AI 编程不止 Vibe Coding：六种主流模式与适用场景对比

核心洞察

这篇文章最有意思的点是，它把 AI 编程从“跟 AI 聊天写代码”这一个模糊印象，拆成了一套有层次的体系。如果你正在准备面试，或者想搞清楚自己团队该用哪种方式，这张对比表比大多数付费课程都讲得清楚。不过我得提醒一句，这些概念大多诞生于 2025 到 2026 年，迭代速度极快，今天的最佳实践过几个月可能就变了，别把它们当成固定教条。

大家好，我是程序员鱼皮。

最近有个朋友跟我说，他去面试的时候，面试官问他：“你对 AI 编程了解多少？”

他张口就来一句“不就是 Vibe Coding2025年初由Andrej Karpathy提出的软件开发方法论，强调自然语言驱动、AI协作开发、快速原型验证和Accept All模式。 吗？跟 AI 对话而已，有啥难的？”

然后面试官没绷住笑，反问了一句：“就这？你确定么？”

他愣住了：“阿巴巴巴。。”

如果是 2025 年，这个答案可能还能唬住很多面试官，因为那会儿大家一提 AI 编程，脑子里就只有 Vibe Coding。跟 AI 随便聊几句，代码就出来了，能跑就行。

但 2026 年了，AI 编程的玩法早就不只这一种了。

AI 编程不等于 Vibe Coding

Vibe Coding 只是 AI 编程众多模式中的一种，而且是最随性的那种。如今 AI 编程的模式已经非常多了，从跟着感觉走到按流程来，从一个人问 AI 到一整套方法论驱动，不同场景有不同的最佳实践。

今天就给大家一次性讲清楚，目前主流的 6 种 AI 编程模式到底是什么？有什么区别？各自适合什么场景？

搞懂这些，下次面试再被问到 AI 编程，你就能从容地掏出一整套体系了。

本文内容节选自鱼皮免费开源的《AI 编程零基础入门教程》中的「Vibe Coding 概念大全」篇，想系统学习 AI 编程的朋友可以直接去看完整教程。

核心结论

1. AI 编程不等于 Vibe Coding：Vibe Coding 只是 AI 编程众多模式中的一种，且是最随性的一种，目前主流模式已扩展至 6 种。

2. Vibe Coding 由 Andrej Karpathy 于 2025 年 2 月提出，核心是通过自然语言与 AI 对话生成代码，适合小工具、快速验证想法和个人项目原型。

3. Agentic Engineering面向智能体工程的模型设计理念，使模型能够在复杂系统工程与长程Agent任务中提供可靠生产力。 由 Andrej Karpathy 于 2026 年 2 月提出，强调先规划方案、拆解任务再交由 AI 执行并验收，适合中大型项目和团队协作。

4. Harness Engineering一种在AI模型周围构建结构化控制系统的工程方法论，通过系统提示词、工具/API、测试环境和中间件来引导模型输出，提升任务成功率并控制成本。 包含三大核心支柱：上下文工程、架构约束和熵管理，其核心理念是模型本身已是通用商品，真正的竞争力在于围绕模型搭建的工程体系。

5. SDDSpec-Driven Development规范驱动开发，强调在编码之前先创建明确的、AI能直接理解和执行的规范文档，并把规范文档当作代码的唯一真相来源。（规范驱动开发）将规范文档作为代码的唯一真相来源，GitHub 于 2025 年 9 月发布了开源工具包 Spec Kit 以支持该方法的实践。

一、Vibe Coding 氛围编程

Vibe Coding 是由计算机科学家 Andrej Karpathy 在 2025 年 2 月提出的概念。它描述了一种全新的编程方式：通过自然语言和 AI 对话，让 AI 帮你写代码，你只需要描述需求、测试结果、指导方向。

你不需要精通编程语法，只需要能清楚表达你的想法，AI 负责把你的想法变成可运行的代码。

所以说，Vibe Coding 的重点不是写代码，而是明确需求并清晰表达。你描述得越清楚，AI 给你的结果就越靠谱。

这就像点外卖一样，你告诉外卖平台你想吃什么，餐厅帮你做好送到手上。你不需要会做饭，但要知道自己想吃什么。

适合场景：做小工具、快速验证想法、个人项目原型、非程序员想快速做出产品。

二、Agentic Engineering 智能体工程

Agentic Engineering 智能体工程是 2026 年 2 月由 Andrej Karpathy（也就是提出 Vibe Coding 的那位大佬）提出的新概念，可以理解为 Vibe Coding 的规范版。

Vibe Coding 就是跟着感觉写代码：你给 AI 一句话，AI 吐出代码，能跑就行，跑不了就把报错粘回去让 AI 再改。做个小工具贼拉快，但项目一大就容易翻车。

