Ctrl K

AI PROGRAMMING / 2026

以工程化的思维
玩转 Vibe Coding

Vibe 负责启动创造力,工程化负责把它送到生产环境。我们不讨论“AI 会不会写代码”,而是讨论如何让 AI 在真实研发流程里持续交付。

适合听众产品 / 研发 / TL / AI 工程师
大概时长45 - 60 分钟
ENGINEERING
上下文
实现
验证
交付
00

真正的分水岭不是“会不会提示词”,而是能否把上下文、规则、工具、验证和反馈组合成稳定系统。

基础篇 / ORIGIN

Vibe Coding 的前世今生

从“猜下一行”到“承接一项研发任务”,AI 编程的变化,本质上是可用上下文和可执行动作越来越多。

智能补全

模型预测下一段代码,人仍然掌握完整流程。

对话生成

自然语言变成通用编程入口,但上下文仍靠复制粘贴。

AI 原生 IDE

代码库索引、Inline Edit、Composer 让 AI 进入编辑现场。

Agent 与工程化

读项目、改文件、跑命令、调工具、验证结果,人在回路中做判断。

Vibe Coding 到底是什么?

“Fully give in to the vibes, embrace exponentials, and forget that the code even exists.”

这个词最初强调一种低摩擦创作方式:用自然语言描述意图,快速试错,先让想法跑起来。

它适合探索,不天然等于可维护。原型可以靠感觉,生产交付必须补齐上下文、边界和验证。

为什么大家开始用? 不是突然不想写代码,而是发现大量时间本来就在复制代码、搜答案、记框架细节和重复排错。

AI 不会嫌你问题多,也不会在第三次复现失败后说“这不是我的锅”。但越是方便,越要把最终判断留给人。

危险误解不看代码 + 不做验证 + 一路 Accept
工程化版本自然语言驱动 + 约束明确 + 证据闭环

基础篇 / MODEL LANDSCAPE

模型公司怎么选:先看路线,再看榜单

模型榜单会快速变化,团队选择更应看工作形态、上下文接入、部署边界与生态适配。

层级公司最早发展时间产品与形态路线特征更适合
国际模型与平台
模型 / AgentGPT + Codex从模型到 App / CLI / IDE / Cloud 的工程 Agent跨文件任务、验证、Review、并行工作流
模型 / AgentClaude + Claude Code强调长上下文、终端代理与开发者可控性代码理解、复杂重构、终端工作流
模型 / AgentGemini CLI / Jules多模态与 Google 开发生态结合紧密多模态输入、Google Cloud / Android 生态
国际开发工具
代码助手 / 平台GitHub Copilot从 IDE 补全延伸到代码审查、CLI 与 GitHub 原生 Agent 工作流GitHub 生态、企业治理、代码协作与 PR 流程
AI 原生 IDECursor多模型 AI IDE,核心价值在交互、索引和编码体验贴着代码编辑、局部修改、快速反馈
国内模型厂商
模型 / APIDeepSeek 系列 + API / 开放权重推理与代码能力突出,兼顾 API 成本和本地部署代码生成、复杂推理、成本敏感与私有化场景
模型 / 云服务通义千问 / Qwen / 通义灵码开放模型生态完整,覆盖云服务、代码 Agent 与企业集成阿里云生态、中文开发、开源定制与企业落地
模型 / AgentGLM / ChatGLM / CodeGeeX强调中文理解、工具调用与全栈国产化部署能力中文企业应用、智能体开发、私有部署与国产化适配
模型 / 助手Kimi + Kimi API以长上下文和复杂任务处理见长,持续增强 Agent 能力长文档理解、资料分析、研究型任务与多轮协作
多模态模型MiniMax 模型 + 海螺 / API文本、语音、图像与视频能力并行发展的多模态路线多模态内容、语音交互、应用出海与产品化场景
模型 / 云服务豆包大模型 / 火山引擎模型、内容产品与云服务协同,强调低成本调用和应用分发内容业务、企业应用、火山引擎和高并发调用场景
模型 / 终端生态Xiaomi 大模型 / MiMo模型能力与手机、IoT、OS 和智能终端生态结合端云协同、智能设备、消费级 AI 与小米生态场景

DOMESTIC AGENT SCENE BOARD

模型之下,还有一层产品能力

把“能调用模型”做成“能交付结果”:这些国内产品分别从办公协作、系统操控、软件研发和 IDE 体验切入。

01先选工作形态

IDE 结对、终端 Agent,还是云端委派?

