Vibe Coding 是最近两年在 AI 应用开发领域频繁出现的一个词。它描述的是一种以自然语言为核心输入、以大模型为执行引擎的编程方式开发者把需求、边界条件和验收标准写清楚模型负责生成代码、修改代码甚至解释报错。吴恩达和 DeepLearning.AI 围绕 Vibe Coding 推出的系列课程正好把大模型入门到进阶这条路上的零散知识点整理成了一条可以照着走的学习路径。课程是否真的“全网公认最好”这里不做过多的榜单式评价但有一点是确定的如果你刚开始接触大模型应用开发又不想一上来就陷入深度学习原理、分布式训练、RAG、Agent 这些庞杂话题这套课程提供了一条更贴近工程实践的顺序。下面会以这套课程为主线讲清楚 Vibe Coding 到底在解决什么问题、入门阶段需要准备什么环境、一个最小实践案例应该怎么做以及进阶到 Agent 和本地部署时容易踩到哪些坑。1. 先理解 Vibe Coding从自然语言到可运行代码的协作方式1.1 Vibe Coding 到底是什么Vibe Coding 的核心不是“随便让 AI 写代码”而是一种“意图驱动”的开发方式。传统编程中人类要把业务逻辑翻译成精确的语法、类型、函数调用和异常处理Vibe Coding 中这部分工作被拆成了两层人负责描述意图和校验结果大模型负责把意图转换成代码。技术定义上Vibe Coding 是一种相对新的编码范式它依赖大模型对自然语言和代码的理解能力通过对话式迭代生成或修改程序。它不等同于“自动生成完整项目”而更像是一个人机协作的代码生产方式。容易误解的地方有两个。第一Vibe Coding 不等于“不用懂编程”如果完全读不懂生成代码后续几乎无法判断模型是否在胡说。第二Vibe Coding 不等于“一次生成全部正确”它本质上是一个快速试错循环写提示词、看输出、运行、发现错误、继续修改提示词。1.2 与提示词工程、传统编程的关系提示词工程研究的是如何设计输入文本让模型稳定输出期望结果。Vibe Coding 可以看成提示词工程在代码生成领域的落地场景但范围更宽它不只关心一次生成的文本质量更关心生成结果能不能被运行、能不能被测试、能不能被版本管理。传统编程中的调试、单元测试、代码审查和重构在 Vibe Coding 里并没有消失只是位置发生了移动。开发者仍然需要看懂报错需要决定哪些模块应该拆开需要判断生成的代码是否满足性能要求。区别是过去大部分代码由人手写现在很多样板代码、测试代码、数据清洗代码可以由模型快速产出。这里有一个比较实用的判断标准如果一段代码是重复性、模板化的比如解析 CSV、写 SQL、做列表转换、配置 Dockerfile交给模型生成通常能节省时间如果一段代码涉及复杂的业务规则、安全边界和难以表述的隐性约束就不能直接让模型自由发挥而是要把约束一条一条写进提示词里。1.3 为什么用吴恩达和 DeepLearning.AI 的课程做入口吴恩达在机器学习和深度学习领域的课程非常多很多人最早是从《Machine Learning》和《Deep Learning Specialization》开始接触的。DeepLearning.AI 近年来的课程方向更偏向大模型应用Vibe Coding 相关教程正是这一类。选择这套课程作为入口优势在于课程结构通常比较完整从大模型基础概念、提示词写法到 Agent 应用都有安排并且很多章节会带配套 Notebook 或代码示例。新手可以先在浏览器里跑通示例再回头理解代码细节这种“先看到结果再学习原理”的方式比只看文档更容易坚持。需要注意课程作者和机构会持续更新内容课程目录、模型版本和平台功能都可能与早期截图不同。学习时不要纠结于某个版本号而要把注意力放在两个地方第一每一课解决的痛点是什么第二课件里的代码在去除无关细节之后剩下的核心结构是什么。2. 从大模型基础到进阶应用一条可执行的学习路线2.1 第一阶段把大模型的基本概念先拉齐开始动手写提示词之前至少要把几个核心概念对齐。大模型本质上是根据给定文本预测下一个 Token 的概率模型Token 是文本切分后的基本单位可以是一个词的一部分、一个完整单词或一个标点。上下文窗口决定模型一次能“看到”的文本量会直接影响你能给模型多少背景资料。温度参数控制输出随机性温度越高回答越发散代码生成场景通常使用较低的温度。下面这张表可以用来做快速对照。概念含义常见影响Token文本切分后的基本单位影响输入输出长度和计费上下文窗口模型一次能处理的 Token 数上限超过后会出现截断或需要做摘要温度采样随机性代码生成通常设为 0 到 0.3System Prompt系统级指令定义角色、约束和回答格式User Prompt用户输入描述本次任务的具体要求学习这个阶段时不要只看概念可以打开一个模型对话页面输入一个简单的代码生成任务然后调整提示词里的角色设定和输出格式要求观察结果变化。这个直观体验比背概念图表有用得多。2.2 第二阶段提示词工程与结构化输出提示词工程的核心是“把模糊需求变成模型能理解、能执行的指令”。一个合格的代码生成提示词通常包含四个部分任务目标、输入输出格式、约束条件、错误处理要求。例如请写一个 Python 函数输入是一个列表输出是去重后的列表保持元素原始顺序。 要求不能使用 set 进行去重因为需要保留顺序。 