帖子标题 vibe coding 的坑还是不少

帖子ID

484916

============================================================================== [旧摘要 - 已被纳入的内容] ============================================================================== AI 辅助编码在处理通用场景时效率极高，但处理边缘情况（corner case）仍需人工介入，引发关于程序员未来角色和 AI 局限性的讨论。新回复进一步强调了“context engineering”的重要性，以及在实际开发中，即使是 AI 生成的代码，也需要人类进行 debug 来发现和修复 corner case。同时，对于 AI 记忆系统复杂性的讨论也浮现。

1. 关键信息

• （之前已归纳）用户 IRS_pro 分享，近期 95% 的代码由 AI 生成，虽然提交时感觉爽，但常出现 corner case 处理不清导致 bug。
• （之前已归纳）AI 生成的代码 debug 困难，因功能复杂、代码量大，用户不得不手动 refactor 理解和 debug。
• （之前已归纳）用户 deepbluenight 认为，项目需求不明确、用户偏好不确定等情况，AI 难以解决。
• （之前已归纳）用户 IRS_pro 认为，AI 时代沟通能力（communication skill）将变得更重要。
• （之前已归纳）用户 deepbluenight 调侃，未来可转行做 PM，负责沟通和项目描述，然后交给 AI 编码。
• （之前已归纳）用户 DeusX 认为，AI 是效率提升工具，但目前还不是好的替代品。
• （之前已归纳）用户 IRS_pro 进一步指出，AI 在处理 general case 非常强，但在 corner case 方面仍需要人工进行“dirty work”。
• （之前已归纳）用户 0xEthan 提问，为何 AI 目前无法处理 corner case，是技术限制还是意愿问题。
• （之前已归纳）用户 bill 提问，为何不直接将发现的 corner case 告知 AI，而非自行 debug。
• （之前已归纳）用户争取多活两年 表示，实际编程中 corner case 确实耗费大量时间，且有经验的程序员通常知道 bug 大致位置，会将其交给他人处理。
• （之前已归纳）用户 IRS_pro 回应 bill，强调 debug 是发现 corner case 的必要过程。
• （之前已归纳）用户 msg7086 提出，如果人类写代码也会有类似问题，并建议让 AI 自己找它生成的代码中的 corner case，因为 AI 应该更熟悉自己的代码。
• （之前已归纳）用户 IRS_pro 回应 msg7086，指出自己写的代码能快速找到问题，但 AI 生成的代码则难以快速定位。
• （之前已归纳）用户 ctest 引用 msg7086 的观点，认为 corner case 应尽量由 test suite 覆盖，但指出项目规模越大，test suite 覆盖越难，尤其当逻辑复杂、数据穿越多层影响模块时，可能需要海量数据（TB 甚至 PB 级别）才能测试完。
• （之前已归纳）ctest 提到，当前 AI 的上下文窗口太小是限制因素，未来拥有更大上下文窗口（如 1P）的 AI 可能会有所改善。
• （之前已归纳）ctest 认为，对于复杂逻辑，AI 可能需要比人类构建的测试数据量大 100 倍以上才能完全覆盖。
• （之前已归纳）用户 px39n 提出 "context engineering" 也是一门技术，暗示在与 AI 协作时，如何有效地引导和“工程化” AI 的上下文输入，是提升其处理复杂场景和 corner case 能力的关键。
• （之前已归纳）回复 IlllIIlIIIllIIl 引用 msg7086 的观点，指出学生提交 PR 后通常不会亲自 debug，而是完善测试框架，通过测试驱动修复代码。
• （之前已归纳）IlllIIlIIIllIIl 进一步强调，如果能预知 corner case 如何测试，就不会出现生产问题，而问题往往出在意想不到且未被测试覆盖的地方。
• （之前已归纳）回复 marche 提出，“context engineering”的差距在不同公司、团队和个人之间已经拉开很大，这导致即使谈论相同的“vibe coding”或“agentic coding”，也可能存在沟通上的隔阂。
• （之前已归纳）用户 px39n 建议直接与 Cursor/Any Agent 互动，询问关于 context engineering 的前沿思路，并认为直接使用 Agent 学习比看教程更快。
• （之前已归纳）px39n 预测，AI 的回答最终会收敛到 Skill + .Agent/Agent–>Spec–>Plan + memory 的架构。
• （之前已归纳）用户 nnnnennnn 补充，可以使用 "deep research" 等功能深入挖掘，并让 AI 自我测试（self-benchmark）。
• （之前已归纳）用户 收束观测者 认为，AI 的 memory 系统是当前最复杂的部分，甚至比其他部分加起来都复杂，并表示与 Gemini 讨论多次仍未找到满意的整体方案，目前采用 local memory mcp 结合 skill 半自动的方式。
• （之前已归纳）收束观测者 反思自己可能思路不够 agile，倾向于瀑布式，并认为应该先用 skill + md 存档，再不断迭代。
• （之前已归纳）用户 争取多活两年 引用 Claude Code 作者的观点，认为当前的 agentic engineering 都是“半衰期一个月的奇技淫巧”。
• 新增：用户 收束观测者 认为，prompt engineering 应该先被淘汰，然后才能谈论其他 AI 吹嘘的功能。