02再选模型组合

质量、速度、成本、数据边界如何平衡?

03最后做真实评测

用自己的仓库、任务和验收标准做对比。

基础篇 / POSSIBILITIES

AI 不只是聊天,它能完成一条工作流

从理解需求、生成图文音视频,到调用工具发布、统计和迭代,AI 正在成为内容与业务流程的执行者。

01理解目标

读取需求、素材与品牌规则

02生成内容

产出文字、图片、声音与视频

03调用工具

排版、发布、通知与数据回收

04人工把关

审核事实、版权、合规与效果

一台电脑,就是一支可编排的数字团队

WECHAT WORKFLOW自动完成选题研究、文章撰写、配图与公众号排版

连接素材库和公众号接口后,还能创建草稿、定时发布并回收阅读数据;正式发布前建议保留人工审核。

工具篇 / IDE COPILOT

Cursor:让 AI 留在编码现场

Cursor 的优势不是“能聊天”,而是当前文件、选区、诊断、Diff 与代码库索引都贴着编辑动作发生。

高频场景

  • 在当前组件里补逻辑、补类型、补样式
  • 围绕一段选区解释、重写或局部重构
  • 边看 Diff 边接受,保持开发者的即时控制
  • 快速问代码库,定位入口和调用关系
UserPanel.tsxapi.ts
const UserPanel = ({ userId }) => {
  // Cursor: 补充加载、空态和错误态
  const { data, loading, error } = useUser(userId)

  if (loading) return <Skeleton />
  if (error) return <RetryState />
  return <Profile data={data} />
}
+8 -1TypeScriptLn 42

工具篇 / CODING AGENT

Codex:把一句需求变成一项工程任务

Codex 适合承接目标明确、需要查找上下文、修改多个文件并验证结果的工作。

01目标与边界

说清问题、范围、禁止项和验收标准。

02收集上下文

读 AGENTS.md、代码、历史、文档和外部系统。

03修改与协同

跨文件实现,过程中可随时 Steer。

04验证与报告

运行检查、浏览器验证、说明风险和影响范围。

一个更像工程任务的 Prompt

task.md
目标:修复病例详情抽屉在窄屏下内容重叠的问题。
范围:只调整详情抽屉及其直属子组件,不改公共布局默认值。
上下文:先读取仓库 AGENTS.md,并追踪完整高度/overflow 链路。
验收:桌面与 1280px 宽度无重叠;深色模式正常;跑针对性 lint。
交付:说明根因、修改文件、验证结果和剩余风险。

工具篇 / TWO SPEEDS

Codex + Cursor:两种速度,一条链路

一个负责开发者正盯着的代码,一个负责需要完整闭环的任务。关键不是二选一,而是交接清晰。

CURSOR人主导的快速回路
局部构思
即时修改
边看边调
Git Diff / 任务说明 / 验收标准
CODEXAgent 主导的任务回路
跨库探索
批量实现
验证总结
Cursor
Codex
补一个函数
首选
可用
跨模块修 Bug
配合
首选
长时间迁移 / 批量修复
Review
首选
探索 UI 手感
首选
验证

进阶篇 / CODEX TOOLBOX

Codex 值得用起来的功能

从沙箱、权限和计划,到浏览器批注、云端运行与多层记忆,Codex 把工程边界、上下文和执行闭环放在一起。

Codex 工程 Agent 的十项核心功能与四层记忆结构
CODEX TOOLBOX / 07Codex 的优势,是把工程边界、上下文和执行闭环放在一起。

进阶篇 / MODEL CONTEXT PROTOCOL

MCP:让 AI 不止看本地代码

MCP 把“模型如何发现并调用外部工具”标准化。它解决的是连接问题,不替代业务权限、数据治理和结果验证。

HOSTCodex / IDE / Agent发起工具调用
tools / resources / prompts
MCP SERVER能力适配层鉴权、参数、返回结构
API / SDK / DB
SYSTEM OF RECORDFigma / YApi / Docs / Web真实研发数据
接来源,而不是复制粘贴