请包含类型注解和简单的 doctest。这个提示词里任务目标、输出要求、约束和验证方式都写清楚了模型生成的代码会比只写“帮我写个去重函数”稳定得多。结构化输出是另一个重点。很多应用需要模型返回 JSON然后在程序里继续处理。为了避免模型输出多余文字建议在提示词中明确“只返回 JSON不要添加任何解释”并在代码层面对 JSON 解析做异常处理。如果模型仍然不稳定可以给一个 few-shot 示例或者使用支持 JSON Mode 的接口参数。2.3 第三阶段从单次生成到 Agent 与工具调用入门阶段最常见的疑问是大模型明明能写代码为什么不能自己去执行代码、读取文件、调用 API原因是大模型本身只是概率模型输入输出都是文本没有主动访问外部世界的能力。Agent 模式把大模型和工具调用结合起来让模型在需要时生成“调用某个工具”的指令程序负责真正执行再把结果送回模型继续推理。这个阶段是学习路线中性价比最高的一部分。理解 Function Calling 的原理后就能明白为什么一个“查天气的助手”不能只靠提示词完成需要天气 API 配合。DeepLearning.AI 的相关课程通常会在这个位置安排 Agent 的基础实验建议把示例里的工具函数画成一张输入输出表再自己新增一个工具比如查询数据库、读取本地文件体会“工具扩展”是怎么发生的。2.4 第四阶段本地部署、评估与工程化从入门到进阶很多人会卡在“在线 API 很灵活但生产环境不能这么简单”这一关。本地部署大模型的意义不只是省 API 费用更是为了数据隐私、离线环境和定制优化。常见的本地部署路径是先装一个推理框架然后下载开源模型权重并启动服务。以 Ollama 为例安装完成后只需要执行ollama pull qwen2.5:7b这类命令就可以把模型拉下来再用ollama serve启动一个兼容 OpenAI 接口的本地服务。实际模型名要以官方仓库为准这里只是说明流程。工程化层面至少还要关注模型评估集怎么准备、请求日志怎么记录、结果延迟和成本怎么统计、模型输出被错误使用时的降级方案是什么。这些内容在很多课程里不会展开但在真实项目里是决定能否上线的关键。2.5 课件代码应该怎么用而不是只下载课件代码是这类课程价值最高的部分但很多人的使用方式只是“下载下来从上到下运行一遍看到输出就关掉”。这样做的问题在于一旦换一个数据集、换一个模型或者把代码从 Notebook 迁移到后端服务可能立刻就不会写了。更推荐的做法是先不看答案只看课程的作业要求自己写一版写完后再对照课件代码记录三处差异包括别人为什么这样组织函数、为什么这样处理边界条件、为什么这样解析模型返回值。然后把同一段逻辑从 Notebook 里抽出来改成一个命令行工具或一个 HTTP 接口才算真正学会了。3. 环境准备用最小成本搭建一个能跑的实验环境3.1 先确认你需要的三样东西Python、Git、API Key学习 Vibe Coding 类课程常见的软件环境是 Python、Git 和一个可用的模型 API Key。Python 用于运行课程里的 Notebook 和脚本Git 用于保存练习代码并查看每次修改的差异API Key 用于调用大模型接口。如果你暂时不想申请 API Key也可以使用本地开源模型但推理效果和稳定性可能不如云端商用模型。实际选择取决于你的目的只是想跑通示例本地模型够用想验证 Agent、Function Calling 这类能力建议使用支持工具调用的云端 API。下面的表可以当作参考依赖最低建议用途常见注意点Python3.9 或更高运行代码、Notebook不同项目建议用虚拟环境隔离Git2.x保存代码、查看 diff初始化后先提交一版原始代码API Key按平台申请调用模型接口密钥要放在环境变量不要提交到仓库NotebookJupyter 或 VS Code交互式实验运行顺序错了会导致变量不一致3.2 选择在线环境还是本地环境课程平台通常会提供浏览器端 Notebook适合第一遍跟学不需要安装任何东西打开网页就能跑出现环境问题概率低。本地环境则适合之后做自己的实验因为可扩展性更强可以安装自己的依赖、连接私有数据、部署成服务。对于零基础用户建议第一遍用在线环境第二遍再在本地把相同代码跑一遍。这样既能快速建立信心也能尽早暴露本地环境差异。3.3 安装依赖Notebook 与本地命令行两种方式在本地创建虚拟环境时推荐使用以下命令python -m venv .venv source .venv/bin/activate # Windows 使用的命令是 .venv\Scripts\activate pip install --upgrade pip pip install openai python-dotenv jupyter.venv是虚拟环境目录用它隔离项目依赖避免和系统 Python 环境互相污染。python-dotenv用来读取.env文件方便管理 API Key。