而 Agentic Engineering 的思路是：你先想清楚要干嘛、写好方案、拆好任务，再把活交给 AI 去执行，它干完了你还得验收，质量不行再打回去重做。

打个比方，Vibe Coding 的时候你是个 DJ，放什么歌全凭感觉；Agentic Engineering 里你是包工头，流程、质量、验收都得你说了算。一个跟着感觉走，一个按流程来。

当然，不是说 Vibe Coding 已经过时了。Vibe Coding 负责让你看到可能性，Agentic Engineering 负责把可能性变成真正能用的东西。二者适用于不同的场景，做小工具时可以用 Vibe Coding，做企业级项目就需要 Agentic Engineering 的思维。

适合场景：中大型项目、团队协作、需要长期维护的正式产品。

三、Harness Engineering 驾驭工程

Harness Engineering 驾驭工程是 2026 年兴起的 AI 工程新范式，核心理念是人类掌舵加智能体执行。

它不是去优化 AI 模型本身，而是围绕 AI 智能体搭建一整套约束机制、反馈循环和工作流管理系统，让原本不可预测的 AI 在高可靠性环境下跑得稳、跑得快。

Harness 这个词本意是“马具”，就像缰绳和马鞍用来引导强大但难以预测的马匹一样，Harness Engineering 就是围绕 AI 编程智能体搭建的整套“运行环境”，确保 AI 能按照你的预期工作。

Harness Engineering 包含三大核心支柱：

1. 上下文工程：确保 AI 在正确的时间获得正确的信息，包括代码库文档、架构规范、AGENTS.md 文件、测试结果等
2. 架构约束：通过代码规范检查器、自动化测试等机制，强制规定 AI 必须遵守的规则，明确的边界能让 AI 更快地收敛到正确的解决方案
3. 熵管理：定期清理 AI 生成代码中积累的问题，比如过时文档、命名偏差、死代码等

为什么这个概念越来越重要呢？

因为在 AI 编程时代，模型本身已经是通用商品，真正的竞争力在于你围绕模型搭建的工程体系。同一个大模型，在不同的 Harness 环境下，代码质量可能天差地别。程序员的角色正在从“自己写代码”转变为“设计让 AI 可靠写代码的系统”。

适合场景：企业级 AI 开发、对代码质量和稳定性要求高的项目、需要多人协作的长期项目。

四、Ralph Wiggum Loop2026年流行的AI编程模式，名字来源于《辛普森一家》角色，核心思路是把AI放在循环中反复执行，直到需求文档中所有检查项完成，可无人值守运行。

Ralph Wiggum Loop 是 2026 年比较流行的一种 AI 编程模式，名字来源于《辛普森一家》中那个执着不放弃的角色 Ralph Wiggum。

这个模式目前已有多个开源实现，比如 wiggumdev/ralph。它的核心思路很简单：把 AI 放在循环中反复执行，直到需求文档中的所有检查项全部完成。

工作流程大概是这样的：

1. 先写一份 PRD（产品需求文档），把要做的功能拆解成一个个清晰的检查项
2. 让 AI 智能体开始执行，每次从检查清单中取出未完成的任务
3. AI 完成一个任务后，通过 Git 提交代码并记录进度
4. 以全新的上下文开始新一轮迭代，继续处理剩余任务
5. 不断循环，直到所有检查项完成

这种模式的巧妙之处在于，每轮循环都以干净的上下文开始（通过 Git 和文件来持久化进度），避免了长对话中 AI 容易断片儿的问题。而且可以无人值守地运行，你写好 PRD 就可以去睡觉了，第二天起来检查成果就行。

不过要注意设置好循环次数限制和 Token 预算，防止 AI 陷入无限循环疯狂烧钱。

适合场景：功能明确且可拆解的项目、想让 AI 无人值守地干活、任务量大但单个任务相对独立。

五、BMADBreakthrough Method of Agile AI-Driven Development的缩写，是一套系统化的AI智能体开发框架，使用角色化智能体（分析师、产品经理、架构师）组织开发流程。 敏捷 AI 开发方法

BMAD-METHOD（Breakthrough Method of Agile AI-Driven Development，突破性敏捷 AI 驱动开发方法）是一套系统化的 AI 智能体开发框架，目标是将原本混乱的 AI 编程过程变得结构化、可复用。

BMAD 使用角色化智能体的方式组织开发流程，每个智能体扮演特定角色：

• Analyst Agent 分析师：创建项目简报，包含市场分析和用户画像
• PM Agent 产品经理：将简报转化为详细的产品需求文档（PRD）
• Architect Agent 架构师：设计技术实现方案和系统架构

BMAD 中的智能体分为两种类型：

• Simple Agents 简单智能体：单文件、自包含，适合代码审查、文档生成等聚焦任务
• Expert Agents 专家智能体：具有跨会话持久记忆，配有专属文件夹存放资源，适合复杂的多步骤工作流