接口、设计稿和文档保持来自权威系统。

权限最小化

只开放任务需要的项目、工具和动作。

返回可验证证据

保留资源 ID、URL、版本和查询条件。

进阶篇 / MCP IN PRACTICE

四类 MCP,覆盖四种上下文缺口

不要因为“有 MCP”就接入。先问:当前研发任务缺的是设计、接口、文档,还是网页内容?

DESIGN

Figma MCP

读取设计节点、变量、组件和布局信息,把视觉稿转成结构化实现上下文。

解决:设计到代码的语义损耗
API CONTRACT

YApi MCP

查询接口定义、入参与出参,为 service、类型和联调提供真实契约。

解决:手抄接口与字段猜测
DOCS

Context7

按库与版本检索最新文档和代码示例,减少模型根据旧知识回答。

解决:依赖版本与文档时效
WEB DATA

Firecrawl

搜索、抓取、清洗、爬取与结构化网页内容,也可处理动态交互和变化监控。

解决:网页内容难稳定进入上下文
Codex 使用 YApi MCP 补充接口定义的真实结果
REAL CASE / YAPI MCPCodex 读取真实接口后补齐类型与请求路径,并明确说明验证结果和环境噪音。

进阶篇 / REUSABLE KNOW-HOW

Skill:把“我每次都要解释”变成“AI 每次都会做”

Skill 不是一段超长 Prompt,而是带触发条件、工作流、参考资料和可执行脚本的专业能力包。

my-skill/
SKILL.md触发条件 + 主流程
references/规范、API、案例
scripts/校验、生成、自动化
assets/模板、图片、样例

好的 Skill 有三层

  1. 触发准确

    描述“什么时候必须使用”,避免每个任务都加载。

  2. 渐进披露

    主文件只放路线,细节按任务需要读取。

  3. 能被验证

    尽量把检查固化成脚本、命令或清晰验收。

SlicePreview Skill 在真实任务中被读取并用于确认字段
REAL CASE / SLICE-PREVIEW SKILL先读取组件 Skill,再结合消费方类型确认字段,不靠印象猜复杂组件契约。
SkillShare 仓库中按目录维护 agents、pets 和多个 Skill 的示例
TEAM REPOSITORY / SKILLS一个仓库可以同时维护团队规则、可复用 Skill 和脚本。目录、SKILL.md、references 与 scripts 一起版本化,团队再按目标工具同步。

进阶篇 / DISTRIBUTION

SkillShare:从个人技能库到团队单一来源

当团队同时使用 Codex、Claude Code 等工具时,真正麻烦的是复制、版本漂移和“到底改哪一份”。用 SkillShare 初始化项目、安装团队仓库,再同步到本地工具目录。

SOURCE OF TRUTHskills / agents / rules / commands~/.config/skillshare/
skillshare sync
Codex~/.codex/skills
Claude Codeskills / commands
其他 CLI60+ targets

适合团队的管理方式

  • Git 仓库维护版本、Review 与发布记录
  • 个人与项目模式分开,避免全局污染
  • 同步前 audit,明确目标目录和冲突策略
团队 Skill 同步流程
curl -fsSL https://raw.githubusercontent.com/runkids/skillshare/main/install.sh | sh
skillshare init -p --discover
skillshare install https://git.ibingli.cn/front/skillshare.git
skillshare sync

