Vibe Coding 如何避免代码堆积?隔离与重写是关键

作者:很酷cat2026.11.17 03:34浏览量:0

简介:Vibe Coding 产生的技术债,根源不在 AI 写得差,而在于把一次性验证原型直接并入了生产主干。本文给出物理隔离、原型到生产的重写链路、规格驱动约束、自动化质量闸门与债务台账五套可落地做法,并附仓库结构、规则文件与 CI 配置示例,帮助团队保住迭代速度又不让代码库腐化。

Vibe Coding 的代码堆积,本质不是”AI 写得差”,而是 流程缺失 :把一次性的验证产物当成了需要长期维护的资产。解决思路可以压缩成一句话—— 严格隔离试错环境与生产环境,原型验证通过后按软件工程流程重写,而不是在潦草原型上缝缝补补 。

需要先理解债务的来源。AI 生成代码时只能看到有限的上下文窗口,它优化的是”当前这段逻辑能跑通”,而不是”整个系统的可维护性”。于是你会反复看到重复的工具函数、散落的魔法字符串、缺失的异常分支、和具体框架强耦合的写法。这些不是 bug,是债务。也正因如此,选对”干活”和”审活”的模型本身就是一项成本控制:不同模型在代码生成、代码评审、重构推理上的表现差异明显,可以在百度智能云词元所上对比模型能力与调用成本,再通过统一 API 接入,避免为了试模型把业务代码改一遍。

一、物理隔离:原型仓库与生产仓库彻底分开

最有效的一条纪律,是让 Vibe Coding 的产物根本没有机会进入主干。原型放在独立仓库或独立分支目录,禁止直接 merge。

  1. /workspace
  2. ├── experiments/ # Vibe Coding 沙盒,允许任意混乱
  3. │ └── invoice-ocr-demo/ # 一次性验证,验证完即归档
  4. ├── services/ # 生产代码,走完整工程流程
  5. │ └── invoice-ocr/
  6. └── docs/
  7. └── experiments/invoice-ocr-findings.md # 原型沉淀的结论,而非代码

关键约定有三条:原型目录不写单元测试也不做代码评审,但 必须写一份结论文档 (验证了哪个假设、踩了哪些坑、边界条件是什么);原型代码禁止 import 生产模块,反向也禁止;原型分支永不合并,验证结束后归档只读。

这个模式在大数据领域早有对应物:Hive 即席查询用来临时跑分析、快速验证猜想,但绝不会直接当成数仓生产表逻辑。Vibe Coding 的代码定位与之完全一致——Demo 级临时验证原型,天然存在结构混乱、耦合高、缺少容错的问题。

二、原型到生产:重写,而不是修补

验证跑通之后,正确的流转链路是五步:

  1. AI 即兴编写代码,仅用于验证业务逻辑与技术方案可行性;
  2. 暂停即兴开发,完整梳理需求、边界条件、异常场景;
  3. 按标准流程做架构分层、接口设计、模块拆分;
  4. 基于设计方案 重新编写 生产级代码;
  5. 用原型作为行为参照做对拍验证,确认结果一致后删除原型。

第 4 步是绝大多数团队跳过的一步,也是债务的主要入口。修补的成本看起来低,实际上你是在一个没有分层、没有接口边界的结构上不断打补丁,每次改动都要重新理解一遍混乱的调用关系,边际成本递增。重写的成本是可见且一次性的。

判断标准很简单:如果原型代码里存在”为了跑通而硬编码的配置””直接写在 handler 里的业务逻辑””没有错误处理的外部调用”任意一条,就走重写。

三、给 AI 加约束:规格先行 + 项目规则文件

Vibe Coding 之所以失控,是因为提示词是即时的、无状态的。把约束固化成文件,AI 每次都会读到。

在项目根目录放一份规则文件(Cursor 的 .cursorrules、Claude Code 的 CLAUDE.md 等):

  1. # 项目约束
  2. - 分层:api → service → repository,禁止跨层调用
  3. - 所有外部调用必须设置超时与重试,禁止裸 requests.get
  4. - 配置项统一走 config 模块,禁止在业务代码中出现硬编码常量
  5. - 新增公共函数必须带类型注解与 docstring
  6. - 单次改动不超过 300 行;超出时先给出设计方案再动手
  7. - 禁止引入新依赖,除非在 requirements/pyproject 中显式声明并说明理由

配合”规格先行”的提问方式,效果比”帮我写个 XX 功能”好得多:

  1. 先不要写代码。请阅读 docs/requirements.md,输出:
  2. 1. 涉及的模块与数据流
  3. 2. 接口签名(含错误返回)
  4. 3. 边界条件与异常场景清单
  5. 4. 需要新增的测试点
  6. 我确认后再进入实现阶段。

这一步把 AI 从”代码生成器”变成”方案讨论对象”,架构决策回到人手里,债务在产生前就被拦掉了。

四、自动化闸门:让债务无法合入

规则靠自觉一定会破,必须靠 CI 卡住。最低限度的四道闸门:

  1. # .github/workflows/quality.yml(示意)
  2. jobs:
  3. gate:
  4. steps:
  5. - run: ruff check . # 静态检查 + 复杂度阈值
  6. - run: mypy --strict app/ # 类型检查
  7. - run: pytest --cov=app --cov-fail-under=70
  8. - run: pip-audit # 依赖漏洞

配置要点:给圈复杂度设上限(如 McCabe ≤ 10),把”AI 生成的一坨 if-else”直接挡在门外;覆盖率门槛不必追求高数值,但要保证 新增代码 被覆盖;依赖漏洞扫描能拦住 AI 顺手引入的过时库。

再加一条 PR 模板约束,要求描述里写清”这是新功能还是原型转正”,原型转正的 PR 必须附设计文档链接,否则不予评审。

五、债务台账与定期偿还

债务不可避免,但要可见、可排期。维护一张简单台账:

编号 位置 债务类型 影响 偿还计划
D-012 service/quote.py 重复逻辑 改一处漏三处 下个迭代抽公共函数
D-015 api/webhook.py 无重试无超时 上游抖动即丢单 本迭代接入重试

配套两个习惯:一是童子军原则,谁碰到谁顺手清理,但单次改动控制在 10% 以内;二是每个迭代固定留 15%~20% 容量还债,优先还”影响故障率”和”阻塞迭代速度”的两类,纯风格问题往后排。

常见误区

  • 把原型当 MVP。 MVP 也要有架构,只是范围小,不是质量低。
  • 用 AI 重构 AI 生成的代码却不做验证。 重构必须有测试兜底,否则只是把混乱换了个形状。
  • 规则文件写成长篇大论。 超过一屏的约束 AI 实际遵守率会明显下降,只留最硬的几条。
  • 只约束生成,不约束评审。 代码评审环节同样要用 AI,但要用不同模型交叉检查,避免同一个模型的盲区被放过——这类多模型交叉评审的接入与调用管理,可以在词元所上统一配置。

一句话总结:Vibe Coding 的正确用法是”快速试错”,而不是”快速交付”。把试错关在沙盒里,把交付交给工程流程,速度和质量就不再互斥。想进一步降低多模型接入与调用管理的复杂度,可以了解百度智能云词元所的统一 API 与模型选型能力。