Vibe Coding 实战问答：从 Token 成本到线上 Bug 的避坑指南

Vibe Coding 与 AI 辅助编程 · 问答整理

主题：AI 辅助编程的定位认知、Token 成本控制、线上问题处理与实战经验。

Vibe Coding 与常规 AI 辅助编程的核心差异，在于人对代码的参与程度与责任归属：

一句话概括：Vibe Coding 是"只管氛围、不管代码"，AI 辅助编程是"AI 写、人审、人负责"。

AI 很强，但它需要精确的问题定义。我的优势在于：

把模糊需求拆解成技术规格。 边界条件、异常处理、业务规则，这些 AI 不会主动问你，但不说清楚代码一定写不对。
上下文构建能力。 同样用 Claude Code，不同人产出质量差很多，差别就在上下文构建——我给 AI 的 Prompt 包含完整的业务规则、相关代码片段和边界条件，而不是一句话就让它写。AI 的上限是由你的输入质量决定的。
业务语义验证。 AI 生成的代码我会重点验证业务语义，不是看能不能跑通，而是看行为是否符合业务意图。比如退款接口，我会验证退款金额、退款对象、幂等性，这些是测试覆盖不到的，必须人工理解。
选型决策权。 AI 能帮我分析方案，但最终的选型决策是我做的。因为决策要考虑的不只是技术因素，还有团队现状、业务阶段、历史教训——这些 AI 不知道，也不应该由 AI 决定。
成本控制能力。 知道什么时候用大模型、什么时候用小模型；知道怎么组织上下文才省 Token；知道怎么写 Prompt 才能减少来回次数；知道哪些任务让 AI 做更贵、自己做更便宜。

做模型路由策略。 简单补全用小模型，复杂任务才用大模型。70% 的日常编码任务其实不需要最强模型，这样整体 Token 成本能降 60% 以上。
主动管理上下文。 只给 AI 相关的代码片段，而不是整个项目。修改用户模块就只给用户模块的代码和它依赖的接口定义。这样 Token 消耗能降 3–5 倍，而且 AI 生成质量反而更好——因为无关信息少了，模型不容易被干扰。
写好 Prompt：

维护一套代码模板。 AI 只需要根据具体需求填充差异部分，而不是每次从零生成。配合 Prompt Caching，相似任务的 Token 消耗能降低 50% 以上。

三步走：先止血，再定因，最后补流程。

止血。 回滚或降级，先让线上恢复。不管是不是 AI 写的代码，处理方式一样。
定因。 看监控确认影响范围，看日志追踪调用链路，定位到具体的问题代码。如果是 AI 生成的代码，还要想清楚审查的时候为什么没拦住——是安全没审到，还是边界条件没覆盖，还是业务语义理解有偏差。
补流程。 补充测试用例、加强审查重点，甚至调整哪些场景允许 AI 生成。一个 bug 不可怕，同类 bug 再出一次才可怕。

我刚开始用 Vibe Coding 时，发现最大的问题不是 AI 写不出来，而是恢复点不足。AI 一次改太多文件，如果没有 Git 小步提交，后面出问题很难回退。所以我现在会按模块拆任务，每个功能一个闭环：先让 AI 出计划，再限制改动范围，改完看 diff、验证、提交。

另一个坑是数据和代码的边界。小项目很容易把 SQLite、上传文件、配置文件放在项目目录，部署覆盖时可能误伤真实数据。所以我会把代码目录和数据目录隔离，仓库只放配置模板，真实数据库和上传文件单独存储。涉及数据库操作时，先备份，只让 AI 生成脚本，不直接执行生产动作。

还有一点：本地方案不能直接等价于线上方案。线上路径、运行用户、配置来源、数据库实例都可能不同，所以部署前我会先列出本地和线上环境差异，再让 AI 基于差异生成方案。

最后一个经验是文档先行。我现在开发新功能前，会先让 AI 生成技术文档，包括流程设计、表结构、接口定义、异常处理。我先审查文档，确认没问题再让 AI 写代码。功能完成后再让 AI 更新文档，记录实际实现。这样切换 AI 工具时，新工具直接读文档就能接手，不用每次都重新理解项目。

Decoder-Only 模型的生成本质是"续写"——接着你最后一个 Token 往下写。末尾的指令直接决定了续写的方向。开头的内容通过注意力影响整个生成过程，但末尾的指令距离生成位置最近，注意力权重天然更高。所以 System Prompt 放开头定基调，关键指令放结尾定方向，上下文放中间。

《Vibe Coding 实战问答：从 Token 成本到线上 Bug 的避坑指南》是转载文章，点击查看原文。