跳到主要內容

Vibe Coding：到底?氛圍驅動程式開發必殺技?

Vibe Coding（氛圍編程）是由 OpenAI 共同創辦人 Andrej Karpathy 在 2025 年提出的革命性程式開發方式，它讓開發者透過自然語言與 AI 對話來生成程式碼，徹底改變了傳統的編程模式。

這種開發方式的核心理念是「順著感覺走」，讓 AI 處理技術細節，開發者專注於創意和需求描述。

Vibe Coding 需要基本上的規劃和執行，但並沒有強制規範，從日常經驗來說可分為三個階段，前期準備、開發過程、和後期維護三個關鍵階段。每個階段都有其特定的任務和注意事項，正確執行這些步驟將大幅提升開發效率和程式品質。

將靈感與需求透過 AI 快速轉化成產品功能或原型。以下幫你分成「前、中、後」三階段要做的事情，適合你自己做、或帶團隊做


前期：設定 vibe & 準備素材

這個階段的重點是「建立開發語境」，因為 AI 的生成表現高度依賴前期提供的上下文與資料。

  • 明確目標：釐清要解決的問題、預期要做的功能與核心價值。例如在筆記軟體的情境中，可能是：「我要做一款讓使用者能用 Markdown 記錄筆記，並提供標籤與全文搜尋功能的簡單 App。」
  • 收集靈感：觀察同類產品（如 Obsidian、Notion）、蒐集市場痛點（例如太多筆記軟體無法脫機使用，或同步效能差）。
  • 建立語境：準備初步 prompt、背景知識、產品定位、品牌調性、目標使用者輪廓等。
  • 確認資源：決定用哪些工具（Gemini、ChatGPT、設計軟體、流程管理工具等）。

確認完上述內容之後，就可以先開始進行準備規格，進行第一次的 Vibe Coding 方向驗證

提示詞模板準備

很多人會跳過這步驟，但一份「好的 AI 提示詞模板」將決定接下來每一次 AI 對話的品質。有效的提示詞模板需具備：

  • 描述具體且無歧義
  • 包含技術要求和約束條件
  • 提供範例資料和測試案例
  • 指定程式碼風格和慣例

例如針對筆記軟體的案例： 

「建立一個支援 AI 功能純文字筆記，輸入內容可即時渲染；需支援儲存到本地檔案，提供標籤欄位做分類；以 React 架構，程式風格採用 Tailwind style components 並使用 hooks。」

開發工具選擇

開發工具的選擇同樣重要，目前市場上主要的 Vibe Coding 工具包括：

  • VSCode：透過 Copilot 或自訂 AI agent 快速補全程式碼
  • Cursor：專業級 AI 程式編輯器，適合複雜專案開發
  • Replit：雲端編輯器，適合快速原型開發
  • v0：專精於生成 UI 組件，適合將介面先做出雛形
  • Firebase Studio: 網路介面，可讓您使用多模態提示(包括自然語言、圖像和繪圖工具) 快速製作原型

中期：進行 Vibe Coding 協作開發

當前期語境完成，就能開始真正的 Vibe Coding 工作坊。這階段的任務在於：

  • 互動式生成 與 AI 來回對話，快速生成初版 UI、流程、資料結構等。
  • 持續微調 依據每次測試回饋，馬上調整提示詞與生成內容。
  • 共創記錄 同步記錄決策依據、版本紀錄，利於未來回顧或團隊交流。
  • 產出原型 以 AI 產物為基礎，結合 v0、Lovable、Figma、Canva 等工具，快速生成雛形 UI。

案例：建立 Markdown 編輯器

假設你在提示詞 Prompt 中輸入：

我需要一個 React 元件，支援文字即時預覽，使用者輸入的內容可以透過 marked.js 轉換成 HTML 並呈現在旁邊的區塊。

AI 回應後，如果有缺陷（例如樣式混亂、未處理 XSS），你要馬上補充提示：

請將 marked.js 轉譯結果先透過 DOMPurify 淨化，以防止 XSS 攻擊。

接著持續測試、微調，直到功能符合心中 vibe。

請將 marked.js 整個功能再次確認，進行 TDD 功能編寫驗證。

接著持續測試、微調，直到功能符合心中 vibe。

迭代式開發流程

Vibe Coding 的本質是「把需求用自然語言清楚描述」，而不是自己寫到死。描述需求時要做到以下幾點：

  1. 描述需求：用自然語言說明想要的功能
  2. AI 生成程式碼：等待並查看 AI 產生/調整程式碼區塊
  3. 即時測試：立即運行和測試生成的程式碼
  4. 提供反饋：針對問題用簡單明確的語言反饋
  5. 迭代優化：重複上述流程直到滿意

關鍵是要小步快跑，避免大幅修改，每次只針對一個小功能進行調整，這樣更容易追蹤問題並保持程式碼品質，其中像是 v0, replit 都具備每個段落提供自動的版本紀錄規劃，讓使用者在接下來的迭代，都可以順利的往下進行，或者回頭進行重新實作的完整體驗。

