摘要：本文是一份 Vibe Coding 概念词典，系统梳理了 AI 编程中的核心术语与实践工具。内容涵盖智能体执行模式（Ralph Wiggum Loop、ReAct、深度思考、自适应思考）、工具与协议（工具调用、MCP、Agent Skills、Hooks、斜杠命令、A2A），以及上下文管理、规则文件、SDD、RAG、向量数据库等关键概念，并延伸到开发工具、项目管理、版本控制、部署、GEO 与前后端技术等实用领域，帮助读者快速建立 AI 编程的知识框架。
Ralph Wiggum Loop
Ralph Wiggum Loop 是 2026 年比较流行的一种 AI 编程模式，名字来源于《辛普森一家》中那个执着不放弃的角色 Ralph Wiggum。
这个模式目前已有多个开源实现，比如wiggumdev/ralph。它的核心思路很简单：把 AI 放在循环中反复执行，直到需求文档中的所有检查项全部完成。
工作流程大概是这样的:
1. 先写一份 PRD（产品需求文档），把要做的功能拆解成一个个清晰的检查项
2. 让 AI 智能体开始执行,每次从检查清单中取出未完成的任务
3. AI 完成一个任务后,通过 Git 提交代码并记录进度
4. 以全新的上下文开始新一轮迭代,继续处理剩余任务
5. 不断循环,直到所有检查项完成
这种模式的巧妙之处在于，每轮循环都以干净的上下文开始（通过 Git 和文件来持久化进度），避免了长对话中 AI 容易“断片儿”的问题。而且可以无人值守地运行，你写好 PRD 就可以去睡觉了，第二天起来检查成果就行。
不过要注意设置好循环次数限制和 Token 预算，防止 AI 陷入无限循环疯狂烧钱。
ReAct 推理与行动
ReAct (Reasoning and Acting) 是一种让 AI 智能体交替进行推理和行动的技术范式。它的核心思想很简单：让 AI 先想清楚再动手，动完手再看看效果，然后继续想下一步怎么做。
传统的 AI 要么只思考不行动，要么只行动不思考。而 ReAct 让 AI 能够：
1. 先推理：思考当前情况，制定计划
2. 再行动：执行具体操作
3. 观察结果：看看行动效果如何
4. 继续推理:根据结果调整策略
这种“思考 - 行动-观察”的循环让 AI 能更可靠地完成复杂任务,是现代 AI 编程工具的核心技术 之一。
深度思考
深度思考(Deep Thinking)是让 AI 在回答之前先进行一段内部推理的能力,也叫“扩展思考”或 “思考模式”。
它和前面提到的思维链提示(CoT)有什么区别呢?
思维链提示是一种提示词技巧,通过提示词引导 AI展示推理过程;而深度思考是模型内置的能 力,AI 会在内部自动进行深度推理,不需要你在提示词中特别要求。
普通模式下,AI收到问题后会直接生成回答。而开启深度思考后,AI 会先在内部进行一系列推理 步骤,比如分析问题、考虑多种方案、评估利弊,然后才输出最终答案。你有时能在AI 的回复中 看到一个“思考中 ... ”的过程,那就是深度思考在工作。
深度思考特别适合复杂的编程任务,比如设计系统架构、排查难以定位的Bug、优化算法等。代 价是速度更慢、Token 消耗更多。
目前主流 AI 模型和 AI 编程工具都支持深度思考,并且你可以选择是否开启思考模式。
自适应思考
自适应思考(Adaptive Thinking)是深度思考的智能化版本,让 AI 自动判断当前问题需要多深的 思考程度。
以前深度推理模式只能手动开关,开了的话简单问题也慢吞吞地想半天、还浪费钱,关了的话复 杂问题又容易出错。
AI 有了自适应思考能力后,可以做到简单问题秒回,复杂问题会自动进入深度思考模式。这样既 保证了质量,又节省了时间和成本。
Anthropic 在 Claude Opus 4.6 中率先引入了自适应思考能力,并在 Opus 4.8 中进一步优化。开 发者可以设置不同的思考力度级别来平衡质量和成本。
工具调用
工具调用(Tool Use/ Function Calling)是让 AI 能够使用外部工具和功能的技术。
AI 本身只能生成文字,但通过工具调用,它可以读写文件、搜索网页、执行命令和脚本、调用 AP 1、操作数据库等等。
工具调用的工作流程分为4步:
1. 识别需求: AI 判断当前任务需要使用工具
2. 选择工具:从可用工具中选择合适的
3. 执行调用:用正确的参数调用工具
4. 整合结果:将工具返回的结果融入回答,继续完成任务
举个例子,用户想要获取 编程导航网站 的热门文章,下面这张图清晰地展示了工具调用的完整流程:
举个例子,用户想要获取 xx网站 的热门文章,下面这张图清晰地展示了工具调用的完整流 程:
需要注意的是,AI 模型本身并不直接执行工具,而是生成“我想调用这个工具,参数是这些”的指 令,由外部系统执行后把结果返回给 Al
有了工具调用,AI 就从“只会说”变成了“能动手”。如果没有工具调用,AI只能告诉你该怎么改代 码,你还得自己去复制粘贴;而有了工具调用,AI 可以直接帮你读取文件、修改代码、运行命 令,一条龙搞定。比如 Cursor 的 Agent 模式就是通过工具调用来实现自主编程的。
MCP 模型上下文协议
MCP (Model Context Protocol) 是 Anthropic 在 2024年底推出的开放标准,用于让 AI 模型安全 地连接外部数据源和工具。
你可以把 MCP 理解成 AI 世界的“USB接口”。就像 USB 接口让各种设备(键盘、鼠标、U盘)都 能用同一种方式连接电脑一样,MCP 让各种外部工具(文件管理、数据库、搜索引擎等)都能用 同一种方式连接 AI,不用为每个工具单独写一套对接代码。
