Vibe Coding 表面上赋予了开发者快速实现想法的超能力，引发了关于产品、设计和工程师角色将被 AI 取代的论调，许多公司也试图借此裁员降本。然而，这种做法往往事与愿违，导致产品充满问题，最终不得不重新雇人。根本原因在于，软件开发如同建造大楼，单纯追求编码速度会加速「架构腐化」，使系统迅速变得难以维护。真正的增效之道，是利用 AI 节省下的时间，投入到更严谨、更依赖人类思考的流程中，包括深入的用户研究、清晰的需求定义、稳固的架构设计和严格的质量管理。最终，人的价值并未消失，而是转向了提出好问题、把控方向和确保质量这些 AI 无法胜任的核心任务上。
架构的劣化：为什么快就是慢
开发软件并不像随手作画，它更像是一个层层叠叠、依赖紧密的建筑工程。从产品要解决的根本问题，到视觉、体验和信息架构，再到工程架构，每一层都是下一层的基础。
如果盖大楼的时候，工人已经盖到第五层，突然土老板想要在三层和四层之间加一个空中花园，你大概会觉得这人疯了。
在开发中，这种疯狂的需求变更却很常见。变更的层级越基础，对整个「楼体」的破坏性就越大。如果团队中的任何角色，无论是老板、产品经理还是工程师，都抱着「先随便塞进去交差」的心态，整个工程就会迅速劣化。
- 技术债的累积： 经过数次迭代，工程会出现大量飞线、复制粘贴的代码、混乱的逻辑和难以追踪的事件流。
- 维护成本飙升： 随便改动一个模块都可能引发一连串的 bug，修复一个问题又会产生新的问题。
- 开发效率骤降： 劣化越严重的工程，开发起来就越慢、越痛苦，最终不得不推倒重来。
Vibe Coding 虽然输出代码的速度很快，但也因此加速了架构腐化的到来。因此，它节省下来的时间不应该用来堆砌更多功能，而应该被用于清理技术债、撰写文档、进行代码评审和测试，以维持架构的健康。
把事情想清楚：一套替代臆想的开发流程
软件研发是一场漫长的接力赛，每个环节的参与者都有义务把问题想清楚再交棒。这套流程的核心是从抽象到具体，逐步缩小猜测的范围。
1. 澄清问题与用户
一切开始于一个好问题，以及对使用者的清晰定义。
- 找到好问题： 这个问题需要是明确的、可证伪的、且真正有人需要的。
- 绘制用户画像： 这一步需要基于真实的用户研究，而非凭空想象。画像应包含用户的背景、动机、目标和痛点。让大语言模型（LLM）虚构用户是危险的，因为它没有真实的生活体验和情感。 > LLM 没有真正活过，没有在真实的一天里遇到过让自己惊喜的瞬间，也没有遇到过让自己沮失去到想放弃的瞬间…要拿到这些经验，你必须走出办公室和真人进行沟通。
- 定义用户故事 (Epic / User Story / Job Story)：
- Epic: 描述用户想要达成的大方向，如「作为个人 NAS 玩家，我希望能轻松备份所有文件」。
- User Story: 将 Epic 拆解成具体的可开发单元，如「作为每天产生 10GB 视频素材的用户，我想指定不备份的文件夹，以节省空间」。
- Job Story: 关注触发动作的具体场景和动机，如「当 NAS 空间将满时，我想一键排除所有缓存文件，以便为新项目腾出空间」。
2. 规划体验与流程
通过用户旅程地图 (Journey Map) 将用户诉求与功能设计连接起来。地图通常包含：
- 顶部： 设定用户、场景和目标。
- 中部： 描绘用户在不同阶段的动作、想法和情绪曲线。这条曲线能直观地暴露出体验中的痛点，指明需要优化的方向。
- 底部： 总结发现，找到产品优化的机会点，并定义衡量成功的标准。
3. 从想象到现实
在写代码之前，原型设计是不可跳过的步骤。LLM 可以帮助快速生成低保真原型，但仍需人类的设计知识来修正其「AI 味」十足的设计。在原型得到用户和利益相关者确认后，工程师才能基于充分的信息，做出具备包容力的架构设计。
管理你的硅基员工：驯服大语言模型
将思考完全外包给 LLM 是工程腐化的根源。管理者需要像管理团队成员一样，建立一套机制来约束和引导 AI 的工作。
- 引入多元视角： 使用不同厂商的模型，可以提供更多元的视角，降低单一模型带来的盲点。
- 建立质量标准： 为 LLM 设定明确的开发规范，并持续更新。这套规范应强制模型遵守，例如：
- 定义「完成」： 任务只有在被完整集成、验证和清理后才算完成，拒绝半成品。
- 拒绝模糊： 禁止使用「更好」、「更干净」等主观形容词，除非附带可验证的数据。沟通必须精确、客观。
- 规范语言： 禁止自造词或不精确的口语化表达，以降低沟通成本。
- 坦诚不确定性： 如果没有明确的最佳方案，应如实说明，而不是硬造一个虚假的二元选择。
- 善用自动化约束：
- Linting 规则： 使用工具强制执行代码风格和最佳实践，比如禁止
any类型、要求提取命名类型等。规则比提示词更稳定、更有效。 - 测试驱动： 没有测试的代码默认就是坏的。 在修复 bug 前，先用测试复现问题，可以避免 LLM 四处抓瞎。
- Linting 规则： 使用工具强制执行代码风格和最佳实践，比如禁止
- 建立流程架构：
- Agent 管理： 采用多层 Agent 架构，让不同 Agent 负责规划、开发、审查等单一任务，避免因上下文过长导致模型「降智」。
- 文档化： 建立严格的文档体系（如需求文档、审查报告、技术笔记），将决策过程固化下来。这能确保知识沉淀，避免重复造轮子。
人的价值：在 Vibe Coding 时代无可替代
大语言模型可以模仿对话，但它无法真正理解和共情。
LLM 没那么在乎你的项目是否成功……So, unfortunatelly 机器 don’t give you a fuck。
- AI 缺乏共情： 它没有真实生活经历，无法理解用户的真实困境，也无法与人产生情感共鸣。
- AI 无法担责： 最终为产品成败负责的永远是人，而不是模型。
- AI 欠缺宏观视野： 机器擅长处理局部细节，但难以把握一个庞大项目的整体架构和价值。
因此，在 Vibe Coding 时代，人的价值不但没有降低，反而变得更加聚焦和重要。人的核心竞争力在于：
- 提出好问题： 无论是关于用户的，还是关于工程架构的。
- 掌控设计与质量： 发现 LLM 输出中的瑕疵，进行精准追问，确保最终产出的质量。
- 把控方向： 将 AI 释放的生产力，重新投入到更深度的思考、架构维护和流程优化中，确保产品的长期可持续性。