创建.env文件内容模板如下OPENAI_API_KEY你的密钥 # 如果使用本地 Ollama可以设置自定义模型名 LOCAL_MODELqwen2.5:7b写代码时通过load_dotenv()加载环境变量import os from dotenv import load_dotenv load_dotenv() api_key os.getenv(OPENAI_API_KEY)如果使用本地 Ollama安装并拉取模型后服务一般默认监听http://localhost:11434然后通过 OpenAI SDK 的base_url参数指向本地地址具体接口细节以 Ollama 官方文档为准。3.4 环境检查清单在开始跑课程代码前可以按下面这个清单检查一遍Python 版本满足要求python --version能看到 3.9 或更高。虚拟环境已激活命令行提示符前面出现.venv。已安装 openai、python-dotenv、jupyter 等依赖pip list中能看到。API Key 已配置到环境变量且没有被提交到 Git 仓库。如果使用在线 Notebook确认已经连接内核并能正常导入依赖。如果使用本地模型确认服务已启动并能通过本地接口完成一次最简单的对话。环境检查是 Vibe Coding 里最枯燥但最必要的环节。很多后续报错其实都来自这一步没做完整。4. 最小 Vibe Coding 实践用自然语言生成一个卡片生成器4.1 先写清楚需求再让模型生成代码这里用一个非常常见的数据处理需求来做例子读取一个 CSV 文件统计每一列的缺失值数量和缺失率并按缺失率排序。这个需求很小但足以体现 Vibe Coding 的完整循环。先在对话里输入下面这段提示词请写一个 Python 脚本文件名为 analyze_csv.py。 脚本接收一个命令行参数CSV 文件路径。 程序读取 CSV 文件统计每一列的缺失值数量和缺失率缺失率用百分比表示保留两位小数。 输出按缺失率从高到低排序使用 tabulate 库以表格形式打印。 包含 main 函数文件读取失败或参数缺失时要给出友好提示。这个提示词的关键点在于给出了文件名、参数、输出格式、排序方式、依赖库、错误处理要求。模型不需要猜测需求生成的代码也更容易直接运行。4.2 生成第一版代码遵循这类提示词通常可以得到类似下面这样的代码。实际模型输出可能有变量名差异但整体结构会非常接近。import sys import pandas as pd from tabulate import tabulate def analyze_missing(file_path: str) - pd.DataFrame: df pd.read_csv(file_path) total_rows len(df) missing_count df.isna().sum() missing_rate (missing_count / total_rows * 100).round(2) result pd.DataFrame({ column: missing_count.index, missing_count: missing_count.values, missing_rate: missing_rate.values, }) return result.sort_values(missing_rate, ascendingFalse) def main() - None: if len(sys.argv) ! 2: print(用法: python analyze_csv.py csv文件路径) sys.exit(1) csv_path sys.argv[1] try: summary analyze_missing(csv_path) print(tabulate(summary, headerskeys, tablefmtgrid, showindexFalse)) except Exception as exc: print(f处理失败: {exc}, filesys.stderr) sys.exit(1) if __name__ __main__: main()这段代码里值得关注的地方有几个。df.isna().sum()是 pandas 统计缺失值的标准方法round(2)让缺失率更易读tabulate负责把 DataFrame 渲染成表格main函数负责命令行参数和异常处理。生成代码之后不要急着信任先运行再检查。4.3 保存、运行和验证把生成的代码保存到analyze_csv.py准备一个测试文件sample.csvname,age,city Alice,30, Bob,,Shanghai Carol,,运行命令python analyze_csv.py sample.csv预期输出大致如下--------------------------------------- | column| missing_count | missing_rate| --------------------------------------- | city | 1 | 33.33 | | age | 1 | 33.33 | | name | 0 | 0.00 | ---------------------------------------这里的数据只有三行所以缺失率只有 0 和 33.33 两种。重要的是验证两件事程序能按缺失率从高到低输出当路径不存在时会打印友好提示而不是堆一长串 Traceback。