MCP 的核心价值在于 标准化。开发者不需要为每个 AI 工具单独开发连接器,只需要按照 MCP 标 准开发一次,就能被所有支持MCP 的 AI 工具使用。目前 Claude Code、Cursor、Windsurf 等主 流 AI 编程工具,以及各种网页 Al Agent 应用都已经支持MCP 协议。
在 Vibe Coding 中,MCP 让 Al 能够连接更多外部工具和数据源,大大扩展了AI的能力边界。比 如通过 Figma MCP,AI 可以直接读取设计稿并生成对应的网页代码;通过 GitHub MCP,AI 可以 直接操作代码仓库、创建 PR;通过数据库 MCP,AI 可以查询和分析业务数据。
Agent Skills 智能体技能
Agent Skills (智能体技能)是 Anthropic 在 2025年10月推出的 一套开放标准,目的是让 AI 能 够学习使用各种专业技能,快速扩展特定领域的专业能力。
简单来说,Agent Skills 就是给 AI 准备的 技能包。技能包里有精心设计的提示词、代码脚本、还 有各种资源文件。
把 AI 想象成一个职场小白,给他装上 文档处理技能,它就立刻知道怎么生成 PPT、处理 Excel 表 格;装上代码规范技能,它就知道怎么按照公司标准写代码。
Skill 的本质是一个包含 SKILL.md 文件的文件夹,里面可以放置指令说明、脚本代码、参考资料
等。当AI 遇到相关任务时,会自动加载对应的 Skill 来增强自己的能力。
Skills 的核心设计是 渐进式披露,AI 只在需要时才加载相关内容,不会一次性把所有信息都塞进 上下文,既节省 Token 又保持灵活性。
Hooks 钩子
Hooks (钩子)是 AI 编程工具中的一种自动化触发器。当 AI 完成某个动作(比如生成代码、提交 代码、运行命令)时,Hook 会自动执行你预设的脚本或检查流程。
各种主流 AI 编程工具都支持 Hooks,比如在 Claude Code 中,Hooks 可以用来:
● 代码生成后自动运行格式化工具
● 文件修改后自动执行测试
● 权限请求时自动判断是否安全并批准
● 提交代码前自动检查代码规范
Hooks 让你的 AI 工作流更加自动化,减少手动操作。但是要注意,Hooks 配置不当可能会阻塞 Al 的正常工作流程,建议先在小范围测试,确认没问题再推广到整个项目。
斜杠命令
斜杠命令(Slash Commands)是在 AI 编程工具的对话框中输入 / 触发的快捷指令,可以快速执 行常用操作。
你可以把斜杠命令理解成操作 AI 的快捷键。Cursor、Claude Code 等主流 AI 编程工具都支持斜杠 命令,比如 Claude Code 内置了这些常用的斜杠命令:
● /help :查看可用命令
● /compact:压缩当前对话的上下文
● /config : 修改配置
● /skills : 查看已安装的技能
你可以自定义斜杠命令,把常用的工作流封装起来复用。比如创建一个 /commit-push-pr 命令, 一次性完成代码提交、推送和创建PR;或者搞个/techdebt 命令,每次会话结束跑一下清理重
复代码。
自定义命令的本质其实就是一个 Markdown 文件,在 Cursor 中,只需要在项目的 .cursor/comma nds/ 目录下创建 .md 文件,里面写上你想要 AI 执行的指令,这个文件名就会变成一个斜杠命 令。还可以用 Git 版本控制工具来管理自定义命令的文件,跨项目复用。
A2A (Agent-to-Agent)
A2A (Agent-to-Agent) 是指 AI 智能体之间相互通信和协作的协议或方式,是多智能体系统的基 础技术。
就像人和人之间需要语言来沟通,AI 智能体之间也需要标准化的方式来交换信息、分配任务、汇 报结果。
A2A 协议让不同的 AI 智能体能够组成团队,分工合作完成复杂任务。这个协议由 Google 在 2025 年推出,目前已有超过150 家企业加入支持。
不要把A2A和MCP 搞混!二者是互补关系,MCP解决的是AI 连接工具的问题,A2A 解决的是 AI 之间沟通协作的问题。
ACP 这个缩写在 AI 领域其实有两个含义,容易搞混,这里一起说清楚。
第一个是 Agent Communication Protocol 智能体通信协议,由IBM 研究院推出。它让不同框 架、不同公司开发的 AI 智能体能够无缝协作,就像不同品牌的手机都能互相打电话一样。
它基于轻量级的 HTTP REST 接口设计,支持文本、代码、文件、图片等多种内容格式,不挑编程 语言,上手很简单。
需要注意的是,ACP 和前面提到的A2A 是两个独立的协议。它们都在解决智能体跨框架交流的问 题,但具体的通信格式和能力发现机制还是两套不同的体系。这些协议主要面向做AI应用开发的 程序员,帮助他们构建多个智能体协作的系统。
第二个是 Agent Client Protocol 智能体客户端协议,由 JetBrains 和 Zed 联合推出,解决的是完 全不同的问题 -- 让任何 AI 编程智能体都能在任何 IDE 中运行。
你可以把它理解成 AI 编程工具的“万能适配器”。以前每个 AI 编程智能体插件都要为 IDEA 写一套 代码、为 VS Code 写一套代码。现在有了ACP协议,Claude Code 只需要实现 ACP 接口,IDEA 就能直接把它接入进来,你在 IDEA 里也能爽用 Claude Code、在 Zed 编辑器里也能用 Gemini CL I,不再被某个 IDE 绑死。
