如何最大化 Vibe Coding 的效果 | 创业学校

一句话结论

Vibe Coding 不仅效果惊人，而且是一项可以通过学习和实践显著提升的技能。核心原则是：让 LLM 遵循专业软件工程师的工作流程——从写计划、版本控制、测试驱动到模块化架构、频繁重构，每一步都是可复用的最佳实践。最前沿的技术几乎每周都在变，持续实验是关键。

来源信息

Executive Summary

本篇是 YC 合伙人 Tom 关于 Vibe Coding（用自然语言指挥 AI 编写代码的实践）的实用指南。Tom 在过去一个月用 Vibe Coding 做了多个副项目，发现这不仅效果惊人，更是一项可学习的技能——就像一两年前的提示工程（Prompt Engineering），每周都有新技巧涌现。文章系统性地介绍了从工具选择（Replit/Lovable 适合新手，Windsurf/Cursor/Claude Code 适合有经验者）、项目规划（先写 Markdown 计划再逐步实施）、版本控制（Git 是最可靠的朋友，果断使用 git reset --hard）、测试编写（优先集成测试）、Bug 修复策略（粘贴错误信息→先 git reset 再重试→添加日志→换模型）、指令文件管理、文档策略（下载到本地）、技术栈选择（Rails 等成熟框架因训练数据丰富而表现更好）、截图与语音输入，到模块化架构和频繁重构的一整套最佳实践。多位 YC Spring 批次创始人也分享了实战经验：双 IDE 并行（Cursor + Windsurf）、先在纯 LLM 中做架构设计再编码、测试驱动反向开发、以及警惕 LLM 陷入"兔子洞"。

核心观点

1. YC 创始人的 Vibe Coding 实战技巧

2. 选择合适的工具

未经写过代码的人推荐从 Replit 或 Lovable 入手（可视界面，适合快速试验 UI）；有编程经验的人可直接上手 Windsurf、Cursor 或 Claude Code。但当需要精确修改后端逻辑时，Replit/Lovable 容易失控。

3. 第一步：写计划，而非写代码

与 LLM 协作撰写详尽的项目计划，保存为 Markdown 文件放在项目目录中持续参照。审核计划：删除不想要的、标记"不做"的过度复杂功能、把后续想法归入"待定"区。按章节逐步实施——明确告诉 AI"现在只做第二节"，完成后检查、测试、提交。

4. 版本控制：Git 是你最可靠的朋友

每次开始新功能前确保 Git 处于干净状态。不要犹豫使用 git reset --hard：如果不对就重掷骰子。更好的做法是：经多轮尝试找到解决方案后，git reset 回到干净代码库，把方案作为清晰指令重新喂给 AI。

5. 编写测试

LLM 擅长写测试但默认倾向低层级单元测试。Tom 更推荐高层级集成测试：模拟用户点击流程，端到端验证功能。测试套件的核心价值在于捕获 LLM 的"副作用"——它在修复 A 时可能毫无理由地改动 B。

6. LLM 不只用于编码

Tom 用 Claude Sonnet 3.7 配置 DNS 和 Heroku 托管（DevOps）；用 ChatGPT 生成 Favicon 图标，Claude 写一次性脚本裁剪成多个尺寸。AI 成了他的设计师和运维工程师。

7. Bug 修复策略

8. 为 LLM 编写指令文件

无论是 Cursor Rules、Windsurf Rules 还是 Claude 的 CLAUDE.md，有创始人写了数百行指令给 AI 编码代理，效果显著提升。

9. 文档管理

把相关 API 文档全部下载到项目目录子文件夹中，然后在指令里告诉 LLM"实现这个之前先去读文档"——准确度远高于让 AI 代理读取在线文档（MCP 服务器太重）。

10. 复杂功能的实现策略

在一个完全干净的独立代码库中做参考实现，或从 GitHub 下载已有的参考实现，然后让 LLM 参照它在主项目中重新实现——效果出奇地好。

11. 小文件与模块化架构

保持文件小而模块化。Tom 预测未来会更多转向服务化架构，让 LLM 在清晰的 API 边界内工作。

12. 选择合适的技术栈

Rails 等 20 年历史的成熟框架因有大量一致、高质量的训练数据，AI 表现惊艳。相比之下，Rust 或 Elixir 因在线训练数据较少，AI 表现较差——但可能很快改变。

13. 截图与语音输入

大多数编码代理支持粘贴截图（展示 UI Bug 或设计灵感）。语音方面，Tom 使用 Aqua（一家 YC 公司），输入速度约每分钟 140 词，是打字的两倍。

14. 频繁重构

代码跑通、测试就位后，可放心重构。请 LLM 识别代码库中重复或适合重构的部分。不要让文件长达数千行。

15. 持续实验

每个新模型发布都试用，在调试、长期规划、功能实现、重构等不同场景下比较表现。目前 Gemini 在全代码库索引和制定实施计划方面领先，Sonnet 3.7 在实际编写代码变更上最强。GPT-4.1 问太多问题、实现出错次数太多——但下周再试可能又不一样。

可执行建议

  1. 选定工具后先写计划：与 LLM 协作撰写 Markdown 项目计划，逐步按章节实施。
  2. 每次新功能前确保 Git 干净：出问题时果断 git reset --hard 回到已知可工作状态。
  3. 编写集成测试：让 LLM 写高层级端到端测试，而非低层级单元测试。
  4. 遇到 Bug 先粘贴错误信息：不要手动解释，直接粘贴服务器日志或浏览器控制台报错。
  5. Bug 修复失败后先 git reset 再重试：不要在失败基础上累积层级。
  6. 搞不定就换模型：Claude、OpenAI、Gemini 各有所长。
  7. 为 LLM 编写指令文件：搜索网上最佳实践，写数百行指令可显著提升效果。
  8. 下载文档到本地：让 LLM 读本地文档比在线访问准确得多。
  9. 保持文件小而模块化：趋向服务化架构。
  10. 代码跑通后频繁重构：测试会捕获回归。
  11. 持续实验新模型：最前沿每周都在变。

重要例子 / 公司案例

关键证据

涉及概念

涉及人物

涉及公司

可沉淀到哪些主题页

不确定事项

Change Log