Vibe Coding的时间效应

发展之快

站在现在这个时间点再次回顾Vibe Coding的发展，总体来讲那句是一个字“快”。无论国内外，头部的企业都在致力研发各种大模型、编程IDE（无论界面话的、还是命令行）、协议范式的制定（如mcp）、各种Agent、上下文长度、会话记忆等，其迭代速度非常快，小的更新基本都是月纬度，大一点的更新最多半年左右。在软件领域，有一个定律是“安迪比尔定律”，描述的就是硬件与软件之间永恒的竞争与消耗关系，例如头部芯片公司开发出一款芯片，提升更高的性能及算力，那么软件为了体验或者性能提升，就会使用新的方式去适配，提供更强的体验机响应，那么就会把硬件的性能进行消耗及抹平，如此反复。只是现在来看，这个定律的时间被无限缩短，但是这是一个正反馈的过程。

更加智能

相比年初用AI写代码的过程，需要更多精准的提示词、从工程的角度来看生成的代码部分是不能直接使用、AI生生成代码的速度问题、调试难度大。放到现在阶段这些问题基本就不是问题，可以理解工具没有好坏，只是取决谁来用，怎么用的问题。虽然各个厂商的模型本身的确有差异，目前来看只是每个模型的所专攻的领域会有差异（这个就是每个厂商都有自己的强项），但是按照现在的迭代速度这种信息差或者功能差异也会逐渐减小。当然对于AI来说其本身也有发展路径：聊天机器人→推理者→智能体→创新者→组织者，其实真正的难点在于创新及终极的组织，其实这个可以类比自动驾驶的L4、L5的发展，这就要求天时、地利、人和都要配合。

各类AI活动

在今年无论从线上的AI黑客马拉松竞赛、还是线下的关于AI的活动也非常多，大部分活动还是比较有意义的，能够针对现在行业的现状贡献自己对于AI的认知以及理解和相关实践。在本周末参加了cursor线下组织的meetup沟通交流会，本次也是作为志愿者身份参加的，这个会只是众多会议的一个缩影，具体可以看看下面的内容。

人群情况

参会的人群中有工作多年的老兵、也有正在上大学的伙伴，总之年轻的身影居多，这个跨度实际还是非常大的。沟通了一些为什么来参加这个会，其实给出的原因也非常多，总之可能就是觉得AI相关的技术特别牛，无论是否会，先去听听，了解个大概，生怕错过了这班车。有的也是有针对性的，就是想通过分享者的讲述，看看能够解决自己日常使用AI遇到的一些问题，希望能够找到相关的圈子，能够进行实践交流。

行业情况

行业可以说比较多，在以往软件行业这种分享会，那么参会的基的基本都是软件这个领域的，但是在这种关于AI讨论的沟通会上，好像这个讨论已经不在单单局限在软件领域，有独立开发者、有AI创业者、有做运营、直播带货的、有做解决方案、有直接用AI协作、开发直接进行商业变现的等。总之都想看看AI能够在这个过程中具体做啥。其中最为差异的是，在嵌入式开发时，有一位参会者讲述了关于AI在嵌入式开发过程的应用，可以说计算时在软件开发这个领域，也会涉及到各个板块，可以说AI渗透之深。

应用探索

从交流过程中，无论是个人还是企业，基本都在围绕AI这一块，在寻找属于自己的赛道，无论是AI提效还是产品商业变现，基本都在做这一件事情。在探索的过程中，AI应用思维比较重要，那就是具体的一些事情需要考虑优先用AI来尝试，AI能不能做，而不是优先考虑自己能不能做。当然从结果上来说自己肯定可以做，但是其实现效率及成本需要考虑。当然目前在网络上也有关于各种Vibe Coding的使用技巧及心法（step by step、指令要清晰、先设计、由点到面、避免死循环、一个任务完成之后打开新窗口等），可以借用使其成为效率提升的翅膀。这里面有一个很关键的点就是“探索”，这个探索不是说口头上的探索，或者说是看了什么文章、读了什么论文，其这个一定要付诸于实践，就是要开始，一定不能犹豫。在AI应用的领域，想想如果我们把一件事情的完成度定义为100，那么最终能否达到100不取决于你的能力，而是取决你用AI得能力，而这些所谓的AI应用能力就是日常多用、多摸索出来的。