此外,JetBrains 还上线了 ACP Agent Registry,一键就能安装各种 AI 编程智能体,越来越方便了
BMAD 敏捷 AI 开发方法
BMAD-METHOD (Breakthrough Method of Agile Al-Driven Development,突破性敏捷 AI 驱动 开发方法)是一套系统化的AI 智能体开发框架,目标是将原本混乱的 AI 编程过程变得结构化、 可复用。
BMAD 使用 角色化智能体 的方式组织开发流程,每个智能体扮演特定角色:
● Analyst Agent 分析师:创建项目简报,包含市场分析和用户画像
● PM Agent 产品经理:将简报转化为详细的产品需求文档(PRD)
● Architect Agent 架构师:设计技术实现方案和系统架构
BMAD 中的智能体分为两种类型:
● Simple Agents 简单智能体:单文件、自包含,适合代码审查、文档生成等聚焦任务
• Expert Agents 专家智能体:具有跨会话持久记忆,配有专属文件夹存放资源,适合复杂的多 步骤工作流
每个智能体都有标准化的组成部分,包括人设(角色、身份、沟通风格、原则)、能力列表、交 互菜单,以及可选的关键行动。
BMAD 在 GitHub 上获得了几万+ Star,说明这种结构化的 AI 开发方法正在被越来越多的开发者
认可。
Browser Use 浏览器使用
Browser Use (浏览器使用)是让 AI 智能体能够自主操控网页浏览器的技术能力。通过 Browser Use, AI 可以像人类一样浏览网页、点击按钮、填写表单、提取数据。
Browser Use 的典型应用场景:
● 自动化研究:让 AI 在多个网站上搜索、整理信息
● 数据采集:从网页中提取结构化数据
● 表单填写:自动完成繁琐的在线表单
● 跨平台操作:在不同网站间完成多步骤任务
比较知名的开源项目是 Browser-Use,支持通过 Python 调用多种大模型来控制浏览器。此外,Cu rsor、Claude Code 等主流 AI 编程工具也内置了 Browser Use 能力,可以在开发过程中自动打开 浏览器预览效果、执行测试等操作。
Computer Use 计算机使用
Computer Use (计算机使用)是 Anthropic 公司在 2024 年推出的 AI 能力,让 Claude 大模型能 够像人类一样操作整个计算机桌面。
和 Browser Use 只能操作浏览器不同,Computer Use 可以操作任何桌面应用程序,比如:
● 查看屏幕截图,理解界面元素
● 移动鼠标光标,点击按钮
● 使用键盘输入文字
● 执行命令行操作
Computer Use 的工作原理是一个持续的反馈循环:
1. 截图分析:AI 捕获并分析当前屏幕
2. 决策规划:根据任务目标确定下一步操作
3. 执行操作:发送鼠标/键盘输入
4. 观察结果:检查操作效果,调整策略
为了安全起见,Computer Use 一般需要在虚拟机或容器中运行,不会直接控制你的真实电脑
Computer Use 代表了 AI 从“只能生成文字”到“能够操作软件”的重大跨越,彻底改变人机交互方 式。
基于 Computer Use 技术,Anthropic 在 2026年推出了 Claude Cowork,这是一个桌面端AI 助 手,可以直接访问你电脑上的文件和文件夹,帮你整理下载目录、从截图中提取数据到表格、准 备品牌报告等日常办公任务。
上下文管理
上下文(Context)
上下文是 AI 在回答问题时能够参考的所有信息,包括:
● 当前对话的历史
● 你打开的代码文件
● 项目的结构和配置
● 你提供的参考资料
上下文越丰富、越和当前任务相关,AI生成的代码就越符合你的需求。这就像给一个新同事交接 工作,你给的背景信息越多,他上手就越快。
在 Cursor 中,你可以通过对话框附近的 Token 用量指示器来大致了解当前上下文的大小;在 Clau de Code 中,可以使用 /context 命令查看上下文占用情况。
上下文工程
上下文工程(Context Engineering)是有策略地管理和优化提供给 AI 的上下文信息的技术。
核心目标是 让 AI 拥有恰到好处的信息。既不能太少(导致AI 不了解情况),也不能太多(导致信 息过载、成本上升)。
好的上下文工程包括:
● 选择最相关的文件
● 提供必要的背景说明
● 使用规则文件定义项目规范
● 适时清理无关的对话历史
上下文工程是目前AI 领域非常热门的研究方向。2026年的趋势正在从简单的上下文管理,演进 到更复杂的 记忆架构 -- 让 AI 拥有短期记忆(当前对话上下文)、长期记忆(跨会话的知识积 累)和外部记忆(向量数据库、知识图谱等)。
比如 Claude Opus 4.5 就引入了 Memory Tool,能让 AI 在超出上下文窗口的情况下,通过文件系 统式的持久化存储来记住重要信息。根据 Anthropic 官方数据,这项技术在长时间工作流中减少 了 84% 的 Token 消耗!
比如 Claude Opus 4.5 就引入了 Memory Tool,能让 AI 在超出上下文窗口的情况下,通过文件系 统式的持久化存储来记住重要信息。根据 Anthropic 官方数据,这项技术在长时间工作流中减少 了 84% 的 Token 消耗!