如果路径不存在可以运行python analyze_csv.py not_exist.csv预期输出处理失败: [Errno 2] No such file or directory: not_exist.csv这说明异常处理生效了。4.4 继续用自然语言迭代加参数、加错误处理第一版跑通之后可以继续用自然语言提新需求。比如请给 analyze_csv.py 增加一个可选的 --top 参数只显示缺失率最高的前 N 列。 如果没有传入 --top就显示全部列。 要求使用 argparse 代替 sys.argv 处理参数。模型会修改代码把argparse引入并调整传参逻辑。这个过程就是 Vibe Coding 的核心循环给需求、生成代码、运行、提新需求、继续生成。每一次循环都在训练同一个能力如何把模糊想法拆成可执行的、可验证的指令。4.5 这个练习背后训练的是什么能力这个最小案例看起来简单但它背后其实是三条能力。第一条是需求拆解能力。你必须能说出“我要统计缺失值按缺失率排序输出表格”而不是“帮我处理一下数据”。第二条是验证能力。模型给出的代码不能直接上线必须通过真实数据、边界条件来验证。第三条是迭代能力。第一版不一定完美你要能发现不足并把不足继续转成下一轮提示词。这三点就是 Vibe Coding 对开发者提出真正要求的地方。5. 从提示词到 Agent理解工具调用与大模型应用形态5.1 为什么单次问答不够用前面的 CSV 统计脚本本质上是一次性生成代码后交给 Python 执行。实际应用中你更希望模型能够根据当前问题自己决定调用哪个工具。比如用户问“帮我查一下订单表里最近七天的数据然后画一张柱状图”模型如果只能生成文本就无法真正读取数据库和生成图片。要让模型具备行动能力就需要把大模型和应用环境通过工具连接起来。这种连接方式最早被概括为 Agent 模式模型循环执行“思考-调用工具-观察结果-再思考”的过程直到完成目标或达到停止条件。Vibe Coding 课程中的 Agent 部分通常就是围绕这个循环展开的。5.2 工具调用的工作原理目前的商用模型普遍支持 Function Calling也叫工具调用。模型并不真正执行外部功能它只是基于对话内容输出一个“我希望调用某个函数并传入这些参数”的结构化指令真正执行由你的程序完成。一个典型的工具调用 JSON 指令长这样{ name: get_weather, arguments: {\city\: \上海\} }你的程序解析这个 JSON 后调用真实的get_weather(上海)函数并把返回结果作为新的消息交给模型继续推理。在这个过程中模型不会直接访问天气服务所有 API key、鉴权、错误处理都发生在你的代码里。5.3 一个极简 Agent 示例使用 OpenAI 风格 SDK 时先定义工具from openai import OpenAI client OpenAI() # 需要提前设置 OPENAI_API_KEY 环境变量 tools [ { type: function, function: { name: get_weather, description: 查询指定城市的天气情况, parameters: { type: object, properties: { city: {type: string, description: 城市名例如上海} }, required: [city] } } } ] messages [{role: user, content: 上海今天天气怎么样}] response client.chat.completions.create( modelgpt-4o-mini, messagesmessages, toolstools, )调用完成后需要检查返回内容里是否有tool_calls。如果有就取出函数名和参数执行本地函数再把结果通过role: tool的消息追加到messages最后再次调用模型获取最终回答。if response.choices[0].message.tool_calls: tool_call response.choices[0].message.tool_calls[0] city tool_call.function.arguments weather_result fake_get_weather(city) messages.append(response.choices[0].message) messages.append({ role: tool, tool_call_id: tool_call.id, content: weather_result, }) # 再次调用模型得到最终回复这个展示是结构性的忽略了很多细节比如参数解析、异常处理、多工具调用、循环上限。实际项目中你还需要考虑工具白名单、操作审计、用户确认机制以及成本控制。5.4 生产环境的 Agent 还需要什么学习环境的 Agent 只要能在 Notebook 里跑通一次对话就够了但生产环境要复杂得多。至少要解决下面几个问题工具权限模型能调用的工具不能是无限集合必须按场景和用户角色收窄。审计日志谁在什么时间让模型调用了什么工具参数是什么结果是什么都要 Vibe Coding实战指南：用自然语言驱动大模型应用开发