例如： 

「建立一個用於筆記軟體的標籤系統元件，支援新增、刪除標籤，並自動避免重複；點擊標籤後可觸發事件 filterNotes(tag)，用以篩選顯示筆記列表。」

開發節奏管理

保持適當的開發節奏和專注度對 Vibe Coding 至關重要。建議：

  • 避免長時間連續開發造成疲勞
  • 定期休息以保持判斷力
  • 記錄開發過程中的關鍵決策
  • 適時進行程式碼備份

每次只調整一個小功能，避免一次大修導致混亂。像 Cursor、Replit 具備自動版本紀錄，每一步都能回溯，讓你隨時掌握進度。

後期：驗證 &收斂

在這階段的工作是收斂成果、完成驗證，並進入交付或發佈前準備：

  • 內部評估：與團隊或測試對象快速測試成果是否符合 vibe & 需求。（如果你沒有對象，在下也愛莫能助）
  • 修正迭代：根據回饋再次用 AI 進行調整，優化內容或介面。
  • 成果彙整：整理最終版本的流程、設計、文案，建立可交付文件或 demo。
  • 後續計畫：明確下一步（交給工程、準備 pitch、或做用戶測試等）。

部署與監控

完成程式碼功能確認後，建議可以持續的進行部署更新，如果可以的話建議持續性的部署規劃：

  • 先在測試環境進行完整驗證功能
  • 建立自動化部署流程
  • 設置監控和日誌系統
  • 準備回退方案 

實作心法與安全提醒

在整體的過程中，建議各個（甚至是工程師）可以體會一下，

  • 小步快跑，頻繁交付 把大功能拆成小模組，每次只聚焦一塊。
  • 強制人工驗證 不要盲目相信 AI 產出的程式碼，所有邏輯都應測試。
  • 持續優化提示詞樣板 根據每次開發回饋更新提示詞，讓 AI 與你的各方面需求越來越契合。

常見的安全盲區

而最後，最被忽視，從來都是最嚴重的問題！

這部分，對於大部分的非技術體驗者，甚至到開發者，其實都有可能逐漸忽視這塊！

最經典的議題就是將 openai api key 直接暴露於前端，讓所有使用者都可以直接拿取直接呼叫。（費用大爆炸）

而其中歸納最常見的問題大概會有這幾種（專業名詞不懂建議都可以再深入 ChatGPT or Google)

  • SQL 注入、XSS
  • 不當的身分驗證
  • 密碼未加密
  • 將使用者資料隨意記錄到外部服務

如果這些問題沒有特別防範，會讓產品直接暴露風險。當然如果各位有這些顧慮，歡迎找我們討論。

後記：Vibe Coding 是自由還是陷阱？

寫了這麼多，其實想表達的是，Vibe 本身是一種隨性，但隨性並不代表隨便，還是需要具備基礎認知和框架才可以走得穩當，跑得飛快。

Vibe Coding 可以很秋，很隨性，也的確可以解決許多手動問題，個人問題，思考輔助，同時也可以讓自己透過自動化，透過程式工具解決許多系統化的問題。

認真建議，歡迎每個人都開始從 Vibe Coding 投入寫程式的行列，如果說要做什麼題目，我想就先從 Eat your own dog food. 開始！

切記，『保持初心』

後記的後記

市面上絕大部分教學 Vibe Coding 並且說自己有多成功的人，大多常見的成功是來自於學生的你，太多的神話與倖存者偏差，讓各自山頭開宗立派各自成立門戶，這真的沒必要。

這個月的 Awesome Course，下一個季度就變成 Awful Class

試想，既然叫做 Vibe Coding 又何來雜七雜八道理可言呢？既然要 Vibe, 就要有那個範兒，怎麼會有什麼太多的奇怪限制與奇怪格式呢！

說這話，太傷人，但實話就是你沒有女朋友

實際上我認為是『如果要教學，就好好教學，發自內心的傳授所知。』，價格和價值市場自然會進行評價。

沒必要先畫一個成功財富自由的餅，讓一群人盲目跟從。就如同股票教學，真正教的，是心法，是回測，是面對真實的自己，只有真正屬於自己的，學到的，才是真的。

實話總是太傷人，但該說還是要說！

參考資料

諮詢聯繫

歡迎與我們聊聊產品策略、流程優化與 AI 工具導入方式，我們團隊很樂意協助！ 歡迎直接聯絡我，或者來信， 

📩 信箱位置 👉 service@cympotekc.om

https://www.cympotek.com/

社群活動分享

如果你看完這篇文章，也開始對「怎麼用 AI 幫你加速、放大你的想法」感到興趣，那你絕對不能錯過這場活動👇

🎤 🐻 Coding Bear 台北場｜來聊什麼是 Vibe Coding 台北場

我們將深入分享如何結合 AI 與程式、創意、內容製作，

讓你用最自然的方式，讓 AI 成為你的工作室助手。

📅 時間：7/25（五）18:30

👉 報名連結：https://codingbear.kktix.cc/events/ai-vibe-coding-2025-07-taipei

天南地北來亂聊，從設計、內容到自動化，無論你是創作者還是開發者，這場講座也許會有實用又有趣的靈感（吧）。來聊聊 AI 怎麼幫你少做一點雜事、多做一點你真的想做的事吧！

