Vibe Coding

氛围编程是一种现代软件开发方法，开发者高度依赖人工智能 (AI) 来生成、完善和调试代码，从而能够专注于高层次目标，而不是手动处理语法。该方法由 Andrej Karpathy 于 2025 年初提出，涉及通过自然语言提示引导 大型语言模型 (LLMs)。程序员无需逐行编写命令，而是顺应项目的“氛围”，描述所需的应用架构，并让 AI 编程助手处理实现细节。这一转变使经验丰富的工程师和新手都能快速构建原型和可投入运行的软件。

什么是氛围编程？#

要回答氛围编程究竟是什么这一常见问题，它本质上代表了人与 AI 代理之间的对话循环。这标志着编程从严格的手动方式转向灵活的 AI 驱动创作。通过氛围编程，用户表达自己的意图，而 OpenAI 的 GPT 模型或 Anthropic 的 Claude 等工具会将这些想法转化为可执行脚本。这种实践通常有两种形式。当用户完全信任 AI 的输出，用于快速原型开发或周末项目，并且通常不检查底层代码时，这属于“纯粹”的氛围编程。相比之下，负责任的 AI 辅助开发会把 AI 当作协作者或结对程序员，由人类负责监督、审查、测试和维护代码库。

氛围编程对 AI 开发意味着什么？#

对于机器学习社区而言，氛围编程大幅降低了入门门槛。过去，开发复杂的计算机视觉 (CV)流水线或部署模型，需要深入了解 PyTorch 和 TensorFlow 等框架。如今，开发者可以轻松提示 AI，为图像分割或目标检测等任务生成所需代码。这一概念与生成式 AI密切相关，但生成式 AI 指的是生成新文本或图像的底层技术，而氛围编程则是用于编写软件的具体工作流或人机交互模式。通过整合这一工作流，工程师可以加快模型部署生命周期，把重点放在解决核心业务问题上，而不是调试样板语法。

机器学习中的实际应用#

氛围编程非常适用于现代 AI 工作流。下面是开发者在现实世界中应用这一方法的两个具体示例：

• 自动化数据集准备：数据科学家可以提示 AI 助手编写 Python 脚本，抓取图像，将其调整为 640 x 640 像素，并对像素值进行归一化。AI 会生成所需的 OpenCV 或 Pillow (PIL) 代码，让开发者无需手动编写数据转换逻辑即可准备计算机视觉数据集。
• 快速模型推理流水线：开发者可以使用氛围编程，快速拼装一个用于捕获实时网络摄像头画面并将帧传递给基础模型的脚本。通过提示 AI 代理“使用 Ultralytics 包编写一个实时推理循环”，用户可以跳过设置阶段，立即测试视觉输出。

示例：使用氛围编程编写计算机视觉脚本#

当使用 AI 代理通过氛围编程开发 Ultralytics YOLO26 应用时，生成的结果通常会利用直观的高层 API。开发者可能只需提示：“创建一个 Python 脚本，使用 YOLO26 对视频流执行目标检测，并打印边界框坐标。”AI 很可能会生成如下这样简洁且开箱即用的代码片段：

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Perform inference on a video file
results = model(source="video.mp4", stream=True)

# Iterate through the results to print bounding boxes
for result in results:
    print(result.boxes.xyxy)

此代码片段展示了氛围编程如何生成可运行的 Python 代码，并与库端点无缝交互，让开发者能够立即实现最终目标。

氛围编程不好吗？理解其中的权衡#

探索这一趋势的工程师经常会问：“氛围编程不好吗？”虽然它提供了无与伦比的速度和易用性，但也伴随着显著的权衡。Karpathy 本人指出，代码虽然能够运行，但有时可能会“臃肿”，或包含不自然的抽象。

• 技术债务和可维护性：由于开发者可能无法深入理解生成代码的每一行，长期维护可能变得困难，尤其是在复杂的企业软件中。
• 安全漏洞：如果不对输出进行严格审查，AI 模型可能会无意中引入算法偏见或不安全的代码模式。
• 云端训练集成：虽然 AI 可以编写训练脚本，但要高效管理底层基础设施，通常需要专用工具。Ultralytics Platform 通过提供用于云端数据集标注和部署的直观界面，帮助弥合这一差距，确保模型流水线保持稳健，即使周边集成脚本是通过氛围编程编写的。

归根结底，虽然纯粹的氛围编程非常适合快速构思，但在生产环境中保持人类监督与自动化之间的平衡——通常称为负责任的 AI 开发——仍然是最佳实践。