Vibe Coding 是最近两年在 AI 应用开发领域频繁出现的一个词。它描述的是一种以自然语言为核心输入、以大模型为执行引擎的编程方式开发者把需求、边界条件和验收标准写清楚模型负责生成代码、修改代码甚至解释报错。吴恩达和 DeepLearning.AI 围绕 Vibe Coding 推出的系列课程正好把大模型入门到进阶这条路上的零散知识点整理成了一条可以照着走的学习路径。课程是否真的“全网公认最好”这里不做过多的榜单式评价但有一点是确定的如果你刚开始接触大模型应用开发又不想一上来就陷入深度学习原理、分布式训练、RAG、Agent 这些庞杂话题这套课程提供了一条更贴近工程实践的顺序。下面会以这套课程为主线讲清楚 Vibe Coding 到底在解决什么问题、入门阶段需要准备什么环境、一个最小实践案例应该怎么做以及进阶到 Agent 和本地部署时容易踩到哪些坑。1. 先理解 Vibe Coding从自然语言到可运行代码的协作方式1.1 Vibe Coding 到底是什么Vibe Coding 的核心不是“随便让 AI 写代码”而是一种“意图驱动”的开发方式。传统编程中人类要把业务逻辑翻译成精确的语法、类型、函数调用和异常处理Vibe Coding 中这部分工作被拆成了两层人负责描述意图和校验结果大模型负责把意图转换成代码。技术定义上Vibe Coding 是一种相对新的编码范式它依赖大模型对自然语言和代码的理解能力通过对话式迭代生成或修改程序。它不等同于“自动生成完整项目”而更像是一个人机协作的代码生产方式。容易误解的地方有两个。第一Vibe Coding 不等于“不用懂编程”如果完全读不懂生成代码后续几乎无法判断模型是否在胡说。第二Vibe Coding 不等于“一次生成全部正确”它本质上是一个快速试错循环写提示词、看输出、运行、发现错误、继续修改提示词。1.2 与提示词工程、传统编程的关系提示词工程研究的是如何设计输入文本让模型稳定输出期望结果。Vibe Coding 可以看成提示词工程在代码生成领域的落地场景但范围更宽它不只关心一次生成的文本质量更关心生成结果能不能被运行、能不能被测试、能不能被版本管理。传统编程中的调试、单元测试、代码审查和重构在 Vibe Coding 里并没有消失只是位置发生了移动。开发者仍然需要看懂报错需要决定哪些模块应该拆开需要判断生成的代码是否满足性能要求。区别是过去大部分代码由人手写现在很多样板代码、测试代码、数据清洗代码可以由模型快速产出。这里有一个比较实用的判断标准如果一段代码是重复性、模板化的比如解析 CSV、写 SQL、做列表转换、配置 Dockerfile交给模型生成通常能节省时间如果一段代码涉及复杂的业务规则、安全边界和难以表述的隐性约束就不能直接让模型自由发挥而是要把约束一条一条写进提示词里。1.3 为什么用吴恩达和 DeepLearning.AI 的课程做入口吴恩达在机器学习和深度学习领域的课程非常多很多人最早是从《Machine Learning》和《Deep Learning Specialization》开始接触的。DeepLearning.AI 近年来的课程方向更偏向大模型应用Vibe Coding 相关教程正是这一类。选择这套课程作为入口优势在于课程结构通常比较完整从大模型基础概念、提示词写法到 Agent 应用都有安排并且很多章节会带配套 Notebook 或代码示例。新手可以先在浏览器里跑通示例再回头理解代码细节这种“先看到结果再学习原理”的方式比只看文档更容易坚持。需要注意课程作者和机构会持续更新内容课程目录、模型版本和平台功能都可能与早期截图不同。学习时不要纠结于某个版本号而要把注意力放在两个地方第一每一课解决的痛点是什么第二课件里的代码在去除无关细节之后剩下的核心结构是什么。2. 从大模型基础到进阶应用一条可执行的学习路线2.1 第一阶段把大模型的基本概念先拉齐开始动手写提示词之前至少要把几个核心概念对齐。大模型本质上是根据给定文本预测下一个 Token 的概率模型Token 是文本切分后的基本单位可以是一个词的一部分、一个完整单词或一个标点。上下文窗口决定模型一次能“看到”的文本量会直接影响你能给模型多少背景资料。温度参数控制输出随机性温度越高回答越发散代码生成场景通常使用较低的温度。下面这张表可以用来做快速对照。概念含义常见影响Token文本切分后的基本单位影响输入输出长度和计费上下文窗口模型一次能处理的 Token 数上限超过后会出现截断或需要做摘要温度采样随机性代码生成通常设为 0 到 0.3System Prompt系统级指令定义角色、约束和回答格式User Prompt用户输入描述本次任务的具体要求学习这个阶段时不要只看概念可以打开一个模型对话页面输入一个简单的代码生成任务然后调整提示词里的角色设定和输出格式要求观察结果变化。这个直观体验比背概念图表有用得多。2.2 第二阶段提示词工程与结构化输出提示词工程的核心是“把模糊需求变成模型能理解、能执行的指令”。一个合格的代码生成提示词通常包含四个部分任务目标、输入输出格式、约束条件、错误处理要求。例如请写一个 Python 函数输入是一个列表输出是去重后的列表保持元素原始顺序。 