团队仓库:git.ibingli.cn/front/skillshare.git · 项目资料:github.com/runkids/skillshare

高级篇 / ENGINEERING PROJECT

工程化项目:让规则、协作与系统边界一起工作

软件工程化手段是通过系统化、模块化和规范化的方式,提升软件开发、测试、部署和维护效率的实践方法。

01 / PROJECT SYSTEM 没有 AI 之前,工程化项目已经是一套协作系统
多人协作

不同角色共同交付

产品设计前端后端测试

需求、设计、实现和验收由不同角色接力,需要统一目标、分支策略和 Review 方式。

共同工程资产

规则与契约统一协作

项目规则目录、规范、权限与流程
前端 + 组件库复用组件、状态与交互约定
后端 + API 契约字段、错误码与权限边界
测试 + CI/CD自动检查、发布与回滚
多端与环境

系统通过接口协同

Web / AppAPI / ServiceDev / Test / Prod

每一端独立演进,又必须在接口、版本和发布节奏上保持兼容。

01.5 / ROLE HANDOFF

五个角色如何把一次需求推向上线

每一棒都有明确输入、产出和交接边界;测试反馈再回到需求判断,形成可持续迭代的闭环。

01产品

目标、范围、验收标准

PRD / 优先级
02设计

流程、界面、交互状态

原型 / 视觉稿
03前端

页面、状态、组件复用

界面 / 交互
04后端

数据、服务、权限边界

API / 数据契约
05测试

风险覆盖、验收与反馈

用例 / 质量证据

问题、数据与用户反馈回流到产品,重新校准下一轮目标与范围。

02 / AI INTEGRATION

AI 不是另起一套流程,而是进入现有工程系统

先让 AI 读懂项目规则、组件能力和接口契约,再让它参与计划、实现与验证;最终交付的不只是代码,还包括可 Review 的证据。

CONTEXT 先读懂项目

需求与设计 · AGENTS.md · 组件文档 · API 契约

AI COLLABORATOR 计划 → 实现 → 自检

按团队规则修改真实代码,并主动补齐影响范围。

DELIVERY 在门禁下交付

Diff · 测试结果 · 页面验证 · Review 说明

高级篇 / AGENT FOUNDATION

Agent 不能裸跑

可靠的 Agent 需要三层工程化底座:规则约束行为,Skill 沉淀经验,MCP 连接真实系统。

规则、Skill 与 MCP 共同支撑可靠 Agent 的三层工程化底座
AGENT FOUNDATION / 08规则约束行为,Skill 沉淀经验,MCP 连接系统。

高级篇 / PROJECT RULES

项目规则:让 AI 按团队方式工作

把项目说明、需求文档和技术规范送入上下文,让代码修改、运行验证和结果汇报遵循同一套团队约定。

项目规则如何进入 Agent 上下文并产出更容易 Review 的代码
PROJECT RULES / 09规则不是给 AI 增加负担,而是让它按团队方式交付。

高级篇 / AGENTS.MD PRACTICE

AGENTS.md:先写清规则,再拆出细则

主文件先覆盖项目目标、技术栈、运行命令、代码规范、修改约束和验收方式;复杂规则再按组件与流程拆进独立文档。

AGENTS.md 应覆盖的项目目标、技术栈、运行命令、代码规范、修改约束和验收方式
01 / MINIMUM SKELETON六类信息,构成 AI 理解项目规则和工作方式的最小骨架。
AGENTS.md 作为入口索引并链接 docs agent-rules 详细规则库
02 / RULE INDEX主文件像目录,细规则像知识库。

高级篇 / LOCAL CASE STUDY

lxs-workflow-memory:把反复磨合变成默认工作方式

它不是“记住所有聊天”,而是把多次真实协作里稳定出现的判断规则,提炼成可触发、可维护、可迭代的 Skill。

01捕捉重复反馈

例如“先追根因”“保留用户改动”“只跑聚焦验证”。

02按决策场景聚类

探索、实现、视觉 QA、Windows 失败恢复、Git 授权。

03写进 Skill

触发描述 + 主工作流 + 仓库专项 references。

04真实任务回测

发现规则太宽或太窄,再继续收敛。

FIRST PASS

先从记忆拿线索,再回到当前仓库验证

  • 非简单任务在编码前先读取当前记忆,搜索仓库名、功能名、文件路径、API 标识、权限码和 UI 标签。
  • 如果记忆指向实施总结,只读取最相关的 1-2 份,再深入探索仓库。
  • 使用记忆后仍要核对当前仓库;记忆是线索,不是文件、API、分支或权限码仍然有效的证明。
  • 保护脏工作区中的用户改动,绝不回退无关修改。

