增量式开发

提示词模板：

阅读 memory-bank 所有文档，然后执行实施计划的第 X 步。
我会负责跑测试。在我验证测试通过前，不要开始下一步。
验证通过后，更新 progress.md 和 architecture.md

第 6 步：添加功能

• 每个新功能创建 feature-xxx.md
• 写短步骤 + 测试，增量式实现

实战示例

示例 1：新手从零开始

输入： "我想做一个 Telegram 机器人，分析加密货币行情后推送给用户"

步骤：

1. 使用"快速开始"提示词启动 AI 对话
2. AI 会推荐技术栈（如 Python + python-telegram-bot + ccxt）
3. AI 生成项目结构
4. 按 AI 指导一步步实现，每步验证后继续

示例 2：使用胶水编程

需求： 把 Polymarket 数据推送到 Telegram

胶水方案：

轮子 1: polymarket-py（官方 SDK）
轮子 2: pandas（数据分析）
轮子 3: python-telegram-bot（消息推送）

提示词：

我需要用胶水编程实现以下功能：
1. 从 Polymarket API 获取市场数据
2. 用 pandas 分析趋势
3. 推送到 Telegram 群

请帮我：
1. 搜索每个环节的成熟开源库
2. 阅读官方文档总结接口用法
3. 生成胶水代码连接这三个组件

示例 3：Canvas 白板驱动

场景： 接手一个复杂的遗留项目

步骤：

1. 将项目代码路径提供给 AI
2. AI 生成架构分析，输出 .canvas 文件
3. 用 Obsidian 打开白板，理解模块依赖
4. 在白板上标注问题和改进点
5. AI 根据白板标注生成重构代码

示例 4：AI 蜂群协作

场景： 大规模代码重构

配置：

tmux 会话布局：
┌─────────────┬─────────────┐
│  AI-1       │  AI-2       │
│  代码分析   │  测试生成   │
├─────────────┼─────────────┤
│  AI-3       │  人类       │
│  代码重构   │  审核决策   │
└─────────────┴─────────────┘

操作流程：

1. AI-1 分析代码并输出报告到共享文件
2. AI-2 根据报告生成测试用例
3. AI-3 执行重构
4. 人类审核并决策

系统提示词构建原则（精要版）

核心身份与行为准则（15 条）

1. 严格遵守项目现有约定，优先分析周围代码和配置
2. 绝不假设库或框架可用，务必先验证项目内是否已使用
3. 模仿项目代码风格、结构、框架选择和架构模式
4. 彻底完成用户请求，包括合理的隐含后续操作
5. 未经用户确认，不执行超出明确范围的重大操作
6. 优先考虑技术准确性，而非迎合用户
7. 专注于解决问题，而不是过程
8. 通过 Git 历史理解代码演进
9. 不进行猜测或推测，仅回答基于事实的信息
10. 保持一致性，不轻易改变已设定的行为模式
11. 避免过度自信，在不确定时承认局限性
12. 尊重用户提供的任何上下文信息
13. 始终以专业和负责任的态度行事
14. 拒绝协助恶意安全任务（如凭证发现）
15. 确保所有用户输入都被正确地验证和清理

任务执行与工作流（精要）

1. 复杂任务必须使用 TODO 列表进行规划
2. 将复杂任务分解为小的、可验证的步骤
3. 一次只将一个任务标记为"进行中"
4. 优先探索（Read-only scan），而非立即行动
5. 尽可能并行化独立的信息收集操作
6. 遵循"理解 → 计划 → 执行 → 验证"的开发循环
7. 完成任务后，进行清理工作

沟通与互动（精要）

1. 采用专业、直接、简洁的语气
2. 使用 Markdown 格式化响应
3. 解释命令时，说明其目的和原因
4. 减少输出冗余，避免不必要的总结
5. 澄清问题时主动提问，而非猜测用户意图

常见坑与解决方案

参考资料

本地文档（references/ 目录）

外部资源

工具推荐

AI CLI 工具

IDE 与终端

辅助工具

维护

• 来源：tukuaiai/vibe-coding-cn 仓库核心方法论
• 最后更新：2026-03-23
• 已知限制：AI 模型能力持续演进，具体实践需结合最新工具特性调整