Vibe Coding

“氛围编程”是一种现代软件开发方法，开发人员在其中高度依赖人工智能（AI）来 生成、优化和调试代码，从而能够专注于高层次的目标，而非手动编写语法。该方法由 安德烈·卡帕西（Andrej Karpathy）于2025年初提出，其核心在于通过自然语言 提示来引导 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”——描述所需的应用程序架构，并让 AI 编码助手处理 实现细节。这种转变使经验丰富的工程师和新手都能快速构建原型和可运行的软件。

什么是氛围编码？

针对“氛围编程（vibe coding）”这一常见问题的解答是：它本质上是人类与AI代理之间的一种对话循环。这标志着编程方式正从严格的手动编程向灵活的AI驱动式创作转变。通过 氛围编程，用户只需表达意图，诸如 OpenAI的GPT模型或Anthropic Claude等工具便会将这些想法转化为可执行的脚本。这种实践 通常有两种形式。 “纯粹”的氛围编程是指用户完全信赖AI生成的结果 来进行快速原型设计或周末项目开发，通常不会审查底层代码。相比之下，负责任的 AI辅助开发则将AI视为协作者或结对编程伙伴，其中人类开发者保留监督权，负责 审查、测试和维护代码库。

“氛围编码”对人工智能开发意味着什么？

对于机器学习社区而言，Vibe Coding 极大地降低了入门门槛。此前，开发复杂的 计算机视觉（CV）管道或部署 模型，需要对诸如 PyTorch 和 TensorFlow。如今，开发者只需简单提示AI，即可生成 图像分割或 目标检测等任务所需的 代码。 这一概念与 生成式人工智能密切相关，但生成式人工智能指的是 生成新文本或图像的基础技术，而氛围编程则是用于编写软件的特定工作流或人机 交互模式。通过整合这一工作流，工程师可以加速 模型部署生命周期，从而专注于解决 核心业务问题，而非调试冗余的语法代码。

机器学习的实际应用

“氛围编码”的做法非常适用于现代人工智能工作流程。以下是两个具体示例，展示了 开发人员在实际工作中如何应用它：

• 自动化数据集准备：数据科学家可以指示 AI助手编写一个Python ，用于抓取图像、将其尺寸调整为640×640像素，并归一化 像素值。AI会生成所需的 OpenCV 或 Pillow (PIL)代码，使开发者能够准备计算机 视觉数据集，而无需手动编写数据转换逻辑。
• 快速模型推理管道：开发者可以使用 vibe coding 快速编写脚本，捕获实时网络摄像头画面并将帧数据传递给 基础模型。通过提示 AI 代理 “使用Ultralytics 编写一个实时推理循环”，用户可以跳过配置阶段， 立即测试视觉输出结果。

示例：使用 Vibe 编写计算机视觉脚本

在使用 AI 代理为 Ultralytics 应用程序编写代码时，生成的结果通常 会利用直观的高级 API。开发人员只需输入提示：“创建一个Python ，使用 YOLO26 对视频流进行 物体检测，并打印边界框坐标。”AI 可能会生成 如下所示的简洁、开箱即用的可运行代码片段：

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)

此代码片段演示了 vibe 编码如何生成函数式 Python 代码，该代码 能与库端点无缝交互，使开发者能够立即实现最终目标。

“氛围编程”是坏事吗？理解其中的权衡

探索这一趋势的工程师们常会提出一个问题：“氛围编程（vibe coding）是坏事吗？”虽然它提供了 无与伦比的速度和易用性，但也伴随着明显的取舍。卡帕西（Karpathy）本人曾指出，虽然代码 能正常运行，但有时会显得“臃肿”或包含笨拙的抽象。

• 技术债务与可维护性：由于 开发人员可能无法深入理解生成的每一行代码，长期维护可能会变得困难， 尤其是对于复杂的企业级软件而言。
• 安全漏洞：如果未对输出结果进行严格审查， AI 模型可能会无意中引入 算法偏差或不安全的代码模式。
• 云培训集成：虽然人工智能 能够编写培训脚本，但要高效管理底层基础设施，通常需要专用工具。 Ultralytics 提供 直观的云数据集标注和部署界面，帮助弥合这一差距，确保即使 周围的集成脚本是临时编写的，模型管道也能保持稳健。

归根结底，虽然纯粹的“氛围编码”非常适合快速构思，但在生产环境中，保持人类监督的平衡——通常 被称为负责任的人工智能开发——仍是最佳实践。