別再吹牛了，在無法自洽的邏輯漏洞g 存

Hono.js + Drizzle ORM + PostgreSQL

必須包含：統一錯誤處理
、法自想要保證代碼質量，逻辑漏洞最後對齊 ai 到底幫我們做哪些任務。别再如下：

export const users = pgTable("users",吹牛存无 {   // ...   (table) => [    index("idx_email").on(table.email), // 致命的“畫蛇添足”  ]});

導致的就是 ：

• ✅ 代碼不報錯
• ✅ 功能能跑通
• ❌ 冗餘索引 → 占用額外存儲
• ❌ 寫入性能大幅下降
• ❌ 長期埋下數據庫性能隱患

然後，

但我在企業真實場景中 ，法自可維護 、逻辑漏洞嚐試改進 SDD 的别再用法 ，轉向了一個新的吹牛存无方向叫 Agentic Engineering。

4. vibe coding 是什麽？

這個詞由前 OpenAI 首席科學家 Andrej Karpathy 帶火 。

AI 生成的逻辑漏洞 Drizzle 代碼 ：

export const users = pgTable("users", {   id: uuid("id").primaryKey().defaultRandom(),  email: text("email").notNull().unique(),   // ... 其他字段  (table) => [    index("idx_email").on(table.email), // 致命的“畫蛇添足”  ]});

問題在哪裏 ？

在 PostgreSQL/MySQL 中 ：

UNIQUE 約束 = 自動創建唯一索引

AI 額外手動添加了一行索引，Vibe Coding 的别再邏輯死結出現了：

• 不糾正：線上係統埋雷，當你的吹牛存无約束嚴謹到足以讓 AI 不犯錯時，維護 SDD 這個範式的法自文檔本身就非常費力了。但 AI 依然給安裝到了 "dependencies" 中。

  想象你要開發一個新項目，而是高級輔助工具 。一次性腳本（項目扔了也不可惜）
  ，

  自然語言的天生模糊

  計算機科學祖師爺 Edsger Dijkstra 在 1978 年論文《論 “自然語言編程” 的愚蠢》（EWD667）中早已斷言：

  自然語言的本質 ，

  也就是當你追求 100% vibe coding 準確落地時
  ，

  案例 1：數據庫表設計 —— 冗餘索引致命隱患

  第一個小案例關於建表，沒人能讀懂 、簡單場景 CRUD 等等 ，email 字段添加 unique 約束，可能埋下三個更深的隱患
  ，在 SDD 規範中交 constitution.md 。MVP 驗證 、讓你永遠不理解底層邏輯，寫代碼變便宜了，使用 Vibe Coding 一定要有懂代碼和業務邏輯的資深成員在，且你完全無法識別。最終都指向三個底層邏輯死結。必須遵守兩條鐵律：

  1. 測試用例必須全覆蓋

  AI 寫測試用例的速度還是挺快的 ，後期必出性能問題

• 要糾正：必須寫一段比代碼還長、依然頻繁翻車。低效的“新編程語言”。查到一個很好玩的資料，而是放大器 ：
  • 對資深工程師
    ：AI 是「增程器」，不理解實現 ，RBAC 權限控製模塊等通用能力 。因為 unique 約束會自動生成索引  ，

    這種全局性的“遊戲規則” ，而且準確性很高，

    複雜度“轉移”了 ，

    5. SDD 規範是什麽？

    為了讓大家秒懂什麽是 SDD ，

    你會說那報錯咋辦？那就把報錯丟給 AI，就是 Vibe Coding 這個詞的發明者 Andrej Karpathy（OpenAI 聯合創始人 、它隻聚焦用戶價值和業務意圖 ，如下:

    CREATE TABLE users (  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),  email VARCHAR(255) UNIQUE NOT NULL,  -- ... 其他字段);

    重點：email 明確標注 UNIQUE（唯一約束）。貌似隻需要 AI ，歧義與矛盾。一個毫無編程基礎的同學就能實現任何應用。一次線上故障 ，得先讓它把要做的事寫成任務列表，擴展 AI 生成的混亂代碼
    短期利好 ，它的核心邏輯不是“AI 輔助” ，

    其實本質就是不斷拆解你的需求，前 Tesla AI 負責人），這個 task 我都把表結構很清晰的展示出來了。跟金融相關的或者是長期維護的項目，我簡單拆解一下它的三部曲。隻適合特定場景 。

    案例 2
    ：依賴管理 —— 隱蔽的工程規範錯誤

    我在文檔中明確寫明環境規則
    ：

    • 本地開發：使用 dotenv 加載環境變量
    • 生產環境
      ：通過 docker-compose 注入變量  ，現在交給 AI ，隻用自然語言驅動 AI 生成代碼，這在 SDD 規範中叫 tasks.md。這叫 spec.md 。

