AI编程系列之1：AI 编程的三种范式——从 Copilot 到 Agent 到 Spec

前言

过去三年，"AI 写代码"从一个猎奇话题变成了工程师的日常工具。但工具更迭的同时，背后的编程范式也在悄悄迁移：从最早的代码补全，到现在的智能体自主执行，再到新兴的"规范驱动"工作流。如果你只关注具体工具，而不理解范式差异，很容易在项目变大时撞上"为什么 AI 越帮越忙"的天花板。

这篇博客要回答的核心问题只有三个：Vibe Coding、Agentic Engineering、SDD 到底在说什么？它们各自的适用场景是什么？为什么大型项目必须从 Vibe Coding 升级到 Agentic Engineering？我们会用具体例子、对比表和决策建议，帮你建立一张清晰的范式地图。

1. Vibe Coding：感觉驱动的编程新范式

2025 年初，前 OpenAI / Tesla AI 主管 Andrej Karpathy 提出了一个让整个开发圈既兴奋又警惕的概念——Vibe Coding。他的原话非常口语化：“完全沉浸在氛围中，拥抱指数级增长，忘记代码的存在。”

翻译成大白话就是：不要纠结代码的每一个细节，跟着感觉走，让 AI 帮你把想法变成能跑的东西。

1.1 Vibe Coding 的四条核心原则

Vibe Coding 不是"乱来"，它有清晰的底层逻辑：

1. 意图优先：先描述你想要什么效果（“做一个深色主题的登录页”），而不是告诉 AI 怎么写代码（“用 Tailwind 的 bg-gray-900 配 text-white”）。
2. 快速迭代：不追求一次完美，拥抱"生成 → 测试 → 修正"的循环。第一次跑出来丑，没关系，再说一遍"按钮再圆一点"就行。
3. 信任但验证：相信 AI 的能力，但永远检查关键逻辑——尤其是数据库、认证、支付等涉及钱和安全的代码。
4. 上下文经营：持续维护和优化你提供给 AI 的背景信息（项目说明、风格约束、禁区规则），让 AI 越来越懂你。

1.2 Vibe Coding 适用与不适用

Vibe Coding 最适合的场景是"试错成本低、可视化反馈快"的任务：

• 原型开发、概念验证（最快速度把想法变成可运行的东西）
• 个人项目、学习项目
• 探索性编程（不确定最终效果，边做边看）
• UI / 前端开发（截图就是反馈，容易判断好不好）

需要谨慎的场景是那些"出错代价巨大、且问题藏得很深"的地方：生产环境的金融交易系统、医疗数据处理、性能极致要求的核心服务，以及所有涉及安全敏感逻辑（认证、加密、权限）的代码。Vibe Coding 的精髓是改变你的关注点——从关注"代码怎么写"转向关注"产品好不好用"。但这句话反过来也成立：当你必须关注"代码怎么写"才能保证正确性时，Vibe Coding 就该退场了。

2. Agentic Engineering：工程化升级范式

当 Vibe Coding 撞上"几千行代码的中型项目"，问题就开始出现了。

2.1 为什么纯 Vibe Coding 在大项目中不够用

四种典型症状：代码质量不可控，AI 写出能跑但很乱的代码，几个月后没人敢动；前后矛盾，AI 在不同对话中给出相互冲突的实现方式；缺乏全局视角，AI 只关注当前的小任务，忽略对整体架构的影响；难以协作，没有统一规范时，多个人或多次会话的代码风格各异。

这就像建房子——自己搭一个小木屋可以随意发挥，但要建一栋大楼就必须有图纸、有规范、有质检。Agentic Engineering就是那套图纸、规范和质检体系。

2.2 什么是智能体（Agent）

在 AI 编程语境中，智能体（Agent）是一个能自主完成任务的 AI 系统。它和普通 AI 聊天有本质区别：

智能体的工作循环是Plan-Act-Observe-Reflect（规划-行动-观察-反思）的四步循环，优秀的 AI 编程智能体不会一股脑把所有代码写出来，而是先思考再行动。

2.3 任务分解的 MECE 原则

Agentic Engineering 区别于"乱来"的关键是任务分解。推荐用 MECE 原则（Mutually Exclusive, Collectively Exhaustive，相互独立、完全穷尽）把大目标拆成不重叠、不遗漏的子任务。

比如把"构建一个博客系统"分解为：用户系统、文章系统、评论系统、分类标签、部署上线——5 个子任务互不重叠，合在一起覆盖全部功能。在使用 Claude Code 这样的 Agent 工具时，最佳实践永远是先让 AI 制定计划，你确认后再执行，而不是一上来就让它开始写代码。

