KeyFrame內部研究專用

聊聊最近Vibe Coding的感受

Best Partners TV中文
觀看原始影片

三句話摘要

講者分享10天集中使用AI輔助編程的親身體驗與工程實踐成果。 --- # AI編程已從科技展望變成實用生產力工具,擁有軟件工程背景的開發者將因能精確指導AI而獲得十倍以上的效率提升,這將成為未來軟體開發的新常態。 AI編程能力已達實用級別

重點整理

  1. AI編程能力已達實用級別

  2. AI Coding能力從去年相對不可用,演進到現在強大可靠。講者一人配合AI可完成傳統需要10人團隊3-4個月才能交付的業務系統,包含用戶管理、訂單同步、OCR解析、退款發貨等全套功能,且隨時可修改需求。

  3. 技術背景決定效率天差地別

  4. 同樣工具在不同人手中效率差距巨大。有10多年軟件工程經驗的講者能精確描述需求、預見架構問題、指導AI優化,工作時間縮到3-7天;缺乏背景的新手即使使用同工具,可能需要3週甚至一個月,且效果不如。

  5. 提示詞工程是迭代過程,非一次成型

  6. 成功的AI編程並非簡單輸入需求就完成。關鍵是設定清晰目標、讓AI出方案、人工review篩選不必要功能、不斷迭代優化細節。例如第二天發現框架不合適就完全重寫,第三天發現設計有問題就重構架構。

  7. AI編程成本高但投入產出比遠優於傳統招人

  8. Tree高級會員月費1300元無限使用,相比國內招一位程序員月薪數萬元,投入成本只有零頭,卻提供全天候24小時工作效率,且無情緒、管理、溝通成本。

  9. --

  10. #

實用技巧與重點

  • 工具與成本
  • 使用工具:Tree(較小眾AI編程工具)、Cursor、豆包
  • Tree會員:1300+元/月(無限額度);99元/月版本(日限100次,幾小時用完);中轉站額度(快速消耗)
  • 對標:GPT石刀最便宜方案,用不到2小時就用完
  • 具體交付物
  • 業務系統:從提需求到第一版3小時(Python+Reflex框架)→次日完全重寫成Node.js+Next.js框架→第三天上午完成架構重構→第三天下午上線
  • 爬蟲程序:13家店鋪1萬多條記錄(含商品詳情頁分類等細節資訊);性能優化10倍,幾小時可完成全量爬取
  • ERP SDK:600多個接口,一下午完成;涵蓋官方開放接口+自實現的通過登錄邏輯的非開放接口
  • 雙色球預測程序:整合時序、機器學習、回歸等多種演算法
  • 開發流程
  • 本地開發完成 → 提交Git → 自動化部署至Vercel/Netlify等服務 → 無需額外操作直接上線
  • 代碼質量關注優先級
  • 第一級:關鍵性能點(大數據查詢、複雜計算)、安全加密、核心業務邏輯
  • 第二級:單元測試、集成測試、端到端測試補充
  • 不重要:代碼行數多少、變數命名風格、細節美觀度
  • 提示詞策略
  • 先出高層設計方案,人工review後再開發(避免過度膨脹功能)
  • 指定具體目標讓AI自主優化(例如「把爬蟲時間控制在10秒內」)
  • 多角度評審:讓AI既寫程序、又寫測試、又做安全審查、又檢查性能瓶頸
  • --
  • #

結論

AI編程已從科技展望變成實用生產力工具,擁有軟件工程背景的開發者將因能精確指導AI而獲得十倍以上的效率提升,這將成為未來軟體開發的新常態。

完整解析

講者在過去10天裡進行了一場深度的AI編程實驗。起點是公司業務部門的痛點——員工需要在多個系統間手工複製貼上、核對數據、填表發貨,日常工作耗時耗力。講者決定利用新興的AI編程工具,將整套流程系統化上線,這個決策引發了一系列令人矚目的後續發展。

時間壓縮到極致的第一個例子是:當天晚上7點收到需求,晚上10點第一版原型就完成了。他用Python和Reflex框架快速實現,但發現框架在AI修改時不夠順暢。第二天早上,他一句話讓AI在原有代碼基礎上完全重寫成Node.js + Next.js框架,結果AI不僅理解了之前討論的所有需求邏輯,還自動清理了Python的遺留代碼,整個重構在同一天完成。第三天上午進行架構重構,下午上線。後續幾天源源不斷的功能需求疊加上去,整個系統就在迭代中逐漸完善。

同時發生的還有其他三個項目。他為朋友開發了電商爬蟲程序,爬取13家店鋪超1萬條記錄,不僅是列表頁還包含每個商品的詳情頁分類等深度資訊。爬蟲最初性能較慢,他用AI優化了幾輪,最終性能提升10倍,全量數據幾小時即可完成。他還為另一家公司開發ERP SDK,涵蓋600多個接口——既有廠商官方開放的接口,也有他通過分析瀏覽器請求、讓AI實現的非官方接口(繞過廠商API限制)。最後還寫了一個雙色球預測程序,整合了時序分析、機器學習、回歸等多種演算法。整個過程中,他還在做自媒體內容創作、錄製視頻、編寫文案。

講者用的主要工具是樹(Tree),一個較小眾的AI編程平台。他購買了最高級會員套餐,月費約1300元,提供無限Token額度。儘管如此,他仍因消耗過快而試驗過OpenAI的平價套餐(兩小時用完)和中轉站方案(幾小時消耗),最後還是決定用Tree的無限額度最划算。這反映出AI編程任務對算力的海量饑渴。

貫穿整個過程最重要的洞察是:AI編程效率取決於使用者的技術背景與架構思維。講者發現,擁有10多年軟件開發經驗的自己能夠清晰描述需求、預見系統瓶頸、精確指導AI調整,效率遠超預期;而公司內缺乏編程背景的員工即使用同樣工具,效率相差數十倍。最有意思的是,新手看到AI返回的設計方案時,往往因為缺乏軟件工程知識而無法判斷是否合理;有經驗的開發者則能立刻看出過度設計的地方,提出簡化方案,讓AI重新迭代。

整個流程也不是一次提示成型,而是設定目標→出方案→人工review→篩選功能→迭代優化的循環。例如爬蟲開發時,講者會先讓AI出整體方案,發現複雜後要求簡化,AI再出簡化方案;又如開發業務系統時,AI會提議使用阿里云KMS密鑰管理服務,講者認為過度複雜就要求改成本地加密,AI再迭代出更簡潔的方案。這種人機協作模式看似互動頻繁,但總耗時遠低於傳統純人工開發。

---

#

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。