    更危險的是：大型項目中，產品經理先出個產品文檔 。永遠隻會「讓代碼跑通」。例如原型，有趣的是在寫這篇文章過程中，你必須用“模糊”的語言去約束一個“極其確定”的結果。保持足夠的約束和及時對 Vibe Coding 後的代碼審查 。能快速實現思路、代碼接口規範是什麽等等 。企業級標準的 Node.js 通用腳手架 ，排查漏洞。是允許人類輕鬆說出連自己都未察覺的模糊 、規格驅動開發）範式來開發，就是代碼不會報錯 ，弱者永遠學不會

    Vibe Coding 不是普惠工具 ，

    適用場景（低風險 / 短生命周期）
    ，不定時分享高級特效源碼哦

    感謝關注 ，就要開始開發了
    。

    2. 必須有資深開發者逐次審查

    沒有人能跳過「理解代碼」這一步。采用小步生成 + 逐次核查
    ，

  兩極分化：強者更強，這也是 Vibe Coding 最推崇的標準化流程 。但為錯誤買單的成本，徹底拆解 100% Vibe Coding 的致命漏洞。一般技術人都有自己的團隊規範 ，

  結果咋說呢, 代碼不報錯, 項目能啟動, 但生產環境打包體積增大，直到沒有錯誤為止 。

  翻車的場景特別多 ，我舉兩個案例。一次性腳本
  ，老板要開新業務，

  注 ：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結 ，所以可以借助單元測試 、接下來就是搬磚了 。計算機科學經典理論，無法成立的問題。

  我嚴格按照 SDD 流程執行，但禁止在回調函數中手動創建 idx_email 索引 ，販賣焦慮的博主層出不窮 。MVP驗證，例如變量命名規範是什麽，後來他自己也放棄了 Vibe coding ，新手也能生成可用代碼

• 但是項目從 1→100：維護地獄
  ，隻聊“我們要幹什麽”。

  最後確認 tasks.md 沒有問題 ，而非“消失”

  Vibe Coding 最大的謊言 ：降低開發難度 = 消除係統複雜度.

  真相是：AI 把「開發成本」轉移成了「維護成本」

  • 項目從 0→1：速度極快 ，完整落地了一套企業級 Vibe Coding 項目後 ，

    有了技術文檔，也不是銀彈，重複索引會造成性能浪費與存儲冗餘

    這已經不是「描述需求」，但肯定是都是比較明顯的問題。鼓吹「100% Vibe Coding 顛覆編程」的機構、寫技術文檔 。並以“能跑”為唯一標準的開發方式。

    企業級實戰：兩個真實翻車案例

    吐槽一下
    ，

    問題到底在哪？

    所有翻車案例，但是開發過程中，因為企業級係統 80% 的成本在維護與迭代。甚至放棄「一次性生成任務」（task.md），而是在邏輯上根本無法自洽、

    前言

    如今各大技術平台 ，得出一個紮心結論 
    ：

    100% Vibe Coding 不是好不好用的問題，以前是我們人來寫代碼，

    接著理清一下 vibe coding 和 SDD 範式的概念 ，你用 AI 修複一個問題，比編程還複雜的自然語言提示詞：

  請使用 Drizzle ORM 定義 users 表
   ，這叫 plan.md。結構化日誌、AI 不是全自動開發工具，而是用自然語言寫代碼。在 SDD 規範裏 ，完整用戶模塊
  、

  本文將結合實戰翻車案例
  、

  但當你的項目是大型生產項目，

  Vibe Coding 的正確使用邊界

  它不是魔鬼
  ，

  好了正文開始！修複、

  有了產品文檔，從來沒有降低過
  。研發得定框架 、避免概念混淆 ：

  1. 實戰任務

  為團隊搭建一套可複用
  、在 SDD 規範中 ，不符合企業級工程規範 。原型 demo、確實是不錯的選擇。你的 Prompt 其實已經變成了一套極其臃腫、

• 對純新手 ：AI 是「陷阱」，

  2. 使用工具

  Claude Cli

  3. 開發範式

  嚴格遵循目前最火的 SDD（Spec-Driven Development，點讚_{也歡迎關注我的公眾號 ：ai超級個人，集成測試 、}

  落地建議
  ：如何安全使用 AI 編程

  目前階段，例如對代碼：

  • 審查邏輯合理性
  • 審查架構規範
  • 審查性能隱患
  • ...

  100% Vibe Coding = 技術裸奔

  真正高效的模式是
  ：Human Intention + AI Execution + Human Review

  最後我想說 ，不聊技術，有基礎的同學可以省略這部分閱讀。不需要 dotenv
  結果 AI 直接把 dotenv 安裝到了：

"dependencies": {   "dotenv": "^17.1.13"}

正確做法應該是：

"devDependencies": {   "dotenv": "^17.1.13"}

明顯 "dotenv" 這個庫我明確說明了線上環境不會用 ，

業務背景與 Vibe Coding 範式

先明確本次實戰的基礎信息 ，

以上的案例都有一個特點，但對於長期確實災難  ，而是 “意圖接管”：

一句話描述就是 
：不看代碼、

最新评论