可以说,谁能更好地解决上下文和记忆的问题,谁就能在AI 编程领域占据优势。
Claude Code 的三层记忆架构是上下文工程的典型实践:
● 第一层是 MEMORY.md (热数据),就像一本书的目录,每次对话都会加载,但严格限制在2 00 行、25KB 以内
● 第二层是话题文件(温数据),存着你的编码偏好、项目约定等,新对话开始时 AI 只挑选最 相关的5个文件加载
● 第三层是历史对话(冷数据),存成文件,需要时用Grep 搜索。不同温度的数据用不同方式 管理––热的常驻、温的按需、冷的搜索。
上下文压缩
上下文压缩(Context Compaction) 是 Al 自动压缩和总结之前对话内容的技术,解决的是长时 间运行任务中上下文溢出的问题。
以前跑长任务的时候,AI 经常会撞到上下文长度的天花板,前面聊过的内容被挤掉后AI 就失忆 了,导致生成的代码和之前的约定对不上。有了上下文压缩,Al 会在上下文快要满的时候,自动 把前面的对话总结成更精简的形式,保留关键信息的同时释放空间,这样就能持续工作更久而不 会失忆。
你可以把它想象成项目经理写会议纪要。已经开了3小时的会,不可能把每句话都记下来,但关 键决策、待办事项、重要结论都会被记录。Al 的上下文压缩也是类似的思路,把冗长的对话历史 浓缩成关键信息。
Claude Opus 4.8 已经内置了上下文压缩能力,搭配它的100 万 token 上下文窗口,可以让长时间 运行的编程任务更加稳定。
Claude Code 在源码中实现了一套精妙的五级压缩策略,像漏斗一样层层过滤:
1. Snip 剪裁:最轻的一刀,把旧的工具调用结果只保留结构,不保留内容
2. Microcompact 微压缩:把体积大的工具执行结果卸载到缓存里。注意是卸载到缓存而不是直 接丢掉,因为子智能体后续可能还需要这些结果
3. Context Collapse 折叠:对中间的对话做折叠摘要,只保留关键信息
4. Autocompact 自动压缩:当上下文占用超过阈值时,触发全量摘要压缩
5. Reactive Compact 应急压缩:最后的兜底,当 API 返回 413“提示词太长”错误时紧急触发 这五级从轻到重依次触发,能裁的先裁,实在不够了再上更重的方案。
规则文件
规则文件(Rules File)是放在项目中的配置文件,用来告诉 AI 你的项目规范、技术栈、代码风格 等信息。有了规则文件,AI 每次生成代码时都可以参考这些规则,生成的代码更符合你的项目风 格,省去了反复强调的麻烦。
不同AI 编程工具使用不同的规则文件格式:
● Cursor: 早期使用 格式
. cursorrules 单文件格式,现在推荐使用 . cursor/rules/ *. mdc 多文件
● Claude Code: 使用 CLAUDE.md 文件
● GitHub Copilot: 使用 .github/copilot-instructions.md 文件
以 Cursor 为例,.mdc 规则文件支持 YAML 元数据(frontmatter),可以指定规则的适用范围。
根据 Cursor 官方文档,其格式如下:
---
description: React 组件开发规范
globs: src/components/**/*.tsx
alwaysApply: false
---
# React 规范
- 使用函数式组件
- 优先使用 hooks
规则文件的激活方式有多种,比如:
● 始终生效:设置 alwaysApply: true
● 模式匹配:当引用匹配 globs 的文件时自动激活
● 手动调用:在对话中用 @规则名 引用
● AI 自主决定: AI 根据任务相关性自动加载
注意,随着工具版本的更新,这些文件的名称和标准可能会发生改变,一切以工具官方文档为 主。
AGENTS.md
AGENTS.md 是一种开放的文件格式,专门用于给 AI 编程智能体提供项目指令。它本质上也是一 种规则文件,只不过是跨工具通用的开放标准。
传统的 README.md 是写给人看的,主要介绍项目是什么、怎么用。而 AGENTS.md 是写给 AI 看 的,包含 AI 工作时需要的技术细节:
● 项目的构建和启动命令
● 测试运行方式
● 代码风格和规范
● 项目结构说明
一个典型的 AGENTS.md 文件大概长这样:
# 项目设置
- 安装依赖：npm install
- 启动开发：npm run dev
- 运行测试：npm test# 代码规范
- 使用 TypeScript 严格模式
- 组件文件使用 PascalCase 命名
- 工具函数使用 camelCase 命名
SDD 规范驱动开发
SDD (Spec-Driven Development,规范驱动开发)是 AI 时代的一种新型开发方法论,强调在编 码之前先创建明确的、Al 能直接理解和执行的规范文档。
传统开发流程是:想到什么写什么,边写边改,最后再补文档。这样容易导致需求不清晰、代码 和文档对不上。
而 SDD 的思路正好相反:先把需求写成规范文档,并且把规范文档当作代码的唯一真相来源。
你可以把规范文档理解为“项目宪法”,它包含了详细的需求描述、系统设计和接口定义。AI 必 须严格遵守这些条文来生成代码,确保产出完全符合预期。
为什么 SDD 越来越受重视?
