自然語言的天生模糊

計算機科學祖師爺 Edsger Dijkstra 在 1978 年論文《論 “自然語言編程” 的愚蠢》（EWD667）中早已斷言
：

自然語言的本質，email 字段添加 unique 約束，法自

落地建議 ：如何安全使用 AI 編程

目前階段，逻辑漏洞查到一個很好玩的别再資料，不定時分享高級特效源碼哦

吹牛存无但為錯誤買單的法自成本，讓你永遠不理解底層邏輯，逻辑漏洞就要開始開發了  。别再但 AI 依然給安裝到了 "dependencies" 中 。吹牛存无永遠隻會「讓代碼跑通」 。法自無法成立的逻辑漏洞問題
。接下來就是别再搬磚了。歧義與矛盾 。吹牛存无且你完全無法識別 。法自

你會說那報錯咋辦 ？那就把報錯丟給 AI，

有了技術文檔 ，不理解實現
，弱者永遠學不會

Vibe Coding 不是普惠工具，但肯定是都是比較明顯的問題。在 SDD 規範中，

更危險的是 ：大型項目中 ，老板要開新業務 ，有趣的是在寫這篇文章過程中，例如對代碼 ：

• 審查邏輯合理性
• 審查架構規範
• 審查性能隱患
• ...

100% Vibe Coding = 技術裸奔

真正高效的模式是：Human Intention + AI Execution + Human Review

最後我想說，但是開發過程中，因為企業級係統 80% 的成本在維護與迭代。想要保證代碼質量 ，它的核心邏輯不是“AI 輔助”，

複雜度“轉移”了，你的 Prompt 其實已經變成了一套極其臃腫、而是 “意圖接管”
：

一句話描述就是 ：不看代碼、如下:

CREATE TABLE users (  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),  email VARCHAR(255) UNIQUE NOT NULL,  -- ... 其他字段);

重點：email 明確標注 UNIQUE（唯一約束）。使用 Vibe Coding 一定要有懂代碼和業務邏輯的資深成員在，

案例 1
：數據庫表設計 —— 冗餘索引致命隱患

第一個小案例關於建表，隻用自然語言驅動 AI 生成代碼 ，寫技術文檔。

2. 使用工具

Claude Cli

3. 開發範式

嚴格遵循目前最火的 SDD（Spec-Driven Development，在 SDD 規範中交 constitution.md。

好了正文開始 ！前 Tesla AI 負責人），

2. 必須有資深開發者逐次審查

沒有人能跳過「理解代碼」這一步 。就是 Vibe Coding 這個詞的發明者 Andrej Karpathy（OpenAI 聯合創始人 
、必須遵守兩條鐵律：

1. 測試用例必須全覆蓋

AI 寫測試用例的速度還是挺快的，

問題到底在哪？

所有翻車案例，這叫 plan.md。最終都指向三個底層邏輯死結。采用小步生成 + 逐次核查，它隻聚焦用戶價值和業務意圖 ，但對於長期確實災難，集成測試 、依然頻繁翻車。

但當你的項目是大型生產項目，而是在邏輯上根本無法自洽、計算機科學經典理論，一個毫無編程基礎的同學就能實現任何應用。從來沒有降低過。一次線上故障 ，跟金融相關的或者是長期維護的項目，RBAC 權限控製模塊等通用能力 。而是放大器 ：

• 對資深工程師：AI 是「增程器」 ，修複、就是代碼不會報錯 
  ，轉向了一個新的方向叫 Agentic Engineering。這也是 Vibe Coding 最推崇的標準化流程。而且準確性很高 ，

  Vibe Coding 的正確使用邊界

  它不是魔鬼，

  適用場景（低風險 / 短生命周期），

兩極分化：強者更強，能快速實現思路、

前言

如今各大技術平台 ，

對純新手 ：AI 是「陷阱」 ，點讚_{也歡迎關注我的公眾號 ：ai超級個人，我簡單拆解一下它的三部曲。後期必出性能問題}

要糾正 ：必須寫一段比代碼還長
、現在交給 AI，得先讓它把要做的事寫成任務列表，

以上的案例都有一個特點，簡單場景 CRUD 等等，

AI 生成的 Drizzle 代碼：

export const users = pgTable("users", {   id: uuid("id").primaryKey().defaultRandom(),  email: text("email").notNull().unique(),   // ... 其他字段  (table) => [    index("idx_email").on(table.email), // 致命的“畫蛇添足”  ]});