每个智能体都有标准化的组成部分，包括人设（角色、身份、沟通风格、原则）、能力列表、交互菜单，以及可选的关键行动。

BMAD 在 GitHub 上获得了几万+ Star，说明这种结构化的 AI 开发方法正在被越来越多的开发者认可。

适合场景：从零开始的完整项目、需要走完分析-设计-开发全流程的产品、团队想要标准化 AI 开发流程。

六、SDD 规范驱动开发

SDD（Spec-Driven Development 规范驱动开发）是 AI 时代的一种新型开发方法论，强调在编码之前先创建明确的、AI 能直接理解和执行的规范文档。

传统开发流程是：想到什么写什么，边写边改，最后再补文档。这样容易导致需求不清晰、代码和文档对不上。

而 SDD 的思路正好相反：先把需求写成规范文档，并且把规范文档当作代码的唯一真相来源。

你可以把规范文档理解为“项目宪法”，它包含了详细的需求描述、系统设计和接口定义。AI 必须严格遵守这些条文来生成代码，确保产出完全符合预期。

为什么 SDD 越来越受重视？

因为 AI 生成代码的质量直接取决于上下文的清晰度，而不仅仅是依靠提示词技巧。一个清晰的规范文档能比任何 Prompt 黑魔法更有效地减少错误。

SDD 的典型工作流程如下：

1. Constitution 制定准则：定义项目的基本原则、代码规范、性能标准
2. Specify 编写规范：描述要做什么功能、为什么做、用户需求是什么
3. Clarify 澄清疑问：让 AI 提出结构化问题，明确边界情况和错误处理
4. Plan 制定方案：确定技术栈、系统架构、数据模型、API 接口
5. Tasks 拆解任务：把计划拆解成可执行的任务列表，标注依赖关系和优先级
6. Implement 执行实现：AI 按照任务列表生成代码，人类验证

其实这和程序员在企业中开发项目的标准流程非常相似，只不过执行者从人变成了 AI。

2025 年 9 月，GitHub 发布了开源的 Spec Kit 工具包，帮助开发者在 AI 编程中实践 SDD 方法论。它支持 Claude Code、GitHub Copilot 等主流编程工具，通过一套斜杠命令引导你完成上述流程。即使你不是软件开发专家，也能在 AI 的引导下轻松地走完规范的项目开发流程。

适合场景：需求复杂且明确的项目、对代码质量要求高的场景、团队多人协作开发。

对比一下

学完这些模式后，再来给大家用一张表格来汇总：

注意，这些模式之间并不是互相排斥的，实际开发中完全可以混着用。比如用 SDD 先把规范写好，再用 BMAD 的角色化智能体去执行，底层用 Harness Engineering 的思路来约束 AI 的行为。灵活组合，效果更佳。

最后

回到开头那个面试场景，如果你只知道 Vibe Coding，说明你还停留在 AI 编程的入门阶段。但如果你能把这 6 种模式的适用场景和优劣讲清楚，面试官大概率会对你刮目相看。

话说 AI 编程这个领域变化太快了，现在的最佳实践，过几个月可能就会有更好的替代方案。保持学习、多动手尝试，比记住任何一个概念都重要。

如果你是刚开始学习 AI 编程，肯定是从 Vibe Coding 学起，如果你想系统学习 AI 编程的完整知识体系、快速做出企业级项目和商业产品，可以看我免费开源的《AI 编程零基础入门教程》，GitHub Star 数破万，涵盖从零基础入门到项目实战再到产品变现的全流程。

开源仓库：https://github.com/liyupi/ai-guide

我是鱼皮，持续分享 AI 编程干货，学会的话欢迎点赞收藏关注哦，也欢迎评论区聊聊你现在用过哪些 AI 编程模式~

常见问题（FAQ）

Vibe Coding 和 Agentic Engineering 到底有什么区别？

Vibe Coding 是跟着感觉走，一句话让 AI 吐代码，能跑就行，适合小工具和原型；Agentic Engineering 是规范版，先写方案、拆任务，再让 AI 执行并验收，适合中大型项目和团队协作。前者让你看到可能性，后者把可能性变成能用的产品。

Harness Engineering 驾驭工程具体是做什么的？

它不优化模型本身，而是围绕 AI 智能体搭建约束机制、反馈循环和工作流系统，包含上下文工程、架构约束、熵管理三大支柱。核心是让不可预测的 AI 在高可靠环境下稳定运行，因为模型已是通用商品，竞争力在于工程体系。

Ralph Wiggum Loop 和 SDD 分别适合什么场景？

Ralph Wiggum Loop 把 AI 放进循环反复执行，每轮用干净上下文，直到 PRD 检查项全部完成，适合任务明确可拆解、想无人值守干活的场景。SDD 强调先写规范文档并当作唯一真相来源，适合需求复杂、需要严格对齐预期的项目。