Vibe Coding 奇技淫巧:让 AI 写代码不失控的实战技巧
作者:很酷cat2026.11.17 03:35浏览量:0简介:Vibe Coding 最大的坑不是 AI 写不对,而是它"顺手改一下"就把你刚修好的东西改坏了,且毫不知情。真正有效的做法是把约束写进工程系统:用自定义 ESLint 规则堵死跨模块 import 和超长文件,用测试先行给 AI 立"此路不通"的路牌,再配合上下文文件、小步提交和模型分工。本文给出可直接落地的规则配置与流程,并顺带聊聊如何用[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)做模型选型与成本对比。
先说结论:约束 AI 靠系统,不靠嘴
Vibe Coding 翻车几乎都不是”AI 不够聪明”,而是 约束缺失 。AI 有两个根深蒂固的坏习惯:喜欢”顺手 import 一下”,喜欢”在现有文件里追加代码”。前者击穿模块边界,后者制造面条代码。你口头提醒一百次,不如让 CI 拦它一次。
核心逻辑一句话: 与其事后重构,不如事前用规则堵死。
技巧一:两条自定义 lint 规则,掐掉克苏鲁触手
AI 追加代码的路径极其固定——找到”看起来最相关”的那个文件,往末尾贴。几周之后,一个 200 行的工具文件会长成 2000 行的上帝对象。
用 ESLint 把这条路封掉:
// eslint.config.js(ESLint 9 flat config)import tseslint from 'typescript-eslint';export default tseslint.config({files: ['**/*.{ts,tsx}'],rules: {// 规则 1:禁止跨 Feature 深入内部模块,逼 AI 走公共接口'no-restricted-imports': ['error', {patterns: [{group: ['@/features/*/internal/*','@/features/*/components/*','@/features/*/hooks/*',],message: '跨 Feature 只能从 public index.ts 引入,禁止深入内部实现',}],}],// 规则 2:单文件行数上限,超了就必须拆'max-lines': ['error', {max: 500,skipBlankLines: true,skipComments: true,}],},},);
关键不在配置文件本身,而在 它必须跑在 AI 无法绕过的位置 :
# package.json"scripts": {"lint": "eslint . --max-warnings=0","check": "npm run lint && npm run typecheck && npm run test"}
把 check 挂到 pre-commit 钩子和 CI 上。这样 AI 每次”顺手写一下”都会被拦回来,被迫回答一个它原本跳过的问题: 这个功能到底应该放在哪里?
实测效果通常是收敛性的:几个超限文件被拆成职责清晰的模块,后续新增功能的落点也变得可预测。代价是 AI 会频繁报错、需要你解释”为什么不能这样写”,但这个成本远小于事后清理面条代码。
技巧二:测试先行,给 AI 立”此路不通”的路牌
AI 修 bug 有个致命特性: 它不知道自己改坏了什么 。它没有你脑子里那张”这个函数被 7 个地方调用”的地图。
所以修复流程必须强制成一条闭环:
写失败测试 → 改代码 → 测试通过 → 才算修好
每个 bug 修复都要留下一条”不准再犯”的防线。举个真实场景:某个 PDF 文本层(TextLayer)漂移的 bug,前四次修复都是”看起来好了”,第五次才真正定位。做法是为不同 PDF 类型和缩放比例补齐测试矩阵:
// render/textLayer.test.tsdescribe('TextLayer 定位精度', () => {it.each([['单页 A4', 'a4-single.pdf', 1.0],['多页混排', 'mixed.pdf', 1.5],['扫描件', 'scanned.pdf', 2.0],['超大页面', 'poster.pdf', 0.5],['加密文档', 'locked.pdf', 1.0],])('%s(缩放 %fx)文本层偏移应 < 0.5px', async (name, file, scale) => {const layer = await renderTextLayer(fixture(file), scale);expect(maxOffsetPx(layer)).toBeLessThan(0.5);});});
