AI 摘要
Vibe Coding 中，如何提高开发效率
随着 AI 技术的发展，越来越多的开发者开始尝试 Vibe Coding ——也就是把 AI 当作“结对编程的伙伴”，通过对话的方式完成代码编写、调试和优化
一、现阶段主流 AI 工具对比
目前我常用到的 AI 模型有 GPT-5、Gemini 2.5（Pro/Flash）以及 Claude 4.x。不同工具各有优势，适合的场景也不一样。
| 工具 | 优势 | 适用场景 |
|---|---|---|
| GPT-5 | 语言理解和推理能力极强，支持复杂的多轮对话和跨领域问题；适合生成计划以及修复 BUG | 复杂项目、跨栈开发、需要较高逻辑推理的任务 |
| Gemini 2.5 Pro | 上下文记忆更持久，长对话能力强，适合规划大型项目 | 需要详细讨论和规划的长期开发 |
| Claude 4.x | 编码能力极强，且 UI 方面也非常不错。Plan 模式有助于结构化开发，代码逻辑清晰 | 需要详细规划、文档和代码整合的场景 |
补充：
作为全栈开发，GPT-5 往往能提供更强的逻辑和上下文理解，利用其强大的理解能力，在配合上 Claude 的 Plan 模式。做到 先规划在执行 的场景，这样的开发会很流畅
二、Vibe Coding 中常见问题
在实际项目中利用 AI 开发，新手往往会遇到包括但不限于以下问题：
1. Prompt 不清晰
- 案例：我在 xxx 项目中想加一个团队管理功能，直接对 GPT-5 说“帮我做一个团队系统”，它给我生成了一个全新的
Team模型和用户关联，但忽略了代码或者模板本身提供的如 Jumpstart 内置的组织/用户模型结构的功能。导致结果冲突很多，花了不少时间重构。重复造轮子
2. 功能过于宽泛
- 案例：我让 AI “帮我实现订阅功能”，它直接写了 Stripe 集成的控制器和视图，AI 可能会直接去帮你实现，但是确实按照了它的逻辑，如果你没有主动告诉 AI 你已经有部分实现的代码，那么大概率最终代码重复且冲突。
3. 缺乏计划阶段
- 案例：让 Claude 帮我“加一个发票模块”，Claude 写的代码看似完整，但路由、前端样式和 TailwindCSS 组件完全没有和前端模板对齐，导致的后果就是，同一个项目，像是不同的人在施工，参杂了各种冗余且复杂的代码。如果在一开始有计划的先让 AI 输出“发票模块所需的字段、数据库迁移、UI 组件和权限控制”，再进入编码，效率会更高。
4. 上下文管理不当
- 案例：在一次对话中不断添加新需求，比如“加多租户支持”“再加 API Key 管理”，但是没有维护一份需求文档。导致 GPT-5 忘记了我项目已经使用 Apartment gem 做多租户，后来又建议我用另外一种方案，冲突严重。
三、解决思路与效率提升方法
针对上述问题，总结出以下几条经验：
1. 提升 Prompt 质量
在 Vibe Coding 中，Prompt 就是需求说明书。AI 能输出什么样的结果，往往取决于你给它的输入。模糊的 Prompt 会让 AI 胡乱发挥，而一个精准的 Prompt 则能让 AI 像资深开发一样给出贴合需求的代码。
Prompt 的作用
- 明确边界：告诉 AI 该做什么、不该做什么，避免生成多余或冲突的代码。
- 统一风格：通过 Prompt 说明项目用的框架、依赖和代码风格（例如 Rails 8 + Hotwire + TailwindCSS + Flowbite），让 AI 始终保持一致。
- 减少返工：当 Prompt 已经涵盖关键细节，AI 生成的结果往往能直接使用，而不是需要开发者大规模重写。
为什么好的 Prompt 能事半功倍
- 降低沟通成本：把复杂需求转化成清晰的文字，AI 能一次性理解，大幅减少多轮交互。
- 提高输出质量：明确的上下文信息，让 AI 生成的代码更可维护，避免“屎山代码”。
- 提升团队效率：在多人协作时，标准化的 Prompt 能确保每个开发者和 AI 的交互保持一致，不会因为表达差异而导致风格混乱。
优秀 Prompt 的参考资源
在 GIthub 里，已经有不少优秀的 Prompt 示例可以直接拿来学习和套用：
- awesome-chatgpt-prompts
经典的 Prompt 收集库，涵盖开发、调试、代码审查等场景。 - prompt-engineering-for-developers
面向开发者的 Prompt 工程指南，详细解释了如何写高质量 Prompt，以及不同场景下的策略。
高质量 Prompt 不仅告诉 AI 做什么，还明确了 如何做、用什么技术做，结果往往能直接落地，极大提升效率。
2. 分解任务，逐步引导
在 Vibe Coding 中，最容易犯的错误就是“一股脑把需求抛给 AI”。这样做的结果往往是：AI 给出一大段貌似完整的代码，但和你的项目框架、依赖不兼容，甚至出现“屎山代码”。
解决办法有两个核心原则：
- 任务拆解：把大需求分成小模块，逐步实现；
- 计划先行：让 AI 在动手写代码前，先输出一份开发计划。
实践案例：文件下载并上传功能
模型设计
- 添加
FileRecord模型，字段包括user_id、file_name、status等 - 确认文件存储策略（本地/云存储）
- 添加
下载逻辑
- 在拿到文件直链后直接在本地服务器上使用 xxx 类中的方法进行下载。
上传逻辑
- 使用 Active Storage 进行上传操作
测试覆盖
- 编写 RSpec 系统测试，验证下载链接、上传逻辑和文件状态更新的正确性。
用 Plan 模式提升质量
在 Claude 或 GPT-5 中，可以直接让它先生成“计划”而不是代码，这样做的好处是：
- 减少返工：先验证方案对不对，再让 AI 编码；
- 方便协作：团队可以先讨论 AI 给的计划，然后再落地；
- 保持一致性：避免不同模块之间风格和实现不统一。
总结一句话：把需求拆小，并让 AI 先写“计划书”，再写“代码”。
这样 Vibe Coding 才能真正做到高效，而不是边改边救火。
4. 维护项目记忆
可以新建一个 project_context.md 文件，记录：
- 项目架构，功能
- 代码风格
- 编码前后是否要运行某些检查脚本
- 当前开发进度
我在 project_context.md 中写清楚了这些，后续和 AI 对话时，只要贴上这份文件，它就不用再反复强调项目的事情了
四、总结（感受）
在实际项目的开发中，我最大的感受是：AI 是一个极好的生产力放大器，但前提是你必须先帮它把边界划清楚。（也就是把 AI 当作傻子看待，不要以为它能理解）
比如在实现团队订阅功能时，如果我只是简单说“帮我加订阅”，AI 生成的代码大概率和 Jumpstart 内置的结构冲突；但当我明确说明“基于 Jumpstart 的 Pay gem，在团队维度做订阅，并使用 Flowbite 组件做 UI”，AI 给的代码几乎可以直接落地
Vibe Coding 的关键不在于“AI 能写多少代码”，而在于“你能否把需求描述清楚、拆分合理，并维护上下文”。一旦这些做到位，AI 就能帮你完成大量的重复劳动，而你只需要把控架构和关键实现
从我的经验来看，Vibe Coding 更像是带着一个随叫随到的天才傻子写代码
如无特殊说明 Vibe Coding 中，如何提高开发效率 为博主 Lin 原创，转载请注明原文链接: https://blog.lin03.cn/archives/45/