生活分享

氛圍編碼（Vibe Coding）是什麼

氛圍編碼常指用自然語言推動 AI 寫程式，主要看畫面與試用結果，較少閱讀產出的程式內容。本文說明這個詞的狹義與廣義用法，透過讀書清單原型示例拆解探索流程、看不見的失敗與轉向正式開發時需要補上的工作。讀完能判斷原型適合承擔什麼用途，也能把功能看起來完成、資料真的儲存和程式已受審查分開看待。

更新日期: 閱讀時間約 7 分鐘

一支畫筆在螢幕上快速畫出書籍卡片，螢幕下方保留尚未接妥的資料積木，象徵可試用但仍待完成的原型。
圖片：Mokaair (© Mokaair)

氛圍編碼是以自然語言和反覆試用推進 產生程式的做法；在較狹義的用法中，使用者不會仔細閱讀或理解生成的程式，而是依畫面和操作感覺繼續調整。這個詞沒有統一技術標準，也常被廣義地拿來指各種 AI 輔助開發，因此討論時先說清楚用法很重要。

以下採用 Simon Willison 對此詞的直接論述來區分原型探索與經過審查的工程工作，並用讀書清單工具作為原創示例。目的是讓你知道自然語言做出的東西能證明什麼，以及從個人試玩走向多人使用時有哪些工作要補上。資料查證截至 2026 年 9 月 14 日。

重點在如何對待程式產物

Willison 把不閱讀生成程式的做法稱為 vibe coding，並主張經過理解、測試與審查的 AI 輔助開發應另外看待。這是作者明確提出的區分，並不表示市場上的所有工具都遵循它。這裡不把氛圍編碼當作特定產品、程式語言或模型種類，也不以是否親手打字判定。

這種探索之所以有吸引力，是因為使用者可以直接描述想看到的效果：把書籍排成卡片、加入已讀、讓搜尋欄更容易使用。畫面回饋很快，能幫你確認自己到底需要什麼。它特別適合需求仍在形成、產物可以替換、錯誤後果有限的原型階段。

但看到畫面不代表看見所有行為。儲存位置、資料權限、錯誤恢復和相依套件藏在介面背後，可能要讀程式或做特定測試才知道。當使用者只要求「修好」，模型可能改到症狀消失，卻沒有處理真正原因。這是工作方式的資訊缺口，並非對非工程背景使用者的評價。

從一個讀書清單原型開始

原創輸入可以是：「做一個個人讀書清單，能新增書名、標記已讀、搜尋書籍。先使用假資料展示，畫面適合手機。」這個任務把範圍放在個人原型，不會一開始就要求登入、跨裝置同步和公開分享。第一輪預期產物是一個能試用互動的頁面，不是完整的正式服務。

接著實際新增一本示例書，標記已讀，再搜尋名稱。若卡片順序不方便閱讀，可以描述具體操作困難，例如「搜尋後看不出哪些是已讀」，要求調整標籤與排序。這比只說「更有質感」更容易判斷改動是否有用，也能避免反覆更換風格卻沒有改善使用流程。

每次接受變更前保留一個可回復版本，再重走原本已經能用的操作。改搜尋欄後，如果新增功能失效，這是回歸問題；不要因為新畫面比較漂亮就忽略。儲存版本和操作筆記不會自動讓原型成為正式軟體，但能降低探索過程中失去有效成果的機會。

用重新整理找出看不見的問題

現在加入書籍後重新整理頁面。若清單消失，可能只是暫存在頁面記憶體；若資料保留在同一瀏覽器，仍不代表另一臺裝置能看到。這個簡單案例揭示三個不同需求：當次操作有效、關閉後可保留、跨裝置可存取。它們需要不同的實作，不能只用「能儲存」概括。

再試著輸入空白書名、重複書名和很長的標題，觀察是否有清楚提示，版面是否仍可用。你不是要證明軟體永遠不會出錯，而是針對已承諾的用途檢查合理邊界。如果系統吞掉輸入卻顯示成功，必須把那個情境儲存下來，讓後續修正有明確目標。

工具產生的解釋也要對照外部結果。模型可能說資料已寫入資料庫，但你只看到本機頁面變化。應詢問資料實際存在何處、如何讀回和如何刪除，再用可核對的方法確認。沒有查到證據時，應保留未知狀態，不要用模型的描述補成已完成。