它解决的不是“不会写代码”,而是协作中的隐性摩擦

没有工作流记忆

每次重新解释偏好;容易局部打补丁;验证范围忽大忽小;提交与推送授权混淆。

有工作流记忆

先定位拥有层;复用真实契约;保护脏工作区;聚焦验证;提交与推送分别授权。

高级篇 / SDLC

让 AI 进入软件开发流程,而不是只进入编辑器

每个阶段都明确输入、AI 动作、人工判断和输出物,才会形成稳定的交付链路。

AI 需求开发系统分层图:从输入证据、规格设计、执行验证到经验沉淀
AI-ENABLED SDLC 这张图的重点不是 AI 自动写代码,而是每层都有证据、人工确认、验证产物,并把经验重新写回流程。

从软件开发周期看,人仍然在每个关键决策点

01需求

澄清问题、边界与验收标准

人:决定做什么
02设计

Figma MCP 读取组件与布局

人:判断体验
03计划

Codex 探索仓库与影响范围

人:审批路线
04实现

Cursor 局部共创,Codex 跨文件闭环

人:持续 Steer
05验证

测试、Lint、浏览器与契约检查

人:验收风险
06Review

AI 先查回归,人做最终责任判断

人:批准交付
需求文档AGENTS.md设计 / API 契约任务计划Diff + 验证报告

AI 的产物不只是一段代码

PRD角色、权限、字段、交互与里程碑
ARCH系统图、分层、目录与非功能指标
DATA / APIDDL、索引、错误码、Request / Response
DELIVERY容器编排、部署、备份与升级流程

高级篇 / ROLE SHIFT

AI 进入业务与研发周期后,各岗位怎么变化

AI 接管的是信息整理和重复执行;每个岗位都要向上移动一层,更多负责输入质量、约束设计、证据审核和最终判断。

岗位过去的工作重点AI 进入后的变化人的最终责任
产品 整理需求、补字段、反复同步背景 把业务目标转成可验证规格;让 AI 辅助场景补全、PRD 一致性检查和原型验证 决定优先级、业务取舍与验收标准
设计 逐页出稿、手工标注、反复解释样式 维护设计系统与结构化约束;通过 Figma MCP 让组件、变量和布局直接进入实现上下文 负责体验策略、视觉判断和边界状态
研发 查资料、写样板、逐行编码和手工排错 从代码执行者变成任务导演:组织上下文、拆解任务、约束 Agent、审查 Diff 和验证结果 负责架构、契约、复杂取舍与代码所有权
测试 手工编写用例、执行回归、重复记录问题 让 AI 生成用例、探索边界、执行视觉和接口审计;测试人员转向质量模型与风险覆盖 定义风险优先级并给出质量结论
TL / 架构 集中做方案、规范和代码 Review 设计 AI 工程系统:AGENTS.md、Skill、MCP、权限、评测和质量门禁 负责跨系统权衡、技术底线与团队标准
DevOps / SRE 维护脚本、环境、流水线和故障处理 让 AI 辅助构建、环境诊断和报告生成;重点转向平台护栏、可观测性和自动回滚 负责安全、权限、发布审批与生产稳定性
筛选客户线索,手工收集公开信息,准备通用产品资料与沟通话术 让 Agent 在授权范围内整理客户公开信息;读取公司的 Skill 资料库、产品资料与合规销售方案,生成可由销售补充判断的沟通提纲、需求假设和跟进建议 核验信息来源,判断客户匹配度、产品承诺、价格与沟通边界,并负责客户关系

先模仿、后跟随、再超越

先了解、后弄懂、再吃透

先积累、后沉淀、再质变

高级篇 / QUALITY GATES

把“感觉没问题”改成“证据表明可以交付”