標籤：

留言

張貼留言

這個網誌中的熱門文章

Vibe Coding：為什麼 Junior 更快上手？Senior 要如何追趕？

現象層面（市場觀察） 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變，非常熱門。 身為 Cympack 產品開發團隊 ，我們也一直關注這個議題，在閱讀這篇文章時觀察到一些有趣的現象，對我們來說，這正好反映出 AI 正在改變開發生態，junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位，其中有些啟發（insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding？ 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」，反而 embrace 快速迭代、快速出成果 反觀 Senior： 熟悉大型系統設計 有豐富的「工程正統流程」知識（架構設計、測試策略、效能優化、設計模式） 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師，對 prompt engineering 沒那麼熟練，還在觀望 技能面（未來的關鍵能力） Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢？ Prompt 撰寫 / AI 互動 Junior 較強（熟悉 chat-based 流程） 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強（能看出潛在問題） 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding，並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力，但若不主動練習 vibe coding，長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享，希望帶給各位的感受， 『與 AI 協...
張貼留言
繼續閱讀>>

Vibe Coding 協作到自建 Dev Agent？從 Claude / Codex 到 OpenHands

過去一年，越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題，到後來很多人愛上 Cursor，直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗，已經大大改變了我們寫程式的方式。 更現實的是，在很多企業內部、政府單位、或涉及機密資料的專案裡， 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理，萬一專案裡有未公開的技術、敏感客戶資料，或是受限於法規 （像金融、醫療、政府標案） ，直接用雲端 AI 工具就會踩 紅線 。  因此，許多團隊反而更希望 「自己架一套 Dev Agent」 ，可以在內網執行，資料完全掌握在自己手上，該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline，全部客製化、安全可控。 這時候，像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手，而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署，從 CLI 操作到瀏覽器查詢， 從多檔案編輯到自動測試，全部都能自己完成，甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說，這是一條 從 「AI 幫你寫一段程式」，走向「AI 幫你解決一整個任務」 的進化路徑。而且，還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」，能模仿人類工程師從建立程式、修改程式碼、執行指令，到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端（OpenHands Cloud）與本地 Docker 運行版本，用戶能配置 LLM（如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用，又或者如果自己本機有 docker 的話，可以自己Local 版本透過 Docker 自架環境。 ...
張貼留言
繼續閱讀>>

Google Gemini 全端 AI Agent 快速入門 - 打造「思考」的 AI 助理

一套從搜尋、反思到輸出的全端 AI 代理人範例，讓你看懂什麼叫 Research Agent 在 AI 工具百家爭鳴的今天，大家都在問一個問題： 「我能不能不只問 AI 答案，而是讓它像一位助理一樣，有流程、有反思、還有出處，真正幫我完成一件事？」 Google 最近釋出了一個相當具有指標意義的開源專案 gemini-fullstack-langgraph-quickstart ，正是為了解這個問題而誕生。 這套系統到底是什麼？ 這個範例不是傳統 Chatbot，而是展示一個完整的 AI research agent ： 它會根據使用者的提問，自動發想搜尋關鍵字、查資料、整合重點，最後給出答案還附上引用來源。背後的邏輯設計得非常扎實，不只是能跑，更是具備可讀性、可擴展性與可商用性。 它的流程大致如下：  1. 使用者輸入問題（例如：「抖音是否影響台灣選舉？」）  2. Gemini LLM 幫你想出關鍵字（不只是照抄問題）  3. 呼叫 Google Search API 抓資料   4. LangGraph 控制流程 → 判斷資料夠不夠 → 若不足，自動補查  5. 整合最終答案，並產生 citation（來源說明） 你可以想像這就像一位實習助理幫你寫報告， 不只輸出一段內容，而是會 去查、會判斷、會補資料，而且說明「我為什麼這樣說」 。 LangGraph 是什麼角色？ LangGraph 就是整個 Agent 背後的控制系統 。 用白話講，它幫你定義 AI 每一步要幹嘛、遇到什麼狀況該走哪條路、要不要反思、要不要再查，甚至可以定義條件邏輯與資料流動。 這就不像寫一個單純的 Chat API，而是比較像「把一個流程圖變成可以跑的程式」。 對工程師來說，它提供了從 prompt 到流程控制的設計彈性；對產品設計來說，它讓 AI 有了 「多步驟任務執行」 的能力。 技術架構與使用方式 這整套系統是 Fullstack 架構，前後端都幫你整好了，技術選型也非常實用：   前端：Vite + React + TailwindCSS + Shadcn UI  後端：FastAPI + LangGraph...
張貼留言
繼續閱讀>>