核心要点（含时间戳）

  1. (00:00–01:04) Vibe Coding 的兴起与痛点
    - 很多人发现他人能用AI一天完成一个项目，而自己却频繁修Bug、查幻觉，导致血压飙升。
    - 根本原因：仍在用传统写代码的思维驾驭AI，而非用自然语言管理AI。
    - 本期视频分享16个实战技巧，帮助构建个人AI编程体系，甚至可封装成专属MCP工具库。
  1. (01:04–02:06) 合理选择与优化大模型

  • 错误做法：从头到尾只用一个模型。

  • 模型特性对比

    ：

    • Codex：执行力强，但缺乏大局观，像“无情的打字机”。
    • Claude：经验丰富，但偶尔会“自作主张”。

  • 最佳实践

    ：

    • 用推理能力强的模型（如oX4.7、GPT-5.5）*做*架构师级翻译（将业务需求转化为带性能约束的文档）。
    • 用执行力强的模型（如Gemline、Codex）实施代码。

  • 推荐：如果不想充多个会员，QRCODE是性价比最高的选择（上下文管理强，任务流优化突出）。

  1. (02:06–03:10) Vibe Coding 的架构原则
    - 传统编程架构是为了自己好写，而Vibe Coding的架构核心是为了随时好找。
    - 关键思想：AI幻觉时，能快速定位错误源头并连根拔起。
    - 例子：作者的QuantSaaS系统名字来源于SaaS经验，通过熟悉的模型辅助思考，避免AI幻觉。
  1. (03:10–04:07) 压榨Cursor的性能

  • 错误做法：用顶级模型逐行写无脑业务代码。

  • 高性价比工作流

    ：

    • 用顶级推理模型（如Ops、GPT-5.5）*创建和推演*计划（Plan）。
    • 用执行力强的工具（如Composer2）去实施。

  • 反直觉发现

    ：

    低端模型做Plan + 高端模型写代码

    效果更好。

    • 原因：强模型易过度设计（过度抽象、提前优化、脑补需求）。
  1. (04:07–05:09) 问题驱动开发：压榨顶级模型的追问能力

  • 核心技巧：用问题驱动的Prompt迫使AI不断追问，直到确认无歧义。

  • 示例Prompt：

    “基于上述需求，做一个高度指导性、零幻觉的机械执行代码改造计划。在改造计划过程中，不断对我进行追问，直到你认为没有任何疑虑、绝无幻觉为止。改造计划禁止任何Hack式修复，最后必须包含代码修改完成后对相应文档的更新迭代。”

  • 效果：从“AI脑补需求”转变为“发现不确定性→追问→消除歧义→创建约束→形成确定性Plan”，即需求工程。

  1. (05:09–06:12) 及时打断：省事更省Token
    - 当AI在Thinking阶段明显跑偏时（如只想改按钮颜色，它却开始重构路由），立即打断并纠正。
    - 不要等它写完：等它写完就是在烧Token。
  1. (06:12–07:15) 六边形审查：确保代码质量

  • 对复杂任务，用

    6点审查清单

    审计AI生成的代码：

    1. 有没有幻觉？
    2. 有没有额外加不必要的逻辑？
    3. 是否有偏移或偏差？
    4. 是否全部执行，没有遗漏？
    5. 代码本身有没有架构或语法问题？
    6. 有没有性能问题？

  • 建议：用Sonnet等高智商模型做终极审查。

  1. (07:15–08:18) Vibe Coding 时的上下文锁定

  • 场景

    ：重构或迁移代码时（如React迁移到Vue3），

    必须在Prompt中锁死上下文

    。

    • 明确指定库（如ant-design-vue-v4）。

  • 工具推荐：在Cursor中挂载Context-7（官方MCP集成），让AI自动查最新API，根除低级幻觉（如方法名写错）。

  1. (08:18–09:22) 主动语态的起始句
    - 避免：“能不能帮我看一下这段代码怎么写？”（舔狗句式）。
    - 使用：“请重构这段网络请求，加3次重试并抛出异常。”（命令式）。
    - 目的：迫使自己明确意图，避免盲目复制粘贴。
  1. (09:22–10:27) 渐进式披露
    - 错误做法：一次性把所有内容完美化后扔给AI（重点全无）。
    - 正确理念：遵循从整体到局部、从骨架到分支的逐层披露。
    - 效果：AI生成的代码会更清晰、更符合预期。
  1. (10:27–11:30) 建立时空正交的沙箱
    - 空间隔离：每个大功能在架构时锁定在明确的业务领域内（如沙箱）。
    - 时间隔离：每个任务有生命周期概念（如初始化、运行中、销毁前）。
    - Debug技巧：出现Bug时，先定位时空坐标（如“在初始化阶段还是运行中出现的？”），再让AI精准修复。
  1. (11:30–12:40) 状态机的包裹
    - 将每个功能模块像集装箱一样严丝合缝地包裹。
    - 例子：在物联网能源SaaS系统中，每个节能策略都被状态机死死包裹，内部可自由折腾，但不准污染外部系统。
  1. (12:40–13:43) 判断大于循环
    - 安全原则：先拒绝，后盘问。
    - 例子：保安应先拦住闲杂人等，而非先放行再盘问。
  1. (13:43–14:43) 必须保留锚定测试点

  • 对于

    复杂后端逻辑

    （如遗传算法迭代、量化交易风控引擎）：

    • 优先开发前端可视化界面或保留详尽的结构化日志。
    • 作用：作为人类锚点，通过操作界面观察状态流转，快速评估AI底层逻辑是否正确。
  1. (14:43–15:43) 敏捷管理在Vibe Coding中的应用

  • 正向使用：用敏捷用户故事引导AI开发。

  • 逆向使用

    ：如果AI生成几千行代码不知所云，可命令它

    根据代码反向生成用户故事

    。

    • 优势：通过用户故事快速验证AI是否按交易逻辑编码。
  1. (15:43–16:43) 创建动态的Skill库：积累专属资产

  • 对长期任务（如量化交易系统），每解决一个常见问题，就写一条Skill。

  • 长期价值

    ：

    • AI遇到关键字可自动触发Skill执行。
    • 节省Token，让AI越来越懂你。
    • 最终可将Skill封装成MCP工具，成为AI时代最有价值的资产。
  1. (16:43–结束) 彩蛋：突破Claude的输出上限
  • 在Claude处理长任务时，若遇到

Token输出上限

，可在终端中运行以下命令解放限制：

```

```

  • 避免任务中断后重复工作。

进一步学习：
在 Glasp 上探索更多相关内容：https://glasp.co