要求不能使用 set 进行去重因为需要保留顺序。 请包含类型注解和简单的 doctest。这个提示词里任务目标、输出要求、约束和验证方式都写清楚了模型生成的代码会比只写“帮我写个去重函数”稳定得多。结构化输出是另一个重点。很多应用需要模型返回 JSON然后在程序里继续处理。为了避免模型输出多余文字建议在提示词中明确“只返回 JSON不要添加任何解释”并在代码层面对 JSON 解析做异常处理。如果模型仍然不稳定可以给一个 few-shot 示例或者使用支持 JSON Mode 的接口参数。2.3 第三阶段从单次生成到 Agent 与工具调用入门阶段最常见的疑问是大模型明明能写代码为什么不能自己去执行代码、读取文件、调用 API原因是大模型本身只是概率模型输入输出都是文本没有主动访问外部世界的能力。Agent 模式把大模型和工具调用结合起来让模型在需要时生成“调用某个工具”的指令程序负责真正执行再把结果送回模型继续推理。这个阶段是学习路线中性价比最高的一部分。理解 Function Calling 的原理后就能明白为什么一个“查天气的助手”不能只靠提示词完成需要天气 API 配合。DeepLearning.AI 的相关课程通常会在这个位置安排 Agent 的基础实验建议把示例里的工具函数画成一张输入输出表再自己新增一个工具比如查询数据库、读取本地文件体会“工具扩展”是怎么发生的。2.4 第四阶段本地部署、评估与工程化从入门到进阶很多人会卡在“在线 API 很灵活但生产环境不能这么简单”这一关。本地部署大模型的意义不只是省 API 费用更是为了数据隐私、离线环境和定制优化。常见的本地部署路径是先装一个推理框架然后下载开源模型权重并启动服务。以 Ollama 为例安装完成后只需要执行ollama pull qwen2.5:7b这类命令就可以把模型拉下来再用ollama serve启动一个兼容 OpenAI 接口的本地服务。实际模型名要以官方仓库为准这里只是说明流程。工程化层面至少还要关注模型评估集怎么准备、请求日志怎么记录、结果延迟和成本怎么统计、模型输出被错误使用时的降级方案是什么。这些内容在很多课程里不会展开但在真实项目里是决定能否上线的关键。2.5 课件代码应该怎么用而不是只下载课件代码是这类课程价值最高的部分但很多人的使用方式只是“下载下来从上到下运行一遍看到输出就关掉”。这样做的问题在于一旦换一个数据集、换一个模型或者把代码从 Notebook 迁移到后端服务可能立刻就不会写了。更推荐的做法是先不看答案只看课程的作业要求自己写一版写完后再对照课件代码记录三处差异包括别人为什么这样组织函数、为什么这样处理边界条件、为什么这样解析模型返回值。然后把同一段逻辑从 Notebook 里抽出来改成一个命令行工具或一个 HTTP 接口才算真正学会了。3. 环境准备用最小成本搭建一个能跑的实验环境3.1 先确认你需要的三样东西Python、Git、API Key学习 Vibe Coding 类课程常见的软件环境是 Python、Git 和一个可用的模型 API Key。Python 用于运行课程里的 Notebook 和脚本Git 用于保存练习代码并查看每次修改的差异API Key 用于调用大模型接口。如果你暂时不想申请 API Key也可以使用本地开源模型但推理效果和稳定性可能不如云端商用模型。实际选择取决于你的目的只是想跑通示例本地模型够用想验证 Agent、Function Calling 这类能力建议使用支持工具调用的云端 API。下面的表可以当作参考依赖最低建议用途常见注意点Python3.9 或更高运行代码、Notebook不同项目建议用虚拟环境隔离Git2.x保存代码、查看 diff初始化后先提交一版原始代码API Key按平台申请调用模型接口密钥要放在环境变量不要提交到仓库NotebookJupyter 或 VS Code交互式实验运行顺序错了会导致变量不一致3.2 选择在线环境还是本地环境课程平台通常会提供浏览器端 Notebook适合第一遍跟学不需要安装任何东西打开网页就能跑出现环境问题概率低。本地环境则适合之后做自己的实验因为可扩展性更强可以安装自己的依赖、连接私有数据、部署成服务。对于零基础用户建议第一遍用在线环境第二遍再在本地把相同代码跑一遍。这样既能快速建立信心也能尽早暴露本地环境差异。3.3 安装依赖Notebook 与本地命令行两种方式在本地创建虚拟环境时推荐使用以下命令python -m venv .venv source .venv/bin/activate # Windows 使用的命令是 .venv\Scripts\activate pip install --upgrade pip pip install openai python-dotenv jupyter.venv是虚拟环境目录用它隔离项目依赖避免和系统 Python 环境互相污染。python-dotenv用来读取.env文件方便管理 API Key。