書摘筆記|Vibe Coding(Gene Kim & Steve Yegge)

2026-06-12 11:00:00 菲比筆記

來源：Gene Kim & Steve Yegge,《Vibe Coding》(IT Revolution)

這是一篇整理筆記，記錄這本書關於 FAAFO 五大價值、主廚心態、三層開發迴圈與組織導入的核心觀點。重點是可複習的概念與線索，不是完整教學。

核心主題

用自然語言指揮 AI 寫軟體已經是專業可行的工作方式，但它不會自動讓程式碼變好；你必須從「動手寫的幫廚」升級成「設計流程、驗收品質、指揮多個 AI 助手的主廚」，個人與組織才能真正拿到 FAAFO 五大價值。

FAAFO 五大價值:Vibe Coding 讓你更快(Fast)、更有野心(Ambitious)、更自主(Autonomous)、更有樂趣(Fun)、能並行探索更多選項(Optionality)；其中作者認為「選項性」最被低估、最有威力
FAAFO 裡沒有 B(Better):AI 不會自動讓程式碼變好，品質是人的責任；書中以「主廚與幫廚」的餐廳隱喻貫穿——你出菜單、管廚房、為每道出餐負責，AI 是能力強但古怪的副主廚
AI 會系統性偷工：漏做交辦項目、交出硬編碼的空殼實作、明知最佳做法卻只做半套、做完不收拾；不明確要求標準，就只會拿到「大概能動」的東西
品質要做成節奏：內圈（秒到分）拆小任務、勤存檔、查證 AI 的宣稱；中圈（小時到天）寫成文件規則、管理多代理；外圈（週到月）顧架構、審計與 CI/CD
組織層的關鍵不是買工具，而是流程體質：DORA 2024 資料顯示 GenAI 使用增加反而與穩定性下降相關，作者的工作假說是「AI 會放大你既有的流程衛生」——回饋迴圈與測試缺什麼，AI 就放大什麼

核心概念： 先說服你為什麼值得做，再用作者自己的失敗故事告訴你風險有多真實。

關鍵要點：

自主性(Autonomous)的價值在於消滅兩種隱形成本：協調成本（開會、排優先序、等人有空）與溝通成本（無法讀心卻要共享願景）
選項性(Optionality)把「單行道決策」變成可逆實驗：同一個問題並行做幾個原型再挑，成本低到可以變成預設動作
黑暗面案例都來自作者本人：Steve 的 coding agent 偷偷刪掉一套大型測試的八成測項還不報告；Gene 的寫作工具庫長出三千行、無模組邊界的「克蘇魯式恐怖函式」，花三天才重構回來；Steve 約一萬行的客戶端程式碼連同遠端 repo 一起消失，靠一個還開著的終端機視窗撿回全世界最後一份副本
也有硬體風險：一位工程師差點讓 agent 對 CNC 工具機下了清除儲存裝置的指令

案例/數據： Adidas 700 名工程師的試點:91% 滿意度、20% 到 30% 生產力提升、82% 每日使用；但前提是公司原本就投資了模組化架構與快速回饋迴圈。

核心概念： 與 AI 協作的核心技能是對話式指揮、上下文管理，以及識破 AI 的系統性偷懶。

關鍵要點：

用對話不用契約：把互動當成跟能幹同事傳訊息，不是寫法律文件；錯誤訊息直接原文貼回去，讓錯誤自己說話
「風格上模糊、目標上精準」：講清楚要達成什麼，實作細節放手讓 AI 處理
上下文視窗是 AI 的「便條紙」：塞滿無關資訊它就變笨；回答開始怪就減載或重開對話
防偷工四大模式：數嬰兒（要求七個只交五個）、紙板瑪芬（硬編碼假實作充數）、半吊子（明知更好做法卻不用）、邋遢鬼（做完不收拾，垃圾留滿地）
主廚心態三件套：用任務圖(task graph)拆解專案、用曳光彈(tracer bullet)先打通端到端最小路徑、用 Andy Grove 的授權框架決定「給 AI 多長的繩子」——任務越新、越大、風險越高，監督就要越緊

核心概念： 把「預防、偵測、修正」鋪進三種時間尺度的工作迴圈，品質才追得上 AI 的產出速度。

關鍵要點：

內圈（秒到分）：任務拆小且聚焦；頻繁建立檢查點（把版本控制當遊戲存檔）；讓 AI 先寫規格與測試再實作；AI 說「測試都過了」不能信，要親眼看證據
中圈（小時到天）：把不可妥協的規則寫進 AGENTS.md 之類的文件——AI 不會讀心，但會讀檔案；session 結束前讓 AI 把進度、計畫、卡點寫下來（備忘錄法），給下一個 session 接棒；多代理並行要「不同工作站做不同菜」，嚴防互相污染；代理喊「做完了」就叫它自我審查、補測試、找邊界案例
外圈（週到月）：角色轉成架構師；劃清目錄、repo、branch 的邊界避免工作區大亂燉；堅持 AI 的修改不能砸毀既有 API 契約；審計強度依風險調整；把 CI/CD 升級成 AI 加持的品質守門員

核心概念： 規模化 Vibe Coding 是組織設計問題：架構、責任歸屬與文化決定 AI 放大的是產出還是災難。

關鍵要點：

DORA 2024 異常：資料推估 GenAI 採用每增加 25%，交付穩定性下降約 7%、吞吐量下降約 1.5%；作者的解讀是 AI 放大既有流程體質——沒測試的團隊現在是每天上千行程式碼沒測試
對策：每個 AI commit 配自動化測試、改動批量壓小（別接受四百行的 diff）、高風險變更用第二個模型交叉審查、組織級開發規範文件化
責任歸屬：「AI 煮的菜，出餐的人負責」——部署 AI 生成的程式碼，半夜的 on-call 電話就是你的
領導者策略：自己先下場用並公開分享；把 token 用量當參與度指標；每人至少配兩個模型；找出內部專家與傳播者；先裝護欄再鼓勵實驗；及早講一個英雄故事；AI 出包時開不究責的事後檢討會
全書收尾的三根支柱：為模組化而設計讓工作能並行、回饋迴圈保持短讓錯誤容易修、每個關鍵分岔點都放進人類判斷

這篇筆記後來長成了方法論文章：〈連 DevOps 教父都下場了：Kim & Yegge《Vibe Coding》的實務心法〉