3. SDD：规范驱动开发，三层"合同"

Vibe Coding 解决了"快"的问题，Agentic Engineering 解决了"自主"的问题，但还有一个更根本的问题没解决：人和 AI 之间的沟通精度。

3.1 为什么需要"规范"

你有没有过这种经历：在淘宝买衣服时，你描述"我要一件好看的衣服"，结果收到的和你想的完全不一样？这就是沟通不精准导致的。AI 编程也是一样——“垃圾进，垃圾出”，模糊的需求必然导致不准确的结果。

规范（Specification）就是你和 AI 之间的"合同"，它明确写清楚要做什么（功能需求）、怎么做（技术方案）、做到什么程度（质量标准）。

3.2 PRD：需求规范，写"做什么"

PRD（Product Requirements Document，产品需求文档）描述的是"要做什么"。两个常用模板：

用户故事（User Story）格式：

作为一个 [角色]， 我希望 [功能]， 以便 [价值/目的]。

验收标准（Acceptance Criteria）格式：

Given（前提条件）：系统中有 20 篇文章，其中 5 篇标记了"Python"标签 When（操作）：用户点击"Python"标签 Then（预期结果）：页面只显示这 5 篇标记了"Python"标签的文章

一个非常实用的技巧是让 AI 帮你把模糊想法变成结构化 PRD——直接给 AI 一个 Prompt，让它按章节生成。

3.3 SPEC：技术规范，写"怎么做"

SPEC（Technical Specification，技术规范文档）描述的是"怎么做"。完整 SPEC 包含 5 个模块：系统架构（前后端如何交互）、技术选型（用什么框架，比如 Next.js + Prisma + SQLite）、数据模型（数据库表结构设计）、API 接口（URL、请求参数、返回格式）、目录结构（代码放哪个文件夹）。

规范文件最大的价值之一是——可以直接作为 AI 工具的上下文输入。当你把 SPEC.md 的内容提供给 Claude Code 时，它就能精准地按照你的技术方案来写代码。

3.4 质量规范与文件组织

质量规范定义"做到什么程度算合格"：编码规范（代码风格、命名规则、注释要求）、测试规范（覆盖哪些场景）、安全规范（输入验证、认证授权、数据保护）。

建议在项目根目录下创建specs/文件夹统一管理：PRD.md、SPEC.md、ARCHITECTURE.md、API.md——所有规范文件都是 AI 可以"读懂"的合同文本。

4. 为什么大项目必须从 Vibe Coding 升级

范式升级的本质原因，是项目复杂度的增长打破了"感觉驱动"的前提条件。

4.1 复杂度阈值：项目从 100 行到 1 万行

Vibe Coding 之所以在小项目里好用，是因为单个会话的 AI 上下文能装下整个项目，AI 改一处就理解了全局。但当代码量从 100 行涨到 1 万行、10 万行，单次会话的上下文已经装不下所有细节，AI 不可避免地开始"近视"——它只看到被召唤出来的那几行代码，忘了整个项目的架构约定。

4.2 协作阈值：从 1 个人到 5 个人

单人项目用 Vibe Coding 很爽，但一旦团队超过 2-3 人，没有规范的代码会迅速分化。Agentic Engineering 提供的"Plan-Act-Observe-Reflect"循环和任务分解，是让多个人（以及多个 AI 会话）协同工作的语言。

4.3 维护阈值：从"能跑"到"长期演进"

Vibe Coding 项目最常见的问题：3 个月后想加新功能，发现原来的代码"能跑但没人敢动"。SDD 通过规范文档把决策固化下来，让项目从"一次性的实验"变成"可以持续演进的产品"。

5. 三种范式的适用场景对比

下面这张表是这一篇最重要的产物：

实操建议是这样的：Vibe Coding 永远是你的起点——当想法模糊时，先用 Vibe Coding 跑出第一个能用的版本；当项目开始变大、变多人、变长期时，逐步叠加 Agentic Engineering 的工作流；当项目进入生产环境、有明确业务约束时，把 SDD 的规范层补上。这三层不是互斥的，而是一层层叠加的关系：一个成熟的 AI 编程项目，往往同时使用三种范式。

结语

这一篇帮你建立了一张"AI 编程范式地图"：Vibe Coding 解决了"快"、Agentic Engineering 解决了"自主"、SDD 解决了"精准"。三者不是非此即彼的关系，而是可以叠加使用的不同工具。