工具&规则 · 案例复盘 · media · Score 78

Vibe Coding 怨气调查：为什么 AI 写代码能跑但不敢上线？

原始标题：关于 vibe coding 如何提升代码效率和质量的技巧之 skill

这是不是一个值得进入写作池的选题

可选选题：质量闸提示缺口：czl-code-skill 仓库的公开内容或详细描述。

从程序员对 vibe coding 的怨气切入，讨论 AI 代码的可靠性、调试成本和上线风险，适合核心技术人和入门读者，泛兴趣读者会被“AI 写代码到底靠不靠谱”的冲突吸引。

原始线索

本文原始发布在: https://www.sunai.net/t/1407 本文使用 claude opus 4.8 协助编写 我身边不少人对 vibe coding 是有怨气的。模型已经够强了，Claude Code 这种工具也摆在面前，但他们的结论往往是：AI 写的代码不可靠，能跑但不敢上线，改一处崩三处，review 起来比自己写还累。 我自己用下来感受完全不一样。同样的模型、同样的工具，产出质量差距很大，差别基本不在模型，而在你有没有把"你这个人/你这个团队的工程判断"喂给它。大多数人把 AI 当成一个许愿池，丢一句话进去等结果；而真正能让 AI 稳定产出可上线代码的方式，是把你脑子里那套"什么叫写对了"的标准，固化成它每次都会读的东西。 这篇就讲我是怎么做的——核心是一个自己写的 code skill 。下面用的所有例子都来自我自己维护的 czl-code-skill 仓库。 一、skill 是什么，为什么要写自己的 skill 这个概念不复杂：一段带触发条件的、可被 AI 按需加载的规则文档。Claude Code （以及 Codex 、Gemini 这些支持同一套 skill-creator 标准的工具）会在合适的时机把它读进上下文，然后照着里面的规则干活。 它和你随手发给 AI 的一段 prompt 的区别在于两点：一是 持久 ，写一次，之后每个会话、每个项目都能复用，不用每次重新交代；二是 带路由 ，它不是一坨平铺的长文档，而是一个入口加一堆分领域的细则，AI 按当前任务只读相关的那部分。 那为什么要写"自己的"，而不是用网上现成的规范？因为编程这件事根本没有放之四海皆准的标准。命名风格、目录结构、该不该用 go:embed 、空数据返回 null 还是空对象、Cookie 还是 localStorage 做认证——这些每个团队的答案都不一样，而且很多答案是你踩过坑才定下来的。 AI 不知道你踩过哪些坑。它的默认行为是"统计意义上最常见的写法"，而最常见的写法对你的项目往往恰好是错的。我写 skill ，本质上是在做一件事： 把我脑子里那套隐性的工程判

为什么现在看：vibe coding 概念正热，但实际使用中问题频发，需要理性分析

收集原则判断：ai-frontier

原始链接：https://www.v2ex.com/t/1220892

选题判断

可选选题：质量闸提示缺口：czl-code-skill 仓库的公开内容或详细描述。

Vibe coding 概念正热，但实际使用中问题频发，开发者普遍反映 AI 代码能跑但不敢上线。本文从具体实践出发，提出通过 skill 固化工程判断来提升代码质量，切中当前 AI 编程工具的核心痛点：门槛降低但责任转移。

报告来源：deepseek · 可信度 78.0 · topic-selection-dossier-v3

这件事目前能确认什么

核心问题：Vibe coding 生成的代码是否真的可靠，以及如何系统性地提升其可上线性？

  • V2EX 用户 woodchen 发帖分享 vibe coding 经验，指出多数人抱怨 AI 代码不可靠，但问题不在模型，在于缺乏工程判断的输入。
  • 作者维护了 czl-code-skill 仓库（私有），用于固化团队工程标准。
  • Claude Code、Codex、Gemini 均支持 skill-creator 标准，官方文档和 GitHub 仓库可查。
  • 第三方评测显示 AI 生成代码的 bug 率比人类高 1.7 倍（Shiplight AI 2025 数据），逻辑错误多 75%，安全漏洞多 2.7 倍。
  • 多篇博客和媒体报道指出 vibe coding 在生产环境中失败的原因，包括缺乏上下文、调试困难、安全风险等。