认知共识

这里主要就是拥抱变化，拥抱新事物。在软件领域无论你是小白、还是经验老道的大牛，对于AI应用这一块，都应该秉持学习探索的态度。与参会嘉宾沟通也会存在一种想想就是，部分伙伴会对AI有排斥心理，这里也会有一些其它的“担心”。但是从长期来看这种担心其实是没必要的，按照Vibe Coding的智能情况，其编码能力不亚于一个专业的开发者，那么对于现阶段工程师如果能够掌握如何驾驭AI，让在AI得加持下创造更多有价值的事情，那么从单个人的产出来说，ROI更大，那么这个过程也是一项技能的掌握，那就是AI应用技能。角色身份同样需要转变，需要尝试看看AI得边界在哪里（可能也没有所谓的边界），从具体执行逐渐转变为与AI协作的partner、提供更高阶的目标任务及规划、从日常解决问题角度出发提供更高及更远的Idea，在任何时候好的Idea比较重要也会是关键的一部分。在这件事情上除了积极拥抱和改变，好像别无它法。可以想象在不远的未来肯能会存在一种情况，就是所有的JobID上都会说明要具备AI使用的技能，这个你可以理解为那就是在没有AI场景下你本身的一些技能树的体现，那么从这个角度来看早掌握、早接触一定不是啥坏事。

难点与思考

效果与收益

从目前来说无论是企业还是个人，新的内容让AI参与其完成度更高，其收益短期内也相当可观，例如可以在Vibe Coding的能力下，完成一些新的、中小型的独立项目完成其商业变现。在企业应用层面会相对较慢，特别是有一些年份的企业，其原始积累及数据非常多，业务复杂，在AI得引入下既要完成内部提效又要完成商业化变现，其效果短期来看不是很明显。另外就是目前所有的企业的数据是一个企业的核心，AI是无法接触到，如果要完成AI与企业的完全融合，那么就需要企业提供更多的可以访问的内部接口（这个可以通过mcp来实现）。对于有AI训练能力的团队来说，可以基于开源huggingface的一些模型进行私有化训练（这些目前云厂商都支持），让这个训练的模型就只服务公司的业务，可以基于RAG+业务知识库+模型训练来完成相关工作。让AI能够快速了解企业的现状，这样才能加速企业对于AI的应用及探索。

