Vibecoding：程序猿在 AI 折叠中的突围指南

2025 年底的团队分享《Vibecoding：程序猿在 AI 折叠中的突围指南》整理稿：从《北京折叠》说起，用一份 37 人的问卷数据，聊聊 AI 编程工具在团队里真实落地的情况，以及如何把个人效率从「平均 38% 提升」推到「全员 80%+」——包括 Prompt 技巧、MCP 精准配置，和一堆只有实践过才写得出来的奇技淫巧。

This article is also available in English.

分享会背景

• 团队内部分享：Vibecoding —— 程序猿在 AI 折叠中的突围指南
• 内容基于部门 37 份问卷调研数据，94.6% 的同事每天多次使用 AI 编程工具

PPT 正文

• 大家好，今天给大家分享 Vibecoding 程序猿在 AI 折叠中的突围指南！
• 有一天我看到磊少的飞书签名是 AI 折叠，我好奇地问他是什么意思？
• 他说你听过《北京折叠》吗？类比一下就知道了！

• 大家看过《北京折叠》吗？里面有个设定特别有趣：它把城市分为三层，时间到了，一层人睡觉，房子折叠起来，另一层的人出来活动。说白了就是把人分了等级，彻底隔绝。
• 其实我们现在就在经历『AI版的北京折叠』。同一个公司的团队，会用AI的和不会用的，已经活在两个世界了。
• 小说里最残酷的是什么？是第三空间的人在那儿手动分类垃圾，其实这活机器早就能干，是故意留给他们干的，就为了混口饭吃。
• 这话太扎心了。你看看现在的编程：如果你还在纯手工古法编程、查错，那在AI看来，你就是在『手动分类垃圾』。你累死累活搞半天，那个会用AI的同事半小时就搞定了，效率差的不是一倍两倍，而是明显的断层。
• 这就是我今天要说的 Vibecoding。它就是梯子。咱们得爬到墙上面去，别做那个在底下瞎忙活的『第三空间劳工』，要做就做驾驭AI的『第一公民』。

• 首先让我们看一组问卷回收的数据：在我们的团队中，94.6% 的同事每天多次使用AI编程工具，86.5% 的同事认为效率提升超过20%。
• 这意味着AI编程已经不再是少数人的尝试，而是成为了我们团队工作流的核心组成部分。
• 从技术发展的角度来看，我们正在经历类似相机的从『胶卷时代』到『数码时代』的转变。过去我们手写每一行代码，就像用胶卷相机拍照，每一次快门都需要精心策划。而现在，我们进入了数码时代，编程的方式正在发生根本性的改变。

• 更重要的是，我们已经具备了产能提升的坚实基础。
• 按照大家填写的效率提升百分比，我这边做了一个简单的换算，按我们部门 44 人计算，实际已经具备 61 人的产能。
• 这是什么概念？相当于我们凭空多出了17个人的生产力。
• 而且，我们的工具普及度相当不错：MCP 和AGENT.md 都有很多的同事在使用。
• 特别值得欣喜的是，已经有27% 的同事实现了超过50%的效率提升。这说明我们的团队已经为下一步的效率跃升做好了准备。

• 但是，我们的潜力还没有完全释放。
• 基于我们对37份问卷的精确计算，当前团队平均效率提升是38%。这意味着什么？
• 我们的短期目标是让全员达到50%+ 的效率提升，这样44人团队就能发挥70人产能，相当于多出了 26 个人。
• 而我们的终极目标是全员80%+，这样44人团队就能发挥79人产能，多出35个人，接近翻倍！
• 因此，提高单人 AI 编程效率是我们的当务之急！
• 这就是我们今天要讨论的核心：如何提高每个人的效率，从而提高整个团队的产能。

• 那么，问题出在哪里呢？让我们来看一个核心冲突。
• 我们有94.6% 的同事每天使用AI工具，这相当于每个人都装备了『数码相机』。
• 可高达 78.4% 的同事却被代码质量绊住了脚。这就好比拿着最先进的数码相机，脑子里却还是『胶卷值千金』的旧思维——因为怕出错，手里的快门反而按不下去了。
• 更关键的是，89.2% 的同事表示需要提升Prompt技能，这相当于我们缺乏『数码摄影』的知识，不知道怎么用好手里的高级设备。
• 这就是我们今天面临的核心矛盾：我们装备了先进的工具，但思维和方法还没有跟上。