门禁不是让 AI 变慢,而是把最贵的返工提前暴露。不同风险等级,需要不同的人机边界。

INPUT GATE输入完整

范围、验收、禁止项、真实契约

CHANGE GATE改动受控

最小影响、保持默认、保护用户改动

VERIFY GATE验证聚焦

类型、测试、页面、接口、回归

REVIEW GATE人工负责

风险、兼容、上线与业务判断

变更类型
AI 自主度
人工门禁
文档、样板代码、测试补全
高
抽样 Review + 自动检查
局部功能、常规 Bug、组件重构
中
方案确认 + Diff Review + 页面验收
权限、支付、数据迁移、公共 API
低
双人 Review + 完整测试 + 回滚方案

高级篇 / ADOPTION

团队落地:先做一条真实链路,再建设平台

不要一开始就追求“全员 Agent 化”。选一个高频、边界清楚、验证可自动化的场景,跑通后再复制。

WEEK 1

统一最小规则

选择 1 个仓库,写出精简 AGENTS.md;明确安装、验证和提交边界。

产物:项目协作手册
WEEK 2

打通一个真实任务

用 Codex + Cursor 完成一个 Bug 或小功能,记录上下文搬运和返工点。

产物:黄金任务样本
WEEK 3-4

接一个 MCP,做一个 Skill

优先接 YApi/Figma;把高频组件或工作流沉淀为 Skill。

产物:可复用上下文
MONTH 2

建立评测与治理

统计 Lead Time、一次通过率、Review 返工和缺陷逃逸,逐步引入自动化。

产物:团队 AI 基线
团队使用 Agent 协作修改代码并进行 Review 的工作现场
01 / REVIEW IN CONTEXT把 Agent 放进真实代码 Review,让规则、差异和验证结果同时可见。
团队项目中的 agent-rules、病例和需求文档目录结构
02 / SHARED STRUCTURE把规则、案例和需求文档沉淀进团队共享结构,形成可复制的协作入口。

高级篇 / SOLO PROJECT

独立开发完整项目:用六个 Agent 跑完一次交付

一个人不等于一个角色。先为子 Agent 明确专业边界,再让每一棒把结论写进 Markdown,下一棒读取已确认的交付物继续推进。

THE HANDOFF RULE

先交付 docs/,再交付代码

主 Agent 负责目标、节奏与人工确认;子 Agent 不凭空补全上下游决定。需求、设计、技术方案、测试与上线资料都是可审阅、可回溯的项目资产。

00. 启动:先建立六个角色与共同工作区

AGENT 01产品经理

整理目标、范围、用户场景与验收标准。

01-prd.md · 02-acceptance.md
AGENT 02UI 设计师

确定用户流程、页面状态与设计交接。

03-ui-spec.md · Figma 链接
AGENT 03前端工程师

负责界面架构、路由、状态与接口接入。

04-frontend-arch.md
AGENT 04后端工程师

负责领域服务、数据、接口与异步任务。

05-backend-arch.md · 06-api-contract.md
AGENT 05测试工程师

将验收标准转成风险、用例与质量结论。

07-test-plan.md
AGENT 06运维工程师

准备环境、域名证书、发布与运行护栏。

08-deployment-plan.md

01-05. 角色何时进场,项目如何往前走

00
项目启动

主 Agent 明确项目目标、MVP 范围、预算与禁止项;创建六个角色的任务边界。

01
需求与体验

产品先锁定用户故事、优先级与验收;UI 再用 Figma 或 UI 规格描述页面流转、空态、异常态和组件。

02
并行技术方案

前后端以已确认的需求与界面为输入,共同冻结 API 契约;测试开始识别风险,运维确认环境与成本边界。

03
实现与联调

后端先提供数据模型、Mock 或稳定接口;前端按 UI 规格实现;每次契约变化写入变更记录,而不是靠聊天记忆。

04
测试、上线与回流

测试以验收标准出具质量结论;运维完成域名、证书、部署、监控和回滚准备;真实数据与缺陷回到下一轮 PRD。

线上指标、用户反馈与缺陷不是“收尾”,而是下一轮产品 Agent 的已验证输入。

02. 前后端同时设计,但只在契约处耦合

FRONTEND

Umi + React + TypeScript + Ant Design

用 Umi 管理路由、构建与工程约定;页面只组合业务组件,数据请求集中在 service 层,避免把接口与复杂状态散落在视图中。

架构pages / components / services / models / utils
边界路由权限、表单状态、错误与空态、接口类型
规范TypeScript 禁止隐式 any;组件单一职责;请求不直写页面;ESLint + Prettier + 提交前检查
docs/04-frontend-arch.md
BACKEND