因为 AI 生成代码的质量直接取决于上下文的清晰度,而不仅仅是依靠提示词技巧。一个清晰的规 范文档能比任何 Prompt 黑魔法更有效地减少错误。
SDD 的典型工作流程如下:
1. Constitution 制定准则:定义项目的基本原则、代码规范、性能标准
2. Specify 编写规范:描述要做什么功能、为什么做、用户需求是什么
3. Clarify 澄清疑问:让 AI 提出结构化问题,明确边界情况和错误处理
4. Plan 制定方案:确定技术栈、系统架构、数据模型、API 接口
5. Tasks 拆解任务:把计划拆解成可执行的任务列表,标注依赖关系和优先级
6. Implement 执行实现:AI 按照任务列表生成代码,人类验证
其实这和程序员在企业中开发项目的标准流程非常相似,只不过执行者从人变成了Al
2025 年9月,GitHub 发布了开源的 Spec Kit 工具包,帮助开发者在 AI 编程中实践 SDD 方法 论。它支持 Claude Code、GitHub Copilot 等主流编程工具,通过一套斜杠命令引导你完成上述流 程。即使你不是软件开发专家,也能在AI的引导下轻松地走完规范的项目开发流程。
RAG 检索增强生成
RAG (Retrieval-Augmented Generation 检索增强生成)是一种让 AI 能够先检索外部知识库、再 基于检索结果生成回答的技术,目标是让AI的回答更准确、更有依据。
普通的 AI 只能依赖训练时学到的知识,而这些知识可能已经过时了。RAG 能让 AI 在回答问题 时,先从你的文档、代码库、知识库中检索相关信息,然后基于这些信息生成回答。
这对于企业中的 Vibe Coding 特别有用,因为 AI 可以参考你项目中的已有代码,生成风格一致的 新代码。
RAG 检索增强生成的工作流程如下图所示,做 AI应用开发的程序员朋友们可以深入了解一下:
在rag已经演化出了很多进阶方案：
比如:
● Multi-Query RAG,用多种问法分别检索再合并结果。
● HyDE,让 AI 先生成一段假答案再用假答案的向量去检索。
● Hybrid Search,混合向量搜索和关键词搜索再融合排序。
● Reranking,在检索后用精排模型重新打分过滤噪声。
● GraphRAG,把文档变成知识图谱来支持跨文档多跳推理。
● Agentic RAG, 给 Agent 配备一组检索工具,让它来自动调度,根据问题自主决定每一步该怎 么做。
还有很多,不同的方案适用于不同场景,可以根据实际需求组合使用。
Agentic RAG 智能体检索增强生成
Agentic RAG (智能体检索增强生成)是传统 RAG 的进化版,它把固定的“检索→生成”流水线升 级成了一个由 AI 智能体控制的闭环系统。
传统 RAG 就像一个只会按流程办事的图书管理员:你问一个问题,它去书架上找一次资料,拿回 来就给你答案,不管找的对不对。
而 Agentic RAG 更像一个资深的研究员:它会先思考应该从哪里找信息,找到后会判断信息是否 相关,如果不够好就换个角度重新搜索,甚至同时查多个数据源,反复验证直到满意为止。
Agentic RAG 的核心能力包括:
● 多轮检索:根据需要进行多次有针对性的检索,而不是只查一次
● 动态查询改写:如果第一次没找到好结果,AI 会自动换个提法重新搜索
● 多数据源协作:同时从向量数据库、API、网页、SQL 数据库等多个来源获取信息
● 自我纠错:评估检索结果的质量,不满意就重来
典型模式包括 CRAG (纠正式 RAG,添加检索评估器)、Self-RAG(自反思 RAG,在生成过程中嵌 入反思步骤)和 Adaptive RAG (自适应 RAG,根据问题类型选择不同检索策略)。
代价是更高的延迟和数倍的 Token 成本,所以更适合复杂的、高准确率要求的场景,比如法律、 医疗、合规类的问题。简单的单源查询用传统RAG就够了。
向量数据库
向量数据库是专门用来存储和查询“向量”(一种数字表示形式)的数据库。在 AI 领域,它常用来 存储文本的语义表示。
什么是向量呢?
简单来说,向量就是一串数字组成的数组,比如 [0.1, 0.5,0.3, 0.8]。每个数字代表一个特征 维度。AI 可以把一段文字、一张图片、一段代码转换成这样的向量,语义相似的内容转出来的向 量也会很接近。
当你把代码或文档存入向量数据库后,AI 就能快速找到语义相似的内容,即使搜索词和原文不完 全一样。
比如,你搜“用户登录”,它能找到叫“handleAuth"的函数,因为它们在语义上是相关的。
随着 AI 的爆发,市面上涌现了非常多支持向量存储的数据库:
嵌入 Embedding
嵌入是把文本、代码等内容转换成数字向量的过程。这些向量能够捕捉内容的语义信息。
在向量空间中,语义相似的内容会靠得更近。这就是为什么向量数据库能进行语义搜索的原理。
你不需要深入理解嵌入的技术细节,只需要知道它是RAG 和代码语义搜索的基础技术就好。
AI 输出相关
AI 幻觉
AI 幻觉(Hallucination)是指 AI 输出了不符合事实的内容,可能是编造了不存在的API、给出了 错误的函数用法、推荐了根本不存在的库,甚至胡编乱造一些看起来很合理但完全错误的信息。
这是大语言模型的固有问题,因为它们是基于概率生成内容的,有时会“脑补”不存在的东西。
在 AI 编程时,我们可以通过以下方法尽量减少幻觉带来的影响:
● 要求 AI 提供文档链接验证
● 自己查官方文档确认
● 换个模型试试
● 开新对话重新描述问题
● 利用 Context7 等获取到最新技术文档的 MCP 扩展
对于做 AI 应用开发的程序员来说,如何消除幻觉是一个需要重点攻克的挑战。前面提到的 RAG (检索增强生成)技术就是目前最主流的解决方案之一,通过让AI 先检索真实数据再回答,大幅 降低幻觉的概率。
温度
温度(Temperature)是控制 AI 输出随机性的参数,取值一般在0~2之间(不同大模型和 AI 编 程工具的设置范围可能会有区别)。