• 问卷回收数据表明，我们面临着三大显性冲突：
• 首先是工具稳定性问题，56.8% 的同事受到影响，这确实会影响我们的工作流畅度。
• 其次是代码质量不稳定，78.4% 的同事受困于此，这是最突出的问题！
• 最重要的是Prompt技能短板，88.2% 的同事需要提升，这几乎是全员都需要解决的问题。
• 这三个问题相互关联，共同制约着我们的产能释放。

• 问题不在工具，而在我们并未真正适应“廉价试错”的时代。
• 想象一下：给你一台数码相机，你却不敢按快门，因为你潜意识里觉得每按一次都要花钱——这不仅荒谬，更是我们当下的真实写照。
• 在没有 AI 之前，写代码确实像拍胶卷：调试、重构、推倒重来，每一项都在消耗昂贵的时间与心智。为了避险，我们变得谨小慎微。但现在，AI 让代码生成变得极其廉价。它赋予了我们“数码相机”般的无限连拍功能。
• 可悲的是，我们明明手握数码相机（AI），却还在像胶卷相机一样在拍照。我们还在用“害怕犯错”的旧思维，去驾驭这个“鼓励我们试错”的新物种。这才是阻碍效率爆发的根本原因。

• 为了实现这个目标，我们需要解决三个关键问题：
• 第一，如何提高工具稳定性问题？
• 第二，如何让大家掌握Prompt技能？
• 第三，如何解决代码质量问题？
• 这三个问题环环相扣，构成了我们实现产能跃升的关键路径。

• 我们先来看看一个简单又麻烦的问题。
• 生产力领域一定要用上力所能及的最强模型，不然都是没苦硬吃，原来还能通过一些 IDE 用上强大的模型，比如 Claude 系列模型，现在需要借助一些「科学」手段才能用上。
• 我这边主要给出一些关键词，大家搜索下，就能使用各个工具，如果还有问题，可以会后讨论和问我。

• 接下来我们主要讲一下，如何提高我们的 AI 编程效率？
• 有三个方案，我们一起过一遍

• AGENT.md 属于锦上添花系列，如果你的项目不标准，或者说与众不同，那强烈建议配置上 AGENT.md。
• 这样会让 AI 更懂你的项目，而且这个文件生成的成本很低，建议大家都生成一份！

• 再来看一组数据，来强调 Prompt 的核心价值。
• 37.8% 同事认为 Prompt 编写困难——数据支撑：这是我们需要解决的核心痛点
• 50% 熟练掌握 Prompt 的同事达到显著提升——效果验证：技能提升带来实际价值
• 88.2% 同事表示需要提升这项核心技能

• OK，我们先来看看第一个技巧，明确清晰：
• 核心原则：明确告知模型你期望看到的内容。如果你需要全面详尽的输出，就直接提出要求。如果你需要特定功能，请逐一列出。

• 核心技巧#2：提供上下文和动机
• 解释某事为何重要，有助于AI模型更好地理解你的目标，并提供更具针对性的回应。
• 就是啰嗦点，车轱辘话都行，也难怪有人买了话筒来 AI 编程

• 核心技巧#3：要具体
• 在提示工程中，具体意味着用明确的指导方针和要求来构建你的指令。你对自己想要的内容描述得越具体，得到的结果就越好。

• 核心技巧#4：善用示例
• 在我们编程场景下，我经常使用的方式，就是指导 AI 模仿仓库里的实现，甚至其它仓库的实现。

• 高级技巧#1：思维链提示
• 通过 Prompt 触发模型的深度思考

• 高级技巧#2：提示链（Prompt Chaining）
• 与之前的技术不同，提示链无法通过单一提示实现。该方法将复杂任务拆解为多个连续步骤，每个步骤使用独立提示。每个提示负责处理一个阶段，其输出结果将作为下一阶段的输入指令。
• 我本人更喜欢这种用法，可以走一步看一步

• 此外，也有一些插件内置了流程，它能引导你一步一步地按流程进行

• MCP 配置核心原则：少即是多
• 与其贪大求全，不如聚焦 3-5 个核心 Server。精简配置能带来三个好处：
  • 更高效：精简 System Prompt，为代码上下文留出更多空间，响应更快。
  • 更精准：减少无关工具干扰，模型聚焦指令，输出更准确。
  • 更省钱：杜绝 Token 浪费在冗余定义上，显著降低运行成本。

