请 AI 做出一个程序原型,和把那个原型交给别人使用,中间还有多少工作?
谈 Vibe Coding 时,我觉得最容易被省略的就是这段距离。对话让人更快看见想法的雏形,但功能是否正确、资料怎么处理、出错时谁能修,仍然要一项一项确认。
「代码变便宜」带来的机会,就在这里:我们可以重新评估哪些想法值得试,也更需要分清楚,自己省下的是哪一段成本。
Vibe Coding 让试作更容易开始
Vibe Coding 通常指通过自然语言和 AI 来回沟通,产生程序、观察结果,再继续调整的做法。Collins 将它选为 2025 年度词汇,也反映这种工作方式已进入公共讨论。
对不熟悉程序的人,这提供了一个入口:先把想解决的问题说出来,再用可操作的结果检查需求。画面和流程出现后,人往往更容易指出哪里不对。
但能试作,不代表已经知道系统如何运作。如果结果只用「看起来可以」判断,漏掉的可能是错误输入、权限或数据保存等平常不会立刻出现的问题。
便宜的是产出代码,交付仍有成本
Simon Willison 在 〈Writing code is cheap now〉中,把这两件事分得很清楚:AI 降低产出代码的成本,但好程序仍需要验证,处理错误,也要能测试、维护,并解决正确的问题。
这个区分比「一年工作缩成一小时」更有用。短时间产出一份实作,不能直接换算成需求厘清、试错、整合与维运也全部缩短。要比较效率,至少得知道两次交付的范围是否相同。
我会把成本拆开看:产生初稿要多久,确认它可用要多久,交付后又要花多少力气照顾它。三段都看,才不会把写出来的速度当成整个项目的成效。
以前不值得做的事,可以重新估一次
以前因为开发时间太长而搁置的想法,如今可能值得用小范围试作重新评估。重点是把试验的成本与后果控制在能承担的范围内。
例如,一个只在本机处理测试数据的小工具,和一个会改动客户数据的系统,需要的确认就不同。前者可以先看是否解决问题;后者还得处理授权、错误复原与责任安排。
这是我从成本变化推导出的做法:先缩小要验证的问题,让原型回答它。试得便宜,才有机会多试几个方向;但原型通过之后,仍要另外决定是否值得投入正式交付。
从写代码,到让代理持续做事
个人 AI 助理又把问题往前推了一步:当助理能持续接收任务、使用工具并保存工作脉络,人要管理的就不只是一段程序,而是它可以做哪些事。
可以把两者的差别放在一个需求里看。请 AI 写出查车次的工具,和授权助理替你订票,是不同程度的委托。后者会涉及时间、票种、付款与取消条件,不能靠一句「它应该知道」带过。
因此,我关心的下一步是把权限说清楚:哪些资料可以读,哪些动作可以自行执行,哪些结果需要人确认。工具接得越多,这些问题越需要在使用之前回答。
知识工作的判断,也需要可检查的结果
同样的问题会出现在写作、设计和资料分析。AI 可以协助产出候选内容,但我们仍要说明怎样才算做好:文章是否有根据、设计是否解决用户的问题、分析是否回答了原本的提问。
判断力也需要落到具体工作。指出哪一句没有来源、哪个流程会让人走不下去、哪一笔数字算错了,比笼统地说「人要保留判断力」更能帮助协作。
下一次觉得某个想法不值得开发时,我会先问:能不能用一个小原型,确认它是否值得继续?而在交付之前,再问一次:除了能跑,它还有哪些事情尚未证明?


💬 留言讨论
加载中...