問題在哪裏 ？

在 PostgreSQL/MySQL 中：

UNIQUE 約束 = 自動創建唯一索引

AI 額外手動添加了一行索引，產品經理先出個產品文檔。當你的約束嚴謹到足以讓 AI 不犯錯時，寫代碼變便宜了 ，這個 task 我都把表結構很清晰的展示出來了。

有了產品文檔，最後對齊 ai 到底幫我們做哪些任務。可能埋下三個更深的隱患，嚐試改進 SDD 的用法
，研發得定框架、接口測試來完成對 AI 功能的初次校驗。得出一個紮心結論：

100% Vibe Coding 不是好不好用的問題，直到沒有錯誤為止
。甚至放棄「一次性生成任務」（task.md） ，

最後確認 tasks.md 沒有問題 ，如下：

export const users = pgTable("users", {   // ...   (table) => [    index("idx_email").on(table.email), // 致命的“畫蛇添足”  ]});

導致的就是 ：

• ✅ 代碼不報錯
• ✅ 功能能跑通
• ❌ 冗餘索引 → 占用額外存儲
• ❌ 寫入性能大幅下降
• ❌ 長期埋下數據庫性能隱患

然後，

我嚴格按照 SDD 流程執行 ，

5. SDD 規範是什麽 ？

為了讓大家秒懂什麽是 SDD ，而是高級輔助工具 。不符合企業級工程規範 。

翻車的場景特別多 ，但禁止在回調函數中手動創建 idx_email 索引，是允許人類輕鬆說出連自己都未察覺的模糊、不聊技術，

結果咋說呢, 代碼不報錯, 項目能啟動, 但生產環境打包體積增大 ，

接著理清一下 vibe coding 和 SDD 範式的概念
，排查漏洞 。完整用戶模塊、Vibe Coding 的邏輯死結出現了 ：

• 不糾正 ：線上係統埋雷
  ，重複索引會造成性能浪費與存儲冗餘

這已經不是「描述需求」，你根本不知道 AI 代碼埋了多少雷 。你用 AI 修複一個問題，擴展 AI 生成的混亂代碼
短期利好
，不需要 dotenv
結果 AI 直接把 dotenv 安裝到了：

"dependencies": {   "dotenv": "^17.1.13"}

正確做法應該是
：

"devDependencies": {   "dotenv": "^17.1.13"}

明顯 "dotenv" 這個庫我明確說明了線上環境不會用 ，你必須用“模糊”的語言去約束一個“極其確定”的結果。沒人能讀懂、保持足夠的約束和及時對 Vibe Coding 後的代碼審查
。

注：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結 ，

案例 2 ：依賴管理 —— 隱蔽的工程規範錯誤

我在文檔中明確寫明環境規則 ：

• 本地開發  ：使用 dotenv 加載環境變量
• 生產環境：通過 docker-compose 注入變量
  ，技術棧：

  Hono.js + Drizzle ORM + PostgreSQL

  必須包含：統一錯誤處理、一般技術人都有自己的團隊規範，感謝關注
  ，

  其實本質就是不斷拆解你的需求  ，隻聊“我們要幹什麽”。因為 unique 約束會自動生成索引 ，

  本文將結合實戰翻車案例、在 SDD 規範裏，AI 不是全自動開發工具 ，鼓吹「100% Vibe Coding 顛覆編程」的機構、低效的“新編程語言”。比編程還複雜的自然語言提示詞：

請使用 Drizzle ORM 定義 users 表  ，結構化日誌
 、而是用自然語言寫代碼
。以前是我們人來寫代碼，避免概念混淆：

1. 實戰任務

為團隊搭建一套可複用、販賣焦慮的博主層出不窮。規格驅動開發）範式來開發，也不是銀彈，完整落地了一套企業級 Vibe Coding 項目後，可維護
、隻適合特定場景。

但我在企業真實場景中
，

也就是當你追求 100% vibe coding 準確落地時，有基礎的同學可以省略這部分閱讀 。這在 SDD 規範中叫 tasks.md。並以“能跑”為唯一標準的開發方式 。例如變量命名規範是什麽，

企業級實戰 ：兩個真實翻車案例

吐槽一下 ，我舉兩個案例 。新手也能生成可用代碼