書摘筆記|Vibe Coding: The Future of Programming(Addy Osmani)

來源：Addy Osmani,《Vibe Coding: The Future of Programming》(O'Reilly, Early Release)

這是一篇整理筆記，記錄這本書關於「70% 問題」、常見失敗模式與三種人機協作模式的核心觀點。重點是可複習的概念與線索，不是完整教學。

核心主題

AI 能又快又好地完成軟體開發中約 70% 的工作，但剩下的 30%——邊界情況、架構、可維護性——仍然需要人類的工程判斷；這 30% 正是 AI 時代工程師價值的所在。

核心觀點

• 70% 問題:AI 擅長處理「偶然複雜度」（重複、機械、有模式可循的部分），但「本質複雜度」（理解與管理問題本身的複雜性）仍在人類肩上
• 知識悖論：資深工程師用 AI 加速「已經會的事」，新手卻想用 AI 學「還不會的事」——同一套工具，兩種命運
• AI 的自信遠超過它的可靠：產出看起來完整漂亮，可能藏著只有懂的人才看得出的長期地雷
• AI 不會發明訓練資料之外的新抽象、新策略，也不為決策負責——決定做什麼、怎麼架構、為什麼，始終是人類的事
• 工程師的角色不是消失，而是改變：打字變少，指揮與把關變多

詳細內容

部分一：常見失敗模式

核心概念： 不懂原理的使用者會掉進可預測的失敗循環。

關鍵要點：

• 「兩步後退」反模式：修一個小 bug → AI 的修法弄壞別處 → 再請 AI 修 → 生出兩個新問題 → 無限循環
• 「Demo 品質陷阱」:happy path 跑得漂亮、投資人驚豔，真實使用者一點就崩——錯誤訊息看不懂、邊界情況閃退、慢速裝置卡死
• 越自動的 agentic AI（自主規劃、執行、迭代），越放大基本功的重要性——看不懂過程的人，出事時無從介入

案例/數據： 一位非工程師的真實心聲：AI 帶你走 70% 的路，但最後 30% 令人挫折——一步前進、兩步後退；「如果我懂程式我就能自己修，但我不懂，所以我懷疑自己到底學到了什麼」。

部分二：三種有效的人機協作模式

核心概念： 觀察數十個團隊後歸納的三種可複製工作型態。

關鍵要點：

• AI 當第一稿作者(First Drafter):AI 生初稿，人類重構、補錯誤處理、寫測試、做文件
• AI 當結對夥伴(Pair Programmer)：人與 AI 持續對話、緊湊回饋圈；每個獨立任務開新對話、prompt 聚焦、頻繁 commit
• AI 當驗證者(Validator)：人寫程式，AI 負責掃漏洞、生測試、抓異常
• 版本控制在 AI 時代更重要：AI 產出的變更要「更頻繁 commit」且「不同性質的變更分開 commit」，以便回溯

案例/數據： 兩種團隊型態——「bootstrappers」（用 Bolt/v0 從零到 MVP，數小時出原型）與「iterators」（用 Cursor/Copilot 融入日常工作流）；兩者都快，但都有隱性成本。

部分三：黃金法則（精選）

核心概念： 讓 AI 協作不翻車的行為準則。

關鍵要點：

• 把 AI 當「需要監督的 junior」：產出一律視為草稿
• 永遠用「你的原始意圖」驗收 AI 的產出，而不是看它順不順眼
• 不要合併你看不懂的程式碼——理解是可維護性與安全的底線
• 所有程式碼（不管人寫的還是 AI 寫的）都過同一套 code review
• 把好用的 prompt 存起來重複用，團隊共享

部分四：不同資歷的人類價值（第二章）

核心概念： 70% 自動化之後，各層級工程師該把力氣放哪。

關鍵要點：

• 資深：當「架構師+總編輯」——把需求翻譯成規格給 AI，再逐行把關；帶人、立標準、用領域直覺抓 AI 的錯
• 中堅：往系統整合、邊界管理、效能與 DevOps、系統思維深化；學會問「如果…會怎樣？」——AI 預設只解一般情況
• 新手：基本功不能跳過「為什麼」；定期「無 AI 日」練獨立除錯；從「消費答案」轉成「建立理解」——把每個 AI 產出當教材拆解
• 共通的耐久技能：系統設計、批判思考、測試與除錯、跨職能溝通、持續學習

金句摘錄

• 「AI 帶你走 70% 的路，但最後的 30% 才是挫折的開始。」（第一章，引述 Peter Yang）
• 「今天的 LLM 像一個產能驚人的 junior 工程師——快得不可思議，但可能嗑了什麼，隨時端出瘋狂的方案。」（第一章，引述 Steve Yegge，意譯）
• 「AI 的自信遠遠超過它的可靠。」（第一章）
• 「我們面對的不是程式設計的終結，而是『我們所知的程式設計』的終結。」（第二章，引述 Tim O'Reilly，意譯）
• 「LLM 是給力量使用者的力量工具。」（第二章，意譯）

實踐方法

1. 每個獨立任務開一個新的 AI 對話，prompt 聚焦單一目標
2. AI 產出一段可用的程式就 commit 一次；不同性質的修改分開 commit
3. 驗收時拿「原始需求」逐條對，不憑感覺
4. 看不懂的程式碼不上線——先請 AI 逐行解釋到你懂為止
5. 定期安排「無 AI 日」，保持獨立解題與除錯的手感
6. 建立團隊（或個人）的 prompt 範本庫，好 prompt 重複用