时间线

  • 2025-12-17 - The Register 报道 AI 生成代码 bug 率更高
  • 2025-12-18 - TechRadar 报道 AI 代码问题
  • 2026-04-06 - Shiplight AI 发布 1.7x bug 率数据
  • 2026-06-16 - V2EX 用户 woodchen 发布 vibe coding skill 经验帖

证据与依据

逻辑能不能闭环

逻辑基本闭环：从问题（AI 代码不可靠）到原因（缺乏工程判断）到解决方案（skill 方法）到验证（官方支持、第三方数据），但 skill 方法的效果缺乏系统性数据，且依赖个人经验。

可以继续写的方向

  • Vibe coding 的怨气从何而来？：直接切入读者痛点，引发共鸣
    还需要：收集更多用户反馈和案例
  • Skill 方法实操指南：提供可复用的解决方案，增加实用价值
    还需要：作者仓库内容、skill 编写示例
  • AI 代码可靠性的数据真相：用数据支撑观点，增强说服力
    还需要：第三方评测报告详细数据
  • Vibe coding 的风险避坑清单：帮助读者避免常见陷阱
    还需要：更多失败案例和风险点

还缺哪些基础概念

  • Vibe coding 概念的定义和来源
  • Skill 方法的具体编写步骤和最佳实践
  • AI 代码可靠性的系统性评测数据（如不同模型、不同任务）

还缺哪些资料素材

  • czl-code-skill 仓库的完整内容（作者未公开）
  • 至少 2-3 个 vibe coding 正面案例
  • Skill 方法在不同项目类型（如高并发、安全敏感）中的效果对比

不能写成结论的地方

  • AI 写代码不可靠是普遍现象
  • Skill 方法能解决所有 AI 代码质量问题
  • Vibe coding 概念有明确定义
  • Claude Code/Codex/Gemini 都支持同一 skill 标准（已确认支持，但标准细节需进一步验证）

下一步补证检索词

  • czl-code-skill 仓库的公开部分有哪些？
  • Skill-creator 标准的具体规范是什么？
  • 有哪些团队成功使用 skill 方法提升 AI 代码质量？
  • Vibe coding 概念最早由谁提出？

停止信号

  • czl-code-skill 仓库不存在或内容与描述不符
  • Skill-creator 标准并非跨平台通用
  • 没有找到任何正面案例支持 skill 方法

原始事实和证据入口

事实入口

  • confirmed_fact：V2EX 分享创造 发布/收录了这条原始线索：关于 vibe coding 如何提升代码效率和质量的技巧之 skill 来源

已确认部分

  • 标题、来源 URL、来源类型、抓取时间已记录。
  • 该条线索来自稳定公开源，而不是强反爬论坛或截图转述。

证据入口

来源优先级：P2 可参考源

GitHub Actions 稳定抓取：True

给 GPT 前必须知道的边界

存疑点

  • 缺乏系统性数据支撑
  • 样本可能偏负面

继续深挖方向

收集更多开发者对 vibe coding 的负面反馈，分析 AI 代码的典型错误模式，对比不同工具的可靠性

  • 继续追官方文档、价格页、GitHub 仓库、真实用户案例或反方证据。
  • 确认成本、门槛、合规、平台规则或岗位影响的具体边界。
  • 把所有无证据、弱证据和推断点显式标记，等待补证后再升级结论。

懂行人可能会挑刺

  • 不能把单条线索写成已验证机会。
  • 不能把技术可实现直接推导为商业可赚钱。
  • 涉及价格、收益、比例时必须继续找来源或公式。

不能写成结论

  • 不要声称老花已经实操验证。
  • 不要声称普通人都能复制。
  • 不要在证据不足时给完整行动方案。

交付给 GPT 的使用入口

后续 GPT 应用应优先读取本静态页里的选题结论、判断链路、证据入口、缺口和可写方向；如果读取 JSON，则优先读取 selection_dossier 和 material_pack。

继续检索词：

  • Vibe Coding 怨气调查：为什么 AI 写代码能跑但不敢上线？ 原始项目 GitHub 复盘
  • Vibe Coding 怨气调查：为什么 AI 写代码能跑但不敢上线？ 收入 增长 证据
  • Vibe Coding 怨气调查：为什么 AI 写代码能跑但不敢上线？ 失败 限制 反方证据