• 现在，我们来看看我的核心 MCP 工具集。这些是我日常工作中必不可少的配置，它们各自发挥着独特的作用，共同构建了我的高效开发环境。
• 首先是 Chrome DevTools：它让我能够深入浏览器内部，实时查看和调试网页运行状态，是前端开发不可或缺的工具。
• 接着是 Playwright：这个强大的库让我可以自动化地操作网页，无论是进行端到端测试，还是执行一些重复性的任务，都非常高效。
• 然后是 GitHub 集成：在团队协作中，代码审查和版本控制至关重要。GitHub 相关的 MCP 让我能够直接在 AI 环境中管理 PR、评论和代码审查，极大地简化了协作流程。
• 最后是 MCP-Chrome：它提供了一个有状态的浏览器环境，对于需要维持会话或处理复杂交互的场景，这个工具带来了巨大的便利。
• 这些工具的组合使用，让我在面对不同类型的开发任务时，都能游刃有余。

• Chrome DevTools 性能分析：通过 MCP 直接在对话里查看页面运行状态，省去手动打开 DevTools 的来回切换。

• GitHub 解决评论：直接在 AI 环境里处理 PR 评论和代码审查，不需要再切回网页。

• 接下来我要分享一些我在实践过程中的一些奇技淫巧

• 左右互搏：第一轮让 Claude Code 生成代码，再换一个视角/模型交叉审视，代码质量会明显提升。

• 后台任务委派：把重复或耗时的工作交给 AI 在后台完成。
• 睡前/闲时委托：利用非工作或碎片时间，向 AI 委派耗时长的代码重构或生成任务、需要多种方案探索性验证的工作，最大化你的工作效率和休息时间。

• 模型切换魔法：卡壳时切换模型或工具——当遇到瓶颈或输出质量不佳时，尝试切换到更强大的模型，或使用不同的工具。

• 模糊需求启动法：当你也不清楚具体要什么时，别直接放弃、也别给个模糊指令等 AI 猜谜，先让 AI 帮你理清需求。

• 这一策略的核心是减少上下文切换的开销。
• 传统的开发模式下，我们经常需要在编写代码、调试、查阅文档和进行版本控制之间频繁切换窗口和标签页，这会极大地分散注意力，降低效率。
• 通过为每个主要任务分配一个独立的 VS Code 窗口，我们可以：
  1. 保持专注：每个窗口只处理一类任务，让大脑保持在同一个上下文，减少认知负荷。
  2. 提高效率：需要调试时，直接切换到调试窗口；需要查文档时，直接切换到文档窗口，无需再寻找或重新打开。
  3. 并行处理：某些任务可以同时进行，例如在主窗口编码时，AI 辅助窗口可以同步提供建议，或者在测试窗口运行测试的同时，查看文档。
• 这就像一个“多线程”的开发环境，让你的工作流更加流畅和高效。

• 延续个人工作流优化的思路，这项策略专门针对日常开发中遇到的“简单 Issue”。
• 核心思想是：
  1. AI 初步处理（初审与处理）：许多小而明确的任务，比如代码格式整理、增加一个简单的 getter/setter、修复一个明显的拼写错误，或者实现一个已知模式的功能，完全可以先交给 GitHub Copilot。
  2. 两轮未果，人工介入：如果 Copilot 尝试了两次（或预设的轮次）仍然没有给出符合预期的结果，那么就果断停止在 AI 上投入更多时间。这表明问题可能比最初看起来更复杂，或者 AI 当前的上下文和能力不足以解决。此时，开发者应该亲自介入，通过本地调试、查阅文档或与同事讨论来解决问题。
• 这样做的优势在于：
  • 最大化 AI 效率：让 AI 处理它擅长的重复性、模式化任务，解放开发者的时间。
  • 避免陷入“AI 黑洞”：设定介入阈值，防止在 AI 尝试中无限循环，浪费精力。
  • 提升解决问题的速度：对于 AI 难以处理的复杂问题，人工介入往往更快、更准确。
• 这是一个务实的策略，它将 AI 视为一个高效的初级助手，而不是万能的解决方案，确保了开发效率和问题解决质量的平衡。

