一位非程序员用户，在不会写代码的情况下，利用 Claude Code 和 Claude Agent SDK 成功构建了个人 AI 助手。这一过程体现了“vibe coding”的核心理念：通过与 AI 对话，将想法快速转化为实际产品。文章分享了六大核心技巧，强调了产品思维（决定“做什么”和“为什么做”）远比 AI 可以代劳的编码实现（“怎么做”）更为重要，并通过配额管理、消息处理和安全设计等实际案例进行阐述。这种方式不仅降低了技术门槛，更帮助普通人培养了系统化思维和项目管理能力，鼓励更多人利用 AI 实现自己的创意。
产品感比代码能力更稀缺
自己动手构建几十个演示（demo）后，我发现 demo 是传达想法最有效的媒介。它不仅仅是将模糊想法具体化的过程，更是建立信任的捷径。
- 思想外化：将脑中模糊的想法变为具体、可交互的产品。基于已有的实体进行思考和迭代，远比凭空想象更高效。
- 建立信任：相比于让人昏昏欲睡的报告或幻灯片，一个可操作的 demo 能提供最直接、最可信的信息。当我将访谈分析流程用 AI 自动化后，原本无动于衷的同学立刻理解了它的价值。
- 低成本实现：AI 工具极大地降低了从概念到产品的成本。一个下午加上一个 AI 工具，就足以创造出可以展示给上百人的东西。
vibe coding 的六大核心技巧
技巧 1：不要凭空创造，学习别人已经做过的
这是最快的进步方式。与其让 AI 从零开始，不如给它一个参考。
当我需要一个网页仪表盘时，我没有说“给我一个漂亮的仪表盘”，而是直接在 GitHub 上找一个开源项目，然后告诉 AI：“按照这个项目的设计风格，给我一个 React Dashboard 组件库。”
这样做的好处是，AI 能直接理解并生成风格匹配的代码，避免了多轮反复的沟通和调整。你可以在 GitHub、Dribbble、Behance 等平台寻找灵感和参考。这并非抄袭，而是站在巨人的肩膀上快速迭代。
技巧 2：不断问 AI，让问题驱动学习
我对服务器、SSH、Docker 一无所知，但我没有去报班学习。相反，我在每个操作前都询问 AI：
- “我怎样在手机上远程控制 Claude Code？”
- “这个 SSH 密钥是用来干什么的？”
- “Docker 对我的项目有什么好处？”
AI 不仅解释概念，还提供具体步骤和调试帮助。我没有上过一堂 Linux 课，但我学会了如何“做事”。这就是 vibe coding 的精髓之一：让问题驱动学习，每个提问都是一个教学时刻。
技巧 3：渐进式开发，理清顺序和依赖关系
构建项目时，不能想到哪做到哪。模块之间存在依赖关系，需要合理规划顺序。我与 AI 一起重新规划了开发顺序：
- 定义数据模型：首先确定 User、Session、Task 等核心结构。
- 实现核心逻辑：构建 Agent 和服务器等关键功能。
- 添加约束层：设计用户配额和权限管理。
- 集成交付层：最后与聊天软件等外部服务对接。
这个顺序保证了后续添加新功能时，不必改动已完成的模块接口，让系统更稳定，也更容易排查错误。这是基础的系统设计思维，AI 能帮你实现，但你自己必须思考清楚。
技巧 4：一个文件，一个工作，保持代码模块化
如果一个文件有过长的代码，AI 出错的概率会成倍增加。将代码拆分成小而专一的模块至关重要。
- AI 的上下文更清晰，处理小任务时表现更好。
- 你能更快地定位问题。
- 修改一个模块的影响范围是受限的。
我将项目拆分为 handlers.py (处理命令)、agent/ (连接 Claude)、user/ (管理用户) 等多个文件和目录。每个文件只做一件事，这样 AI 就能准确地在指定位置修改或添加功能，而不是在混乱的代码中迷失。
技巧 5：先花 5 分钟做架构思考
在动手写代码前，我会先和 AI 讨论整体方案。
我会说：“我们先讨论一下，不急着实现。我想做一个 XX，有什么方案？能不能实现？”
AI 会给出架构建议、潜在问题和方案选择，这让我对项目更有掌控感。好的架构能预防 80% 的后续问题。先改架构，远比后面去改已经写好的代码更容易。对于没有开发经验的人来说，AI 的建议往往能超越个人知识范围。
技巧 6：利用 Claude Code 和 Agent SDK
Claude Agent SDK 是 vibe coding 的高效工具，它让 AI 拥有了一台“计算机”，可以像人一样工作。
- MCP Server：让 AI 使用你自定义的工具。
- 上下文管理：自动处理会话和上下文。