创建.env文件内容模板如下OPENAI_API_KEY你的密钥 # 如果使用本地 Ollama可以设置自定义模型名 LOCAL_MODELqwen2.5:7b写代码时通过load_dotenv()加载环境变量import os from dotenv import load_dotenv load_dotenv() api_key os.getenv(OPENAI_API_KEY)如果使用本地 Ollama安装并拉取模型后服务一般默认监听http://localhost:11434然后通过 OpenAI SDK 的base_url参数指向本地地址具体接口细节以 Ollama 官方文档为准。3.4 环境检查清单在开始跑课程代码前可以按下面这个清单检查一遍Python 版本满足要求python --version能看到 3.9 或更高。虚拟环境已激活命令行提示符前面出现.venv。已安装 openai、python-dotenv、jupyter 等依赖pip list中能看到。API Key 已配置到环境变量且没有被提交到 Git 仓库。如果使用在线 Notebook确认已经连接内核并能正常导入依赖。如果使用本地模型确认服务已启动并能通过本地接口完成一次最简单的对话。环境检查是 Vibe Coding 里最枯燥但最必要的环节。很多后续报错其实都来自这一步没做完整。4. 最小 Vibe Coding 实践用自然语言生成一个卡片生成器4.1 先写清楚需求再让模型生成代码这里用一个非常常见的数据处理需求来做例子读取一个 CSV 文件统计每一列的缺失值数量和缺失率并按缺失率排序。这个需求很小但足以体现 Vibe Coding 的完整循环。先在对话里输入下面这段提示词请写一个 Python 脚本文件名为 analyze_csv.py。 脚本接收一个命令行参数CSV 文件路径。 程序读取 CSV 文件统计每一列的缺失值数量和缺失率缺失率用百分比表示保留两位小数。 输出按缺失率从高到低排序使用 tabulate 库以表格形式打印。 包含 main 函数文件读取失败或参数缺失时要给出友好提示。这个提示词的关键点在于给出了文件名、参数、输出格式、排序方式、依赖库、错误处理要求。模型不需要猜测需求生成的代码也更容易直接运行。4.2 生成第一版代码遵循这类提示词通常可以得到类似下面这样的代码。实际模型输出可能有变量名差异但整体结构会非常接近。import sys import pandas as pd from tabulate import tabulate def analyze_missing(file_path: str) - pd.DataFrame: df pd.read_csv(file_path) total_rows len(df) missing_count df.isna().sum() missing_rate (missing_count / total_rows * 100).round(2) result pd.DataFrame({ column: missing_count.index, missing_count: missing_count.values, missing_rate: missing_rate.values, }) return result.sort_values(missing_rate, ascendingFalse) def main() - None: if len(sys.argv) ! 2: print(用法: python analyze_csv.py csv文件路径) sys.exit(1) csv_path sys.argv[1] try: summary analyze_missing(csv_path) print(tabulate(summary, headerskeys, tablefmtgrid, showindexFalse)) except Exception as exc: print(f处理失败: {exc}, filesys.stderr) sys.exit(1) if __name__ __main__: main()这段代码里值得关注的地方有几个。df.isna().sum()是 pandas 统计缺失值的标准方法round(2)让缺失率更易读tabulate负责把 DataFrame 渲染成表格main函数负责命令行参数和异常处理。生成代码之后不要急着信任先运行再检查。4.3 保存、运行和验证把生成的代码保存到analyze_csv.py准备一个测试文件sample.csvname,age,city Alice,30, Bob,,Shanghai Carol,,运行命令python analyze_csv.py sample.csv预期输出大致如下--------------------------------------- | column| missing_count | missing_rate| --------------------------------------- | city | 1 | 33.33 | | age | 1 | 33.33 | | name | 0 | 0.00 | ---------------------------------------这里的数据只有三行所以缺失率只有 0 和 33.33 两种。重要的是验证两件事程序能按缺失率从高到低输出当路径不存在时会打印友好提示而不是堆一长串 Traceback。