2. 羊毛/优惠信息

• 无

3. 最新动态

• 无

4. 争议或不同意见

• （之前已归纳）无明显争议，主要围绕 AI 辅助编码的优缺点及对未来工作的影响展开讨论。
• （之前已归纳）关于 AI 目前处理 corner case 的能力，存在技术限制还是意愿问题的疑问（0xEthan 的提问）。
• （之前已归纳）关于发现 corner case 后是否应直接告知 AI 的讨论（bill 的提问与 IRS_pro 的回应）。
• （之前已归纳）关于 AI 是否能比人类程序员更有效地 debug 自己生成的代码，以及人类程序员 debug AI 代码的难度。
• （之前已归纳）关于 test suite 覆盖 corner case 的可行性与挑战，以及 AI 上下文窗口大小对 corner case 处理能力的影响。
• （之前已归纳）关于 AI 生成代码的 debug 方式，以及是否应由 AI 自行发现 corner case 的观点存在不同（IlllIIlIIIllIIl 的观点与 msg7086 的观点对比）。
• （之前已归纳）关于如何学习和掌握 "context engineering" 的方法存在不同观点，px39n 提倡直接与 Agent 互动，而旧摘要中的讨论则更侧重于理解其概念和重要性。
• （之前已归纳）关于 AI 记忆系统的复杂性和实现方案存在不同看法和挑战，收束观测者认为其比其他系统更复杂，并仍在探索中。
• （之前已归纳）关于 agentic engineering 的时效性存在不同看法，争取多活两年引用 Claude Code 作者的观点，认为其是“半衰期一个月的奇技淫巧”，暗示其可能很快过时。
• 新增：用户 收束观测者 认为 prompt engineering 是一个被夸大的概念，应该被淘汰。

5. 行动建议

• （之前已归纳）关注 AI 在处理 corner case 方面的能力提升。
• （之前已归纳）提升沟通和需求梳理能力，以适应 AI 辅助开发的新模式。
• （之前已归纳）认识到 AI 目前是效率工具，而非完全替代品。
• （之前已归纳）在 AI 辅助开发中，需要明确 AI 的能力边界，并为处理其尚不能胜任的边缘情况预留人力。
• （之前已归纳）在 AI 辅助开发过程中，需要通过 debug 来主动发现和定位 corner case，并据此优化 AI 的输入或进行手动干预。
• （之前已归纳）程序员在面对 AI 生成代码的 corner case 时，需要认识到 debug 的必要性，即使是 AI 生成的代码也可能需要人工介入来理解和修复。
• （之前已归纳）在项目规模较大、逻辑复杂的情况下，应认识到 test suite 覆盖 corner case 的巨大挑战，并关注 AI 技术（如更大的上下文窗口）在解决此类问题上的进展。
• （之前已归纳）认识到“context engineering”作为一门技术的重要性，并探索如何通过优化输入来提升 AI 处理复杂场景和 corner case 的能力。
• （之前已归纳）建议直接通过与 AI Agent（如 Cursor/Any Agent）互动来学习和实践 context engineering，认为这种方式比传统教程更高效。
• （之前已归纳）建议利用 AI Agent 的 "deep research" 和自我测试（self-benchmark）功能来深入理解和验证 AI 的能力。
• （之前已归纳）了解 AI Agent 的潜在架构，如 Skill + .Agent/Agent–>Spec–>Plan + memory。
• （之前已归纳）对于 AI 记忆系统的复杂性，建议采取更 agile 的迭代方式，先用 skill + md 存档，再不断优化。
• （之前已归纳）对 agentic engineering 的快速迭代和潜在过时性保持警惕，认识到其“奇技淫巧”的属性。
• 新增：对 prompt engineering 的过度宣传持怀疑态度，认为其应被视为一个可被淘汰的技术。