• 我们现在来谈谈“自定义 Commands 库”。
• 这是指您可以根据自己的工作习惯和项目需求，构建一套专属的命令集。这些命令可以是一系列复杂操作的封装，比如一键部署、一键运行全套测试、一键生成项目模板等等。
• 核心优势在于，它能让您实现“一键执行复杂工作流”：
  1. 简化繁琐操作：把那些重复性高、步骤繁琐的任务，通过一个简单的命令来自动化执行，极大地减少了手动干预和您的认知负担。比如，以前您可能需要手动运行多个脚本，现在只需要一个命令。
  2. 标准化开发流程：这对于团队协作尤其重要。自定义 Commands 可以确保团队成员在执行特定任务时，都遵循一致的开发规范和最佳实践。这不仅提升了代码质量，也让协作变得更加顺畅。
  3. 大幅提升效率：当日常任务变得自动化和标准化后，您的工作效率会得到显著提升。您可以将更多的时间和精力投入到解决核心问题和进行创新上，而不是被重复性劳动所困扰。
• 自定义 Commands 库是实现“代码执行者”向“Agent 架构师”转型的关键一步，它让您的开发环境变得更加智能和高效。

• 复杂繁琐的 Git 体操：当一个 PR 的目标分支与实际合入需求不符，直接修改目标分支会引发大量冲突时——先通过 PR 或提交历史找到需要合入的特定 commit 哈希，再精准操作。

• 接着我们来看看“奇技淫巧”系列里一个非常有趣的策略：生成你的同事的数字分身。
• 这个概念听起来有点科幻，但实际上，我们已经可以通过 AI 技术，构建一个能够模拟特定同事专业知识、工作风格和甚至沟通模式的“数字分身”。这不仅仅是简单的自动化脚本，更是对团队智慧的复制和延伸。
• 想象一下，如果一位资深架构师离职了，他的丰富经验和决策逻辑，可以通过他过往的代码、文档、邮件和会议记录喂给 AI，形成一个“数字架构师”。
• 主要有三个核心价值：
  • 知识传承：即使团队成员变动，关键经验和洞察也不会随着人的离开而流失。数字分身能够保留这些知识，供团队持续学习和使用。
  • 高效协作：数字分身可以模拟专家进行代码审查、参与设计讨论，甚至在开发过程中提供指导，确保团队输出风格和决策逻辑的一致性。
  • 加速学习：对于新加入的成员，他们可以通过与数字分身互动，快速学习团队的最佳实践、领域知识和不成文的规范，大大缩短上手时间。
• 这种方法能有效扩展团队的能力边界，让宝贵的经验和智慧得到更广泛的复用，尤其在大型项目和高流失率的团队中，其价值尤为显著。

• AI 赛马：同一需求让多个 AI 分别出方案，赛马选优。

• 可以是任何线索：任何能触发 AI 的线索都可以利用起来。

• 除了代码，AI 在我们的日常工作中还有很多意想不到的“奇技淫巧”应用，它们能极大地提升我们的工作效率和质量。
• 首先是数据分析和洞察：传统的问卷数据分析耗时耗力，但现在我们可以将大量的问卷数据输入 AI，让它快速识别出潜在的模式、趋势和关键洞察。这不仅节省了我们大量的时间，还能帮助我们从数据中获得更深层次的理解，为业务决策提供有力支持。
• 其次是幻灯片与逐字稿生成：对于做分享或演讲的朋友来说，整理幻灯片并生成逐字稿是一个常见的任务。现在，你可以将你的演讲幻灯片内容交给 AI，让它帮你自动生成一份详细的逐字稿。这不仅方便你回顾和分享，还能轻松进行多语言翻译，让内容传播更广，效率更高。
• 最后是用户视角更新日志：很多时候，我们作为开发者写出的更新日志都是技术性的，用户难以理解。AI 可以帮助我们将复杂的、技术性的更新内容，转化为更贴近用户语言、更易于理解和接受的更新日志。这能增强用户对产品的感知，提升用户参与感和满意度。
• 这些例子都说明，AI 的价值远不止于编程本身，它能渗透到我们工作的方方面面，成为我们高效工作的“超级助手”。

• 那 AI 就是万能的吗？重新审视 AI 的边界：在实际应用中，AI 辅助编程工具存在其固有的局限性，尤其在理解复杂上下文、处理抽象概念以及确保代码质量和安全性方面，仍需人类工程师的深度参与和最终决策。认识到这些边界，有助于我们更合理、高效地利用 AI。

• 技术能力边界认知：架构设计局限（缺乏系统级架构视野）、复杂业务理解（对领域知识理解肤浅）、创新能力天花板。

• 代码质量风险防控：隐蔽逻辑错误（代码看似正确但存在深层缺陷）、性能陷阱（可能选择性能低下的实现）、技术债积累。

• 谢谢，这就是我今天带来的分享！

PPT 附件