Go 服务 + 数据与异步能力

从 API 契约和领域模型开始,按 handler、service、repository 分层;数据库承载事实,Redis 用于缓存与锁,消息队列承接可重试的异步工作。

架构cmd / internal / api / domain / repository / pkg
能力MySQL 或 PostgreSQL、Redis、消息队列、对象存储与第三方服务
规范handler 不写业务;传递 context;错误可追踪;SQL 参数化;迁移可回滚;golangci-lint + 单测
docs/05-backend-arch.md
共同交付物:docs/06-api-contract.md字段、权限、错误码、请求响应、幂等性和接口版本由前后端共同确认;测试以它建立接口用例。
上线交付物:docs/12-runbook.md域名与 DNS、HTTPS 证书、环境变量、CI/CD、日志监控、备份和回滚方案在上线前完成审核。

收束 / EXPERIENCE SHARE

经验分享:把个人判断沉淀成协作方法

工具选择、规则维护和能力积累都要服务于同一件事:让 Agent 更懂你的项目,也让每一次协作都能留下可复用的经验。

按需选择模型

不翻墙时,可以选择国产模型或中转站;翻墙后,优先选择 Cursor + Codex。

选择性补充 Skill

使用国产模型时,根据任务需要,选择性加入 Superpower 或 Ponytail 其中一个 Skill。

让需求变化留痕

功能或界面需求发生改动时,要让 Agent 修改需求文档,或补充一条明确的修改记录。

保持规则可维护

AGENTS.md 中的要求要写清楚:主文件保持轻量,细规则拆分出去,后续更容易维护。

形成自己的工作流 Skill

把反复验证过的判断、习惯和协作方法沉淀下来,逐步形成属于自己的工作流 Skill。

积累带来质变

先模仿、后跟随、再超越。
先了解、后弄懂、再吃透。
先积累、后沉淀、再质变。

收束 / DISCUSSION

一起讨论:Agent 会怎样发展,我们又该怎样协作?

没有标准答案。结合真实项目,聊聊效率提升之后,Agent 能力、协作方式和工程边界会怎样变化。

QUESTION 02

当 AI 的产出超过人的 Review 速度,审核方式要怎么变?

我们还应该逐行检查所有代码,还是把重点转向需求意图、风险边界、测试证据和最终行为?哪些内容必须由人亲自确认?

Diff Review · 自动测试 · 风险说明 · 页面验收
QUESTION 03

未来 Agent 的发展趋势会是什么样子?

它会从一次性执行任务,走向更强的自主规划、长期记忆、工具调用和多 Agent 协作吗?当 Agent 能处理更长链路的工作后,验证机制、权限边界和人的最终判断又该怎样设计?

自主规划 · 多 Agent 协作 · 长期记忆 · 验证与权限
QUESTION 04

代码质量提高了还是下降了?

AI 让代码更快落地后,复杂度、可读性、测试覆盖、缺陷率和维护成本发生了什么变化?我们怎样用 Review 与持续验证,而不是直觉,回答这个问题?

可读性 · 自动测试 · 缺陷率 · 维护成本

APPENDIX / SOURCES

资料与延伸阅读

演讲中的产品能力以官方资料为准;具体模型表现建议在团队真实任务上持续重测。

以工程化的思维玩转 Vibe CodingBuilt for live presentation · 2026
01 / 18
VIBE CODING / SPEAKER NOTES 等待主演讲页
PRESENTER NOTES

等待主演讲页连接

-- / 23

本页演讲文案