如果路径不存在可以运行python analyze_csv.py not_exist.csv预期输出处理失败: [Errno 2] No such file or directory: not_exist.csv这说明异常处理生效了。4.4 继续用自然语言迭代加参数、加错误处理第一版跑通之后可以继续用自然语言提新需求。比如请给 analyze_csv.py 增加一个可选的 --top 参数只显示缺失率最高的前 N 列。 如果没有传入 --top就显示全部列。 要求使用 argparse 代替 sys.argv 处理参数。模型会修改代码把argparse引入并调整传参逻辑。这个过程就是 Vibe Coding 的核心循环给需求、生成代码、运行、提新需求、继续生成。每一次循环都在训练同一个能力如何把模糊想法拆成可执行的、可验证的指令。4.5 这个练习背后训练的是什么能力这个最小案例看起来简单但它背后其实是三条能力。第一条是需求拆解能力。你必须能说出“我要统计缺失值按缺失率排序输出表格”而不是“帮我处理一下数据”。第二条是验证能力。模型给出的代码不能直接上线必须通过真实数据、边界条件来验证。第三条是迭代能力。第一版不一定完美你要能发现不足并把不足继续转成下一轮提示词。这三点就是 Vibe Coding 对开发者提出真正要求的地方。5. 从提示词到 Agent理解工具调用与大模型应用形态5.1 为什么单次问答不够用前面的 CSV 统计脚本本质上是一次性生成代码后交给 Python 执行。实际应用中你更希望模型能够根据当前问题自己决定调用哪个工具。比如用户问“帮我查一下订单表里最近七天的数据然后画一张柱状图”模型如果只能生成文本就无法真正读取数据库和生成图片。要让模型具备行动能力就需要把大模型和应用环境通过工具连接起来。这种连接方式最早被概括为 Agent 模式模型循环执行“思考-调用工具-观察结果-再思考”的过程直到完成目标或达到停止条件。Vibe Coding 课程中的 Agent 部分通常就是围绕这个循环展开的。5.2 工具调用的工作原理目前的商用模型普遍支持 Function Calling也叫工具调用。模型并不真正执行外部功能它只是基于对话内容输出一个“我希望调用某个函数并传入这些参数”的结构化指令真正执行由你的程序完成。一个典型的工具调用 JSON 指令长这样{ name: get_weather, arguments: {\city\: \上海\} }你的程序解析这个 JSON 后调用真实的get_weather(上海)函数并把返回结果作为新的消息交给模型继续推理。在这个过程中模型不会直接访问天气服务所有 API key、鉴权、错误处理都发生在你的代码里。5.3 一个极简 Agent 示例使用 OpenAI 风格 SDK 时先定义工具from openai import OpenAI client OpenAI() # 需要提前设置 OPENAI_API_KEY 环境变量 tools [ { type: function, function: { name: get_weather, description: 查询指定城市的天气情况, parameters: { type: object, properties: { city: {type: string, description: 城市名例如上海} }, required: [city] } } } ] messages [{role: user, content: 上海今天天气怎么样}] response client.chat.completions.create( modelgpt-4o-mini, messagesmessages, toolstools, )调用完成后需要检查返回内容里是否有tool_calls。如果有就取出函数名和参数执行本地函数再把结果通过role: tool的消息追加到messages最后再次调用模型获取最终回答。if response.choices[0].message.tool_calls: tool_call response.choices[0].message.tool_calls[0] city tool_call.function.arguments weather_result fake_get_weather(city) messages.append(response.choices[0].message) messages.append({ role: tool, tool_call_id: tool_call.id, content: weather_result, }) # 再次调用模型得到最终回复这个展示是结构性的忽略了很多细节比如参数解析、异常处理、多工具调用、循环上限。实际项目中你还需要考虑工具白名单、操作审计、用户确认机制以及成本控制。5.4 生产环境的 Agent 还需要什么学习环境的 Agent 只要能在 Notebook 里跑通一次对话就够了但生产环境要复杂得多。至少要解决下面几个问题工具权限模型能调用的工具不能是无限集合必须按场景和用户角色收窄。审计日志谁在什么时间让模型调用了什么工具参数是什么结果是什么都要