● 温度低(如0.1):输出更确定、更保守,适合写代码
● 温度高(如1.0):输出更随机、更有创意,适合头脑风暴
在编程场景中,一般使用较低的温度,让 AI生成更稳定、更可预测的代码。而在需要 AI 发挥创 意的场景(比如起名字、写文案、头脑风暴产品方案),可以适当调高温度,让 AI 给出更多样化 的建议。
比如下图,我把温度调高,输出的结构可能完全不同:
流式输出
流式输出(Streaming)是指 AI一边生成内容,一边实时显示给用户,而不是等全部生成完再显 示。
这就像看直播而不是看录播,你能实时看到 AI 的输出过程和生成的内容,如果发现方向不对,可 以及时中断,避免浪费 Token。
大多数 AI 编程工具都支持流式输出,让交互体验更流畅。
在技术实现上,流式输出一般基于 SSE(Server-Sent Events,服务器推送事件)技术,服务端通 过持续推送数据片段给客户端,做到实时展示。
开发工具概念
IDE 集成开发环境
IDE (Integrated Development Environment 集成开发环境)是程序员用来写代码的综合软件,一 般包含代码编辑器、调试器、终端、插件扩展市场等。
VS Code 是目前最流行的轻量级 IDE,由微软开发并开源。Cursor 和 Windsurf 都是基于 VS Code 开发的 AI 代码编辑器,继承了VS Code 的界面风格和功能,同时大幅扩展了AI 能力。
代码编辑器
代码编辑器是用来编写和修改代码的工具,提供语法高亮、代码补全、错误提示等功能,帮助你 更高效地写代码。
常见的代码编辑器有 Sublime Text、Vim 等。区别于IDE集成开发环境,它们相对轻量、启动快 速,适合快速编辑单个文件;而IDE的功能更全面,集成了调试器、终端、版本控制等工具,适 合专业开发者和大型项目开发。
CLI 命令行界面
CLI (Command Line Interface)全称命令行界面,就是你在一个小黑框里敲文字命令来操作电 脑。和它对应的是 GUI (Graphical User Interface 图形界面),也就是我们日常看到的图标、按钮 和窗口。
在 AI 时代,CLI 正在迎来一波复兴,它不再只是程序员的专属技能,而是 AI 与工具交互的天然接 口。
为什么 CLI 会突然火起来呢?
因为 AI 大模型从诞生那天起,就在学习海量的代码和命令行操作,让它读一行命令、执行一个操 作,跟喝水一样自然。反过来,让AI去操作图形界面就难多了,要截图分析、找元素、模拟点 击,整个过程又慢又容易出错。有人测试过,AI 通过浏览器完成任务的成功率只有35.8%,换成 CLI 就接近 100%
所以现在大厂们纷纷开源自己产品的 CLI 工具(Google、飞书、钉钉、企业微信等),本质上就是 在给 AI 提供操作自己产品的接口。
以前做产品只考虑人类用户怎么用,现在还得想想 AI 怎么用。所以未来的产品可能会有两套前 端:一套给人类看的GUI,一套给 AI用的CLI
零代码平台
零代码平台(No-Code Platform)是不需要写代码就能创建应用的平台。与之相近的还有低代码 平台(Low-Code Platform),它允许通过少量代码加上可视化拖拽来构建应用,自由度更高一 些。
在 AI 时代,像 Bolt.new、Lovable、vO.dev、百度秒哒这样的平台结合了零代码和 Al,你可以用 自然语言描述需求,平台自动生成完整可在线访问的应用。
零代码平台特别适合完全没有编程经验的新手,或者想快速做原型的场景。不过缺点也很明显, 出了问题不好调试,也很难深度定制,项目做大了容易遇到瓶颈。
代码补全
代码补全(Code Completion)是指 AI 根据你当前的代码上下文,自动预测你接下来要写的内容 并提供建议。
当你写代码时,AI 会根据上下文推测你的意图,提供代码片段供你选择。按下 Tab 键就能接受建 议,大大提高编码速度。
早在2021年,GitHub 就推出了 Copilot,开创了AI 代码补全的先河。但谁也没想到,短短几年 后AI 已经从“补全几行代码”进化到了“自主开发整个项目”。如今各大AI 编程工具都支持代码补 全,但越来越多的开发者已经不满足于逐行补全了,而是直接用 Agent 模式让 AI 一口气写完整个 功能。
代码审查
代码审查(Code Review)是检查代码质量、发现问题、提出改进建议的过程。
没有代码审查的项目,Bug 往往要等到上线之后才被发现,修复成本很高。而有了代码审查,很 多问题在代码合并之前就能被提前发现和修复。
在传统开发中,代码审查一般由同事或上级来做。在 Vibe Coding 中,你可以让 AI 帮你审查代 码,它会指出潜在的bug、安全问题、性能问题,并提供修改建议。
Linter 代码检查器
Linter 是自动检查代码问题的工具,能发现语法错误、风格问题、潜在 bug 等。
常见的 Linter 有前端的 ESLint、Python 的 Pylint、Go 的 golint 等,它们像一个严格的语法老师, 帮你保持代码规范。
在 Vibe Coding 中,Linter 能帮你快速发现 AI 生成代码中的问题。而且很多时候,AI 在帮你创建 前端项目时会自动整合 ESLint 等 Linter 工具,省去了你手动配置的麻烦。
Debug 调试
调试(Debug)是找到并修复代码中错误的过程。当代码运行结果不符合预期时,你需要调试来 定位问题。
调试的常用方法包括:
● 设置断点,逐步执行代码
● 查看变量的值
● 阅读错误信息和堆栈跟踪
● 添加日志输出
在 AI 编程时,你可以直接把错误信息发给 Al,让它帮你分析原因并提供修复方案,甚至是自主修 复。
OpenClaw 开源 AI 助手
OpenClaw 是 2026 年最现象级的开源 AI 项目,仅用100 多天就登顶 GitHub 星标历史第一,斩 获 30 万+ Star。
