Vibe Coding架构解析：大模型时代的意图识别编程与工程化约束！

Web Coding 這個概念由特斯拉前 AI 總監 Andrej Karpathy 提出，本質上是一種全新的開發習慣。傳統開發模式中，開發者需要同時承擔「設計師」和「泥瓦匠」兩個角色——既要想邏輯，又要扣語法細節、API 調用。而在 Web Coding 模式下，這個分工被徹底改變：開發者只需扮演「總指揮」或「產品經理」的角色，用自然語言表達意圖，剩下的所有體力活都交給 AI 執行架構完成。

Web Coding 的發展經歷了三個明確的階段。第一階段是「複製粘貼時代」，大約一兩年前，開發者在聊天框中問 ChatGPT 或 Claude，它吐出代碼後需要手動複製粘貼到本地編輯器，如果出錯還要複製錯誤信息回傳。此時 AI 與本地環境完全隔離。第二階段進入「智能體時代」，Cursor、Claude Code 等工具可以直接運行在本地電腦上，能讀寫項目文件、自動運行和修錯，減少了手動複製粘貼的頻率。但 AI 仍然缺乏大局觀，經常在細節上單兵作戰。第三階段才是真正的「工作流時代」，這就是 Web Coding 的核心——引入框架和約束，通過標準化的工作流規範 AI 行為，確保在多輪修改中代碼不會損壞、不會遺漏需求。

完整的 Web Coding 架構由三個層級組成，可以類比為一個團隊的分工。最底層是「認知層」，由各類大模型組成——Claude 3.5 Sonnet 這種代碼專精模型、GPT-4O 這種全能通用模型，以及 DeepSeek、Qwen 這種高效率本地模型。他們負責提供核心的推理和代碼生成能力。中間層是「執行層」，由本地運行的 Agent 工具（如 Cursor、Claude Code）組成，他們接收大腦的指令，真正操作本地計算機——讀取項目結構、寫入文件、運行測試。最關鍵的是第三層「編排層」，由工作流框架（如 OpenSpace、SuperPowers）提供，他們定義開發流程和行為約束，規定 AI 必須先幹什麼再幹什麼，像項目經理一樣維護工程秩序。

大模型在雲端服務器上，代碼在本地硬盤里，這種物理隔離帶來了協作難題。大模型本質是運行在沙盒中的文本生成引擎，它看不見也摸不著本地電腦。解決方案是通過「方法調用」（Tool Calling）技術實現橋梁。當大模型想修改本地文件時，不會直接操作，而是通過 API 把指令發送給本地 Agent。本地 Agent 因為直接運行在電腦上，擁有文件系統的全線操作權限，會執行具體的 I/O 操作。如果代碼運行出錯，Agent 會把錯誤信息回傳給大模型，大模型再做下一輪推理。這就像雲端的大腦通過無線電遙控本地的機器人幹活，物理隔離因此被打破。

但放任 AI 自由發揮會導致三個致命痛點。第一是「修小錯引發大患」，AI 為修復一個小 bug 經常大範圍改代碼，反而引入更多隱蔽缺陷。第二是「需求偏差」，自然語言溝通容易模糊，AI 經常根據自己的腦補做錯誤假設。第三是「上下文退化」，多輪對話後大模型因注意力限制而遺忘最初的核心規範。為了對付這些問題，編排層引入了兩種主流工作流：一是 SDD（軟體設計文檔）驅動，代表框架是 OpenSpace，核心理念是「規範先行，先討論後定稿再編碼」，通過狀態機控制（Explorer → Propose → Implemented）把需求澄清固定下來。二是 TDD（測試驅動開發）驅動，代表框架是 SuperPowers，核心理念是「測試先行」，AI 必須先寫測試，業務代碼只能寫剛好通過測試的最小實現，然後在測試綠燈後才能重構優化。

此外，編排層還採用了「EPA 模式」（讀寫隔離）：Explore 階段 AI 只讀，去檢索文件結構；Plan 階段仍然只讀，制定方案和寫設計文檔；Execute 階段才給予寫權限。同時使用分層記憶機制防止上下文污染：常駐記憶（memory.md，不超過 200 行）記錄核心規範和必須牢記的約束；懶載記憶存放用戶手冊、架構文檔等，按需加載；檢索記憶保存完整對話歷史，只在需要查證歷史決策時通過搜索引擎定向檢索。