之后 AI 某次”优化”渲染逻辑,第三组测试立刻红,回归被当场拦下。
这套流程的收益曲线很明显:单次修 bug 时间大约翻倍(半小时变一小时),但回归率会从”每隔几天复发一次”掉到接近零。 测试就是写给 AI 看的路牌 ——没有它,同一个坑你要重新教它五遍。
技巧三:写一份”项目宪法”,别每次重复解释
每次新开对话都重新交代一遍架构约定,是 Vibe Coding 里最大的隐性浪费。把这些固化成仓库根目录的规则文件(AGENTS.md / CLAUDE.md / .cursorrules 均可),内容控制在 100 行内:
# 项目约定## 目录- features/<name>/index.ts 是唯一对外出口- 共享逻辑放 shared/,禁止 features 之间互相引用## 硬性约束- 单文件 ≤ 500 行,超出必须拆分- 任何 bugfix 必须附带失败测试- 禁止引入新的状态管理库,沿用现有方案## 提交- 一次只做一件事,改完立刻跑 npm run check
这份文件的价值在于:它把”人和 AI 的沟通成本”变成了”一次性写文档的成本”。
技巧四:控制爆炸半径——小步改、可回滚
给 AI 的任务粒度决定了事故规模。让 AI”重构整个认证模块”,它大概率会连带改掉你没让它碰的东西。
有效的做法:
- 一次一个可验证目标 ,改完立刻
npm run check,绿了再进下一步; - 改前先提交 ,保证任何一步都能
git reset回去; - 要求 AI 先输出改动计划 (涉及哪些文件、为什么),你确认后再让它动手;
- 禁止无说明的大范围重命名 ,这类 diff 最难 review,也最容易夹带私货。
技巧五:让 AI 读真实报错,而不是猜
AI 猜错原因的根源是信息不足。把完整的错误栈、类型检查输出、失败的测试名原样贴给它,比描述”它好像有点问题”有效十倍。工程上可以做的是让报错本身可读:结构化日志、明确的错误码、断言里带上上下文。
expect(result, `输入 ${JSON.stringify(input)} 时返回了 ${result?.status}`).toEqual(expected);
技巧六:模型分工与成本控制
Vibe Coding 不是”一个模型干所有活”。合理拆分是:
| 任务类型 | 关注点 | 建议策略 |
|---|---|---|
| 架构设计、疑难 debug | 推理深度 | 用能力最强的模型,单次调用贵但省时间 |
| 补全、格式化、写测试 | 吞吐与响应速度 | 用轻量快速模型,高频调用控成本 |
| 长文档理解、批量重构 | 上下文长度 | 选长上下文模型,减少分段损耗 |
问题在于:模型能力、上下文长度、单价三者的组合变化极快,靠记忆选型很容易踩坑。这时候可以借助词元所这类大模型撮合交易平台——它能横向对比不同模型的能力与调用成本,帮你按任务类型分配预算,而不是所有请求都打给最贵的那个。
接入层面,百度智能云词元所提供统一 API 接入方式,多模型切换不用改一堆 SDK 和鉴权逻辑,调用情况也能集中查看。对”主力模型 + 廉价模型兜底”这种常见组合来说,统一入口能省掉不少胶水代码。
落地清单
- 今天就把
max-lines和no-restricted-imports加进 ESLint 配置,挂到 CI; - 建
AGENTS.md,把目录约定和硬性约束写进去; - 定死流程:bugfix 必须带失败测试,改完必须跑
npm run check; - 任务粒度拆到”一次一个可验证目标”,改前提交;
- 按任务类型给模型分工,用大模型 API 服务平台做选型与成本对比。
Vibe Coding 的效率上限,不取决于 AI 一次能写多少代码,而取决于你的工程约束有多硬。规则立住了,AI 才是加速器;规则缺位,它只是高速生产技术债的机器。

登录后可评论,请前往 登录 或 注册