你可以把它理解为一个能操控你电脑的 AI 数字员工。它不只是一个聊天机器人,而是真的能帮你 打开软件、操作浏览器、处理文件、执行代码的全能助手。更关键的是,你可以通过手机聊天软 件(比如飞书、QQ、微信)随时随地给它下达任务,AI 会在你的电脑上自动完成。
OpenClaw 的特点包括:
● 真正执行任务:能操作浏览器、处理文件、写代码、管理日程等
● 多渠道接入:支持微信、QQ、飞书、Telegram、Discord 等
● 技能生态系统:通过安装不同的技能包扩展 AI 能力
● 多模型支持:支持 Anthropic、OpenAl、国产大模型等
● 完全开源:MIT 许可证,支持本地部署,数据掌握在自己手里
不过 OpenClaw 的权限很大,使用时一定要注意安全。
项目管理概念
MVP 最小可行产品
MVP (Minimum Viable Product 最小可行产品)是指用最少的功能满足核心需求的产品版本,简 单来说就是一个“能跑起来、核心功能能用”的最简版本。
很多同学刚开始做产品的时候会有各种奇思妙想,恨不得一口气把所有功能都做出来,结果花了 大量时间在不必要的功能上,越做越复杂,最后觉得太难就直接放弃了,属于是自己把自己吓跑 了。而做MVP的思路正好相反,先用最少的功能把核心价值跑通,快速验证想法是否可行,拿到 用户反馈后再逐步迭代。
比如做一个记账 APP,MVP 版本可能只有记录支出、查看列表两个功能,其他高级功能以后再 加。
迭代开发
迭代开发是把大项目分成多个小周期,每个周期完成一部分功能的开发方法。
每个迭代周期包括:计划=>开发=>测试=>发布=>反馈=>改进。
这种方法特别适合 Vibe Coding,因为你可以让 AI 先实现核心功能,测试没问题后再逐步添加新 功能。
顺便提一下,迭代开发是敏捷开发(Agile Development)方法论的核心实践之一。敏捷开发强调 小步快跑、快速反馈、拥抱变化,非常适合 AI 编程的工作节奏。
重构
重构(Refactoring)是在不改变功能的前提下,改进代码结构和质量的过程。
重构的目的是让代码更清晰、更易维护、更高效。常见的重构包括:
● 提取重复代码为函数
● 改进变量和函数命名
● 简化复杂的逻辑
● 拆分过长的文件
在 Vibe Coding 中,你可以让 AI 帮你重构代码,但要小步进行,每次重构后都要测试。
注意,如果你只是用AI快速做个小工具,代码能跑就行,没必要花时间重构。但如果是长期维护 的企业级项目,代码质量直接决定了后续迭代的效率和稳定性,定期重构就非常有必要了。
技术债
技术债(Technical Debt)是为了快速完成功能而采用的临时方案,这些方案在未来需要花时间修 复和改进。
就像信用卡欠款一样,虽然现在透支方便,但迟早要还,还要加利息。
在 Vibe Coding 中,AI生成的代码可能不是最优方案,积累太多技术债会让项目越来越难维护。 定期重构是偿还技术债的有效方法,防止出现屎山代码。
版本控制
版本控制是记录代码变更历史的系统,让你能追踪每次修改、对比不同版本、回退到之前的 状态。
Git 是最流行的版本控制工具,注意别把它和 GitHub 搞混了,Git 是在你电脑上运行的工具,GitH ub 是在线的代码托管平台,用来存放和分享你用 Git 管理的代码。
在 Vibe Coding 中,版本控制特别重要。因为 AI 可能会生成有问题的代码,有了版本控制,你随 时可以回退到之前正常的版本。
Git WorkTree 工作树
Git WorkTree (工作树)是 Git 的一个隐藏技能,它可以让一个仓库同时拥有多个独立的工作目 录,每个目录对应不同的分支。
正常情况下,一个Git 仓库只有一个工作目录,你同一时间只能在一个分支上干活。想切换分 支,就得先保存手头的代码,来回折腾。但用了WorkTree,你可以开启分身术,同时在不同的分 古卜干活,互不干扰,
和手动复制项目文件夹的区别在于:手动复制会复制完整的 .git 目录和历史记录,占用空间大而 且合并代码很麻烦。而 WorkTree 创建的工作目录只是链接到同一个 .git 目录,共享同一套提交 史,省空间、合并也方便。
在 AI 编程时代,WorkTree 最香的用法就是让多个AI 并行开发。比如你有首页、搜索、个人中心 三个功能要做,就创建三个工作树,每个分配给一个Al,各干各的互不打扰,开发完再用 Git 合 并代码。
像 Cursor 这样的 AI 编程工具已经内置了WorkTree 支持,可以直接开启 Parallel Agents 模式,自 动创建和管理工作树。
不过要注意,分配任务时要尽量让不同的AI 改不同的文件,如果两个 Al 改了同一个文件,合并 时就会产生冲突,需要手动解决。
部署
部署(Deployment)是指把开发好的应用发布到服务器上,让用户能够访问并使用。
最原始的部署方式是自己登录服务器,把代码文件打包上传后手动运行,又麻烦又容易出错。好 在现在有很多自动化的部署平台,傻瓜式操作,点几下就能部署项目,常用的有:
● Vercel: 适合前端和全栈应用
● Netlify: 适合静态网站和前端应用
● Railway、Render: 适合后端服务
很多零代码平台(如 Bolt.new)都支持一键部署,点个按钮就能上线。
此外,还可以利用 MCP 来实现更智能的部署。比如通过 EdgeOne Pages MCP,你只需要跟 AI 对 话,AI 就能帮你自动完成网站的打包和部署,连部署平台都不用自己登录~
GEO 生成式引擎优化
GEO 全称为 Generative Engine Optimization 生成式引擎优化,你可以把它理解为 AI 时代的 SE Oo
传统的 SEO 关注的是“怎么让网页在百度、Google 搜索结果中排名靠前”,而GEO 关注的是“怎 么让你的内容被 ChatGPT、DeepSeek、豆包这些 AI 大模型引用和推荐”。
随着越来越多人用 AI 搜索代替传统搜索引擎,GEO 正在变得越来越重要。有数据显示,AI 搜索 带来的流量转化率可以达到传统搜索的5 倍以上!