新增書籍後，依序檢查當次顯示、重新整理後保留與跨裝置讀取，每一步需要不同證據，最後才進入審查。
原型畫面證明互動概念；資料儲存與多人權限需要另外驗證。 · 圖片：Mokaair (© Mokaair)

從原型走向多人使用

如果讀書會希望共同使用，問題就從介面探索擴大為資料與權限設計。誰能看到別人的清單、誰能編輯、成員離開後資料怎麼處理，都需要明確決定。這時應先整理實際需求，再讓理解程式的人審查儲存、授權、錯誤處理和相依元件，而不是直接把原型公開。

可以把探索得到的成果留下來：畫面、使用者反應、哪些欄位真的需要，以及哪些操作令人困惑。這些材料很有價值，即使最後重做部分程式也不算白費。原型的成功標準是幫助確認需求；正式服務還必須證明資料處理與使用路徑足以承擔預期用途。

GitHub 的編碼代理說明文件把產物交給審查流程，提供了一種可觀察的工程做法。對自己的專案，可以要求每次變更附上差異、驗證與已知限制，並確保有人能解釋關鍵程式。工具品牌不決定成熟度，能否對行為與後果提出證據才決定交付程度。

用風險與可恢復性選擇工作方式

選題時可以問：錯了能否輕鬆重做，是否使用假資料，是否只是幫自己看懂構想？如果答案大多是肯定的，原型探索可能很適合。若會處理真實會員資料、不可逆寫入或重要決策，則需要增加需求、審查與驗證，不能只靠操作時沒有報錯來放心。

氛圍編碼和代理式工程可以出現在同一個專案的不同階段。先用自然語言試出好用的閱讀清單，再改以可追蹤規格和測試推進，是合理轉換。沒有必要維護一個純粹的標籤；重要的是讓參與者知道目前的產物是探索樣品、可審查實作，還是已完成驗證的服務。

最實用的紀錄不是「AI 幫我寫了多少行」，而是你已確認哪些需求、哪些功能只看過畫面、哪些資料流程仍不清楚。將這些狀態寫明，下一位接手的人才能從真實起點工作，也讓你避免把短時間的順利試用誤認為長期可靠。

把原型成果與驗證程度分開（2026 年 9 月查證）
看到的成果目前能支持的結論還不能直接推論
卡片能新增當次畫面互動存在關閉後資料仍儲存
重新整理後保留這個環境有持續儲存跨裝置同步與權限正確
程式經過審查指定變更已被理解檢查所有部署環境都已驗證

同主題延伸閱讀

  • 生活分享

    世界模型（World Model）是什麼：讓 AI 預測「接下來會怎樣」

    世界模型指 AI 內部用來預測「這樣做之後會怎樣」的模型，但這個詞至少有三種用法：強化學習代理在想像中練習用的環境模型、LeCun 主張預測抽象表示的架構路線，以及能隨操作即時生成畫面的互動環境。內容用示例說明怎麼在想像中規劃，並列出大型語言模型有沒有世界模型的正反研究，附讀新聞時的檢查問題。

  • 生活分享

    視覺語言模型（VLM）是什麼：讓 AI 讀圖片、再用文字回答

    視覺語言模型（VLM）能同時接收圖片與文字，再用文字回答。內容拆解視覺編碼器、連接層與語言模型三段結構，說明 CLIP、Flamingo、LLaVA 三篇論文各補上哪一塊，並和多模態 AI、文字生圖分清楚；也整理它常犯的錯：數錯數量、搞混位置、說出圖裡沒有的東西，附上讀收據時逐行核對的步驟。

  • 生活分享

    溫度（Temperature）是什麼：AI 回答變化程度的取樣參數

    溫度（temperature）是文字生成時調整取樣的參數，讓模型從下一個 token 的機率分布裡抽得更集中或更分散。用假想的台南早餐示例算出低溫與高溫的差別，說明 top-p 的來源和它與 top-k 的差別，並依官方文件與論文指出：調低溫度不代表更準，設成 0 也不保證每次相同，部分模型還不開放調整。

  • 生活分享

    合成資料（Synthetic Data）是什麼：兩種用途、品質控管與模型崩潰

    合成資料是由演算法或模型產生、模仿真實資料特徵的資料，常見用途有兩種：訓練模型，以及在隱私需求下替代真資料。內容依 Self-Instruct、模型崩潰研究（替換與累積資料的差別）與 NIST、ICO 的隱私文件，說明做法、抽查流程，以及它不能保證的事。

引用本文的文章

最新旅遊情報攻略

資料來源

生活分享