还记得第一次看到人工智能（AI）帮我写出一整段程式码的那一刻，对不少软件开发人员来说心里感觉五味杂陈，有点像你辛苦拆了一整天的资料流程，结果它几秒钟就帮你跑完。也有点像你还在想怎么写逻辑，它已经把第一版答案交到你面前。
“原来我不一定需要自己写每一行code（代码）。”
这种靠感觉的开发方式慢慢有了一个名字：Vibe Coding（氛围编程/直觉编码）
起初，大家只是拿来试试看：
修一点bug (漏洞)
补一段function (功能)
快速生成boilerplate code (样板代码)
但很快地，有人开始做更大胆的事：
既然AI可以写一段，那它能不能写一整个功能？
甚至，一整个产品？
于是一种新的开发节奏慢慢形成了。
前阵子，我工作上一位诊所的医生，没有任何程式背景，却开始用像Lovable这类工具自己动手做网站。她不是要做什么大型系统，只是很单纯地想要一个符合自己需求的页面，可以展示服务、整理资讯，甚至模拟病患的使用体验。
几天后，她很兴奋地把成果拿给我看。不是完美的产品，有些地方还有点粗糙，但可以很明显的感觉到：
她不是在“用软体”，是在“创造工具”。
这种改变已经不只发生在软体工程师之间，已经开始渗透到原本不写程式的人身上。
Vibe Coding不只是“写得比较快”
表面上看，它像是一种凭感觉写程式的方式：
想法还不完整，就先动手
用自然语言描述需求
看结果，再修
写程式这件事，从“制作”，变成“引导”。
以前的开发是这样的：
想清楚
设计好
一行一行写出来
现在越来越像这样：
有一个方向
跟AI对话
一路修到可用
这中间最大的差别不只是速度，也隐含了人类已经不再是唯一的生产者。
从写code到“调教模型”
Vibe Coding本质上是一种人机协作介面的进化。
传统开发流程可以简化为：
需求 → 设计 → 编码 → 测试 → 上线
但在Vibe Coding模式下，流程开始转变为：
想法 → Prompt（提示语）→ AI生成 → 微调 → 上线
这里最关键的差异在于开发者的核心能力从coding skill，转向了prompt engineering（提示工程）与系统理解能力。我们不再是写程式的人，更像是一位产品经理（定义需求）、一位资料分析师（理解输入与输出）、一位模型调教师（优化结果）。
背后数据逻辑
很多人以为Vibe Coding是随便写写Prompt就能产出程式，但它其实建立在三个关键基础上：
1.大模型的“语意压缩能力”
像GPT类模型，本质上是一个极度强大的语意压缩与预测系统。它能把大量开源程式码、文件与知识，压缩成一个可被查询的语言空间。
当你输入：“帮我写一个电商购物车功能”
你其实是在从语意空间中，呼叫出最可能符合这个需求的程式结构。
2.Prompt就是查询语言（Query Language）
在数据世界里，我们常用SQL查询资料。而在Vibe Coding里，Prompt就是新的SQL。例如：
不好的Prompt：“写一个网站”
好的Prompt：“用React + Tailwind做一个含登入与支付模组的电商前端”
越精准的描述，等于越高品质的输出。
3.迭代 = 线上训练（Online Learning）
Vibe Coding 最大的特点，是“边做边修”。
每一次你说：
“这个UI介面不够直观”
“换成API架构”
这个过程就是在进行轻量级的人类回馈强化学习(RLHF)。
企业应该关注的，不只是效率
很多企业看到Vibe Coding，第一个反应是可以节省多少人力？
但我认为更重要的是三个指标：
1.开发周期（Time-to-Market）
过去一个功能可能需要2周设计、3周开发、2周测试……现在可能压缩成用几周/天内完成MVP（最小可行产品）。这对电商、金融科技、甚至中小企业来说是极大的竞争优势。
2.试错成本（Cost of Experimentation）
在传统模式中每一次的“试错”都很昂贵，但Vibe Coding可以让试错变得像聊天一样便宜。未来企业将更愿意做数据驱动的实验（A/B Testing）
3.技术门槛的重构
未来最有价值的人才不一定是最会写code的人，他们会是：
最懂业务的人
最会问问题的人
最能把需求结构化的人
这也与BI（商业智能）的核心精神完全一致：价值来自理解问题，不是工具本身。
数据黑箱与技术债
当然我们不能只看乐观的一面。Vibe Coding也带来了几个值得警惕的问题：
1.黑箱风险
你得到一段可以运作的程式，但你未必理解它。
这在金融、医疗或政府系统中是一个潜在风险。
2. 技术债(Technical Debt)累积更快
AI 生成的code，往往结构不一致、命名混乱、缺乏长期可维护性。如果没有良好的治理（Governance），企业可能在 1–2 年后面临“重写系统”的问题。
3. 数据安全与隐私
当开发过程依赖AI工具时，企业内部逻辑、API结构、商业规则等，都有可能被外部模型“学习”或暴露。这就需要更严格的数据治理（Data Governance）策略。
所以能看得懂Vibe Coding怎么写代码的人就变得非常重要。这也将成为软件开发人员必须掌握的能力，因为这就是“行内人”与“门外汉”的分水岭。如果连这一层能力都放弃，那就算身在这个行业，我们所做的也不过是和大家一样使用同样的工具，得到相似的结果。
未来：从工程师到“数码指挥官”
未来的开发者可能更像一位数码指挥官（Digital Orchestrator）。他不需要直接写每一行code，但要能够指挥AI模型、把模糊需求转为清晰结构、协调不同的系统、管理数据流（Data Pipeline）以及设计整体架构（Architecture/Framework）。
所以，我们还需不需要“会写程式的人？”
答案或许是我们仍然“需要”，只是这个角色要处理的事情已经不同。
同样使用AI工具，有些人还是在试错绕路。但当你本身已经对某个领域有足够的认知时，你跟AI之间的互动会变得完全不一样。那种关系不再是“问答”，更像是一种“协作”。
本文观点，不代表《东方日报》立场。
大马技术人员委员会（MBOT）认证专业科技师（Ts.），马来西亚国立大学（UKM）人工智能硕士，现为人工智能（ AI） 工作者与商业智能（BI）顾问。