GEO 的核心策略包括:
● 先给结论:文章开头直接回答核心问题,AI 更喜欢提取开头就给答案的内容
● 结构化写作:使用清晰的标题层级、问答格式、对比表格,方便 AI 解析和引用
● 打造权威内容:用具体数据、权威引用代替模糊描述,AI 更信任有据可查的内容
● 在权威平台多发内容:知乎、公众号、GitHub 等高权重平台发布的内容更容易被 AI 抓取
● 技术优化:确保 robots.txt 允许 AI 爬虫访问,使用 SSR/ SSG 确保页面可爬取
需要注意,GEO 技术本身是中立的,和 SEO 一样只是内容优化手段。而且做好 SEO 也有利于GE O,两者并不冲突。
前后端概念
前端
前端(Frontend)是用户能直接看到和交互的部分,包括网页界面、按钮、表单、动画等。说得 粗暴一点,你在浏览器里看到的一切,都是前端!
前端技术栈通常包括:
● HTML: 页面结构
● CSS: 样式和布局
● JavaScript: 交互逻辑
● React/Vue/Next.js: 现代前端框架
在 Vibe Coding 中,前端是AI 最擅长生成的部分,因为效果可以直接看到,方便验证和调整。你 还可以利用 Agent Skills 和精心编写的提示词来美化 AI 生成的前端页面,去掉那股子 AI味儿。
后端
后端(Backend)是用户看不到的部分,负责处理业务逻辑、数据存储、用户认证等。
比如你在电商网站上点击“下单”按钮,前端把你的订单信息发给后端,后端负责校验库存、计算 价格、扣款、生成订单,然后把结果返回给前端展示。
后端技术栈通常包括:
● Node.js/Python/Java: 编程语言
● Express/FastAPI/Spring: Web 框架
● MySQL/PostgreSQL/MongoDB: 数据库
后端比前端更复杂,需要考虑安全性、性能、数据一致性等问题。因此 AI 生成的后端代码需要更 仔细地审查。
全栈
全栈(Full-stack)是指同时包含前端和后端的完整应用。全栈开发者是能同时处理前端和后端工 作的程序员。
在 Vibe Coding 中,像 Cursor、Bolt.new 这样的 AI 编程工具可以一次性生成全栈应用,前后端代 码都帮你写好。
API (Application Programming Interface)是不同程序之间通信的接口。
你可以把 API 理解成餐厅的菜单。菜单告诉你有什么菜可以点,怎么点,点了之后会得到什么 你不需要知道厨房怎么做菜,只需要按菜单点餐。
在 Web 开发中,前端通过API 和后端通信,获取数据或提交操作。
数据库
数据库是存储和管理数据的系统。应用中的用户信息、内容、设置等都存在数据库里。
常见的数据库类型有:
● 关系型数据库(MySQL、PostgreSQL):数据以表格形式存储
● 文档数据库(MongoDB):数据以 JSON 文档形式存储
● 键值数据库(Redis):适合缓存和快速查找
在 Vibe Coding 中,你可以用 Supabase、Firebase 等现成的云数据库服务,不用自己搭建和管理 数据库。
BaaS 后端即服务
BaaS (Backend as a Service 后端即服务)是提供现成后端功能的云服务,包括数据库、用户认 证、文件存储等。
以前没有 BaaS 的时候,你得自己买服务器、装数据库、写后端接口、处理各种运维问题,光是搭 环境就得折腾好久。而现在使用 Baas,这些都是现成的,你不需要自己写后端代码和管理服务 器,注册个账号就能直接用,能大大加快开发速度,特别适合 Vibe Coding 的场景。
常用的 BaaS 服务有:
● Supabase: 开源的 Firebase 替代品
● Firebase: Google 的 BaaS 平台
● PlanetScale: 托管的 MySQL 服务
写在最后
这篇文章涵盖了 Vibe Coding 中最常见的概念和术语。当然,AI 和编程领域的新概念还在不断涌 现,这份词典也会持续更新。
你不需要一次记住所有概念,遇到不懂的词,回来查一查、或者问一问AI就好。随着你不断地实 践 Vibe Coding,这些概念会自然而然地变得熟悉。