难点与挑战

企业及AI应用根据现场交流的情况来说，基本都反应如果是一个从0到1的项目，借助工具的情况下，AI全程去完善，整体效果还不错，从产品原型、demo、到最终的输出交付，完成度基本达到90%以上，有一些项目甚至交付后就可以完成基本的变现。但是对于企业本身应用来说存在一些难点。低一点就是目前是市面上的AI辅助工具太多了，让人眼花撩乱，现阶段部分国产的AI工具使用上与国外头部的工具存在差异，工具众多选择本身也是一个问题。第二个问题就是付费问题，鉴于目前的情况在考虑使用的效果问题，那么在付费上也存在争议，基本上就是能用免费的就用免费的、能白嫖就白嫖。但实际用下来会有本质的区别，就是免费的工具也可以做一些事情，但是完成度不是很高，付费的工具tool模型多，可以用到一些高阶模型，质量和效率提升不少，其实就是整体付费意愿不强。第三点就是安全政策相关，目前头部的一些代码辅助工具都需要借助稳定的vpn、企业内部的数据及代码的安全性也需要考虑。在现在阶段如果一个行业是银行相关的，那么对于AI的引入也相对谨慎，特别是代码安全、金融数据安全更是如此。
共创模式到创新目前单纯在Vibe Coding 领域，如果只是单纯的去用AI完成既定的逻辑代码，当然从使用者的视角这是没问题的，但是从大模型发展来说会存在一个问题，如果使用AI的姿势不对，或者对于AI给出的内容基本没有修改或者处理能力（例如AI写出的代码，虽然能够完成业务功能，但是可能存在性能、结构上的问题），这个也就类似于一些开发者只关注业务代码的实现，却很少回思考怎么做是最佳的方式。换到AI视角，如果只是AI在输出，针对AI得内容并未得到继续的纠正、引导（本质上只有一次次交互、调整，参会让AI本身能够创造更多高阶、高质量的代码），那么AI本身的能力会受到限制，这个过程就是单项的，而不符合所谓的共创问题，这个也就是所谓的“梯云纵”，左脚踩右脚，一步步迭代，只有这样才会有后续的创新阶段。
数据驱动力 AI/ML 的成功建立在三大支柱上：算力、算法和数据。但一个有趣的现象是，新闻头条总是被算力（Billions for GPUs）和人才（Millions for talent）占据，将第三个支柱——数据——的光芒掩盖了。故事的上半场或许如此，但下半场则完全不同。最近 AI 代码编辑器 Cursor 在其官方博客《Improving Cursor Tab with online RL》中投下的一枚重磅炸弹，恰恰揭示了水面之下的冰山。他们实现了一个大规模、实时的在线强化学习（online RL）系统，直接用真实用户的交互数据——即最鲜活的“第一经验”——每隔 1.5-2 小时就迭代和部署一个新模型。结果是惊人的：代码建议减少了 21%，但接受率却提升了 28%。这则新闻的技术细节令人印象深刻，但其背后揭示的战略意义更为深远。它完美地诠释了 AI 竞赛下半场的核心：真正的壁垒，早已从算力和人才，悄悄转移到了对数据的掌控之中。算法和算力，如同精良的武器和精锐的队伍，但真正决定战争走向的，往往是那条看不见的补给线。在 AI 的世界里，这条补给线就是数据。
工作模式演进工作模式逐步在发生改变，应该说是生产力在发生变化。以软件公司为例，如果要完成一个大型的项目，那么从软件研发流程上需要包含各种角色例如产品、开发、测试、架构师、设计师、UI等，而这些角色的配合才能使得一个项目能够落地。在不远的将来，也许流程没有进行改变，但是在关键岗位上才会有对应的职位，换句话说一个团队的人数规则在递减（人数的变化），一个人可能身兼多个岗位。这就是从大而全到小而美的一个变化。那么未来的工作中所谓的人才，很大比重是需要会用AI，而这个过程中工作角色及模式都在发生改变，从演进上讲，这个发展没有回头路，只可能无限接近极限。这个过程中我们应该心态开放，接受和学习新事物，让自己能够跟上这趟班车。可以想想未来当你需要一辆汽车时，你只需要通过AI互联进行下单，那么工厂中将有机器人完成整辆汽车的生产组装，然后按照下单车的需求自动驾驶到你家门口，这件事在不远的将来就会实现。很多事情逐渐在发生改变，在改变生产关系及生产力。
追求个人的ROI产出 AI整体发展迅速，必须积极的拥抱AI得改变，简单重复的事情一定要交给当前的AI，主动承担哪些复杂的任务，其目标就是，在最短的时间内，聚焦高价值领域，快速锻造你的不可替代性，成为AI时代的决策者和创造者。未来已来，竞争力的来源正在重构，品位、审美、幽默感等“无用之学”，正成为AI时代的稀缺性资产；同理心、感染力、领导力等情感智能，已从加分项变为必需品；因此，比任何时候都更应投资你的“内在兴趣”。那些让你无偿投入热情的事物，正是你独特竞争力的源头活水。