- 工具调用：AI 可以主动调用你编写的函数。
Claude Code 本身就内置了编写 Agent SDK 程序的插件，这意味着它非常熟悉自己的工具集，可以顺畅地帮你构建应用，无需你手动复制粘贴文档。
从想法到产品的完整工作流
步骤 1：定义问题，而非解决方案
错误的方式是直接告诉 AI 用什么技术栈，例如：“用 Python 和 Flask API 写一个项目”。这限制了 AI 的创造力，而且你选的方案未必是最佳的。
正确的做法是描述你的需求和目标：
“我想在自己的服务器上有一个东西，能随时通过指令处理文件。”
我们只需定义 what (做什么) 和 why (为什么做)，让 AI 去推荐 how (怎么做)。
步骤 2：架构思考，5 分钟头脑风暴胜过 5 小时返工
在 AI 给出初步架构后，我会问自己几个关键问题来评估它：
- 我能理解这个架构吗？ 如果方案过于复杂，我无法理解，后续也无法调试。不懂就要问，AI 会耐心解释。
- 哪个模块风险最大？ 我意识到，AI 的初始方案没有考虑安全问题。如果用户可以任意读写服务器文件，后果不堪设想。
- 需要增加什么来弥补？ 针对安全风险，我追问 AI 并得到了路径隔离、Docker 容器等建议。
这短短 5 分钟的对话，让我提前将安全层设计进架构，避免了后期代码写完再大规模返工。
步骤 3：逐模块实现，一次只做一件事
不要让 AI “把整个项目写出来”，这只会得到一堆你看不懂的代码。应该将大需求拆解成小任务，一次让 AI 只实现一个具体功能。
例如，不要说“帮我写一个用户管理系统”，而要说：“实现一个 User Manager，包含创建用户、获取配置、检查配额等功能，且每个用户数据存在单独文件夹中。”
这样 AI 的工作边界清晰，写出的代码质量更高，也不容易跑偏。
步骤 4：处理错误和细节，给 AI 足够的上下文
调试是开发过程的重要部分。我有两个提高效率的技巧：
- 让 AI 自己先测试代码：在 AI 写完一个模块后，让它编写测试用例来验证函数是否正确。这能自动发现并修复大部分低级错误。
- 报错时给足上下文：不要只说“这个功能不工作”。要详细描述你做了什么、期望什么结果、实际得到了什么。
例如：“我上传了一个 2MB 的 PDF，期望得到 Markdown 输出，但系统返回了 'Permission denied'。我觉得可能是目录权限问题。”
你给 AI 的信息越完整，它帮你定位问题的速度就越快。
产品思维——代码能学会，这个学不会
代码只是实现工具，真正决定产品好坏的是产品思维。AI 无法替代你做决策。
设计 1：为什么要做存储配额？ 我的服务器硬盘空间有限，如果不做限制，很快就会被用满。因此我决定为每个用户设置 5GB 的配额。这个“5GB”的决策，来源于我对使用场景和资源限制的思考，而非技术本身。AI 是执行者，你是决策者。
设计 2：消息太长怎么办？ AI 返回的长篇分析在聊天软件里显示效果很差。我的第一反应是让 AI 拆分消息，但体验不好。最终的方案是：超过一定长度的回复自动打包成 .txt 文件发送。这是一个基于用户体验的产品决策，AI 不会主动提出。
设计 3：安全问题怎么想？ 我的 Bot 能读写服务器文件，这是核心价值，也是最大风险。我主动思考了可能出现的安全问题，并做出了几个关键决策：禁用高危命令、做用户路径隔离、使用 Docker 容器。安全是你自己的责任，AI 只会实现你提出的功能。
这三个设计的共同点在于，它们都在回答“为什么”的问题。AI 能回答“怎么做”，但只有你能定义“做什么”和“为什么做”。不会写代码反而可能是一种优势，因为它让你更专注于思考问题的本质和用户的真实需求。
为什么普通人要多 Vibe Coding
- 边干边学是最高效的学习方式：为解决实际问题而学，动力更足，反馈周期更短。
- Demo 是最有说服力的沟通方式：它能穿透认知壁垒，让不会编程的人也能有效展示想法。
- 这是系统化思维最好的训练场：从零构建一个项目，迫使你从全局角度思考模块、依赖和优先级。
- 这是认识自己的一面镜子：在不断的选择中，你会更清楚自己真正在意的是什么，从而更好地认识自己。
- 这是管理能力的预演：你扮演“管理者”，AI 扮演“执行者”，这个过程能锻炼你的目标拆解、沟通和反馈能力。
在 AI 时代，技术门槛已被抹平，真正的瓶颈是“我知不知道自己想要什么”。如果你有想法，不要再用“我不会编程”做借口。把你的想法告诉 AI，你会发现自己能做到的事，远比想象中多得多。