归档说明：本文最初发布于微信公众号“爱玩AI的医学生”，保留的是我刚开始高强度使用 Coding Agent 时的认知和表达；其中用量、能力评价和工具判断均是当时语境下的个人记录。 查看公众号原文
一个月前我在终端里敲下了第一条给Claude Code的指令，到今天，我已经烧掉了超过10亿token。
10亿token是什么概念？大概相当于你把整本《哈利波特》系列喂给AI读了600遍。而我，一个临床医学大三的学生，没有CS背景，代码能力大概⭐⭐（满分五星），就这么一头扎进了AI编程的世界里。
这一个月我用Claude Code和OpenClaw高强度地写代码、搭系统、踩坑、重来，经历了从“这玩意儿真神”到“这玩意儿真坑”再到“好吧，是我的问题”的完整心路历程。
所以这篇文章不是教程，是复盘。是我花了10亿token买来的教训，希望能帮你少走一些弯路。
我的核心总结就五条：
- 逻辑先行，代码在后
- 小步迭代，分次完成
- CLI先行，界面后做
- AI幻觉，注重检查
- 修修补补不如从头再来
先搞清楚：Vibe Coding到底是什么？
在聊方法论之前，我们得先对齐一个概念——什么是Vibe Coding。
这个词是OpenAI联合创始人Andrej Karpathy提出来的，他的原话大概是“完全沉浸在氛围中，拥抱指数级增长，然后忘记代码的存在”。说人话就是： 你用自然语言告诉AI你想要什么，AI帮你把代码写出来。
听起来很简单对吧？但实际操作起来，你需要具备两个关键能力：
第一，你得清楚自己要什么。
比如你想让AI帮你写一个网页应用，那你首先得想明白：这个产品是干什么的？有哪些功能？前端长什么样？数据怎么存？用户怎么交互？
这些问题你自己都没想清楚，就跑去跟AI说“帮我写个app”，AI也只能糊里糊涂地给你交一个糊里糊涂的东西。然后你一看，不满意，丢下一句"这AI工具真不好用，网上吹的都是自媒体带节奏"。
其实不是AI不好用，是你没想好要什么。
（这里有个技巧：如果你真的不知道自己的需求是什么，可以先跟AI聊。 让它提问，引导你把需求说出来。 AI其实是个很好的产品经理。 ）
第二，你得知道怎么跟AI说话。
AI是绝对理性的，它不会“猜”你的意思。 你说"这个登录功能没实现，优化一下"，AI不知道你到底想让它干什么——是前端样式不对？还是后端逻辑没写？还是数据库没连上？
但如果你说“后端的登录接口还没实现，请在 server.py 里添加用户认证的API”，AI就能精准地完成任务。
描述越精确，AI的输出质量越高。 这不是什么高深的道理，但很多人就是栽在这上面。
1. 逻辑先行，代码在后
这是我踩过最大的坑。
我在做一个AI企业落地项目的时候，需要用飞书多维表格搭建一个用户数据库。 数据来源很杂——有从小红书爬的，有从公众号导的，有手动录入的——但用户重复率极高。
我当时的做法是：直接让AI开始写代码，先把数据导进去再说。
结果呢？数据倒是进去了，几千条。但等我想做去重的时候，发现根本没法去。因为不同来源的数据格式不一样，有的用手机号做唯一标识，有的用微信号，有的压根没有唯一标识。我事先没有定义好"什么算同一个用户"这个核心逻辑，导致后面怎么写去重规则都是错的。
最后我不得不把整个表推翻重来，浪费了两天时间和一大堆token。
这件事教会我一个道理： 业务理解大于代码实现。 你可以不会写代码，但你必须搞清楚你的业务逻辑是什么。数据从哪来？怎么流转？核心字段是什么？边界情况有哪些？
这些问题不是AI能帮你回答的，因为AI不了解你的业务。它只能根据你给的指令写代码，但如果你的指令本身就建立在一个有缺陷的逻辑上，代码写得再漂亮也是白搭。
谷歌的工程负责人Addy Osmani说过一句话，大意是：在任何代码生成之前，先跟AI打磨一个具体可执行的方案。我深以为然。 先花时间想清楚，比直接开干要快得多。
2. 小步迭代，分次完成
这条是我在反复翻车之后悟出来的。
刚开始用AI写代码的时候，我特别贪心。一次性给AI甩一大段需求："帮我写一个完整的用户管理系统，包括注册、登录、权限管理、数据导出、日志记录……"
AI确实会给你写出来。但你会发现，代码量巨大，逻辑互相缠绕，一个地方出了bug，牵一发动全身。你想改一个小功能，AI可能把另外三个功能也改了，改完之后原来能跑的东西反而跑不了了。
后来我学乖了： 把大需求拆成小任务，一次只让AI做一件事。
比如做用户管理系统，我会这样拆：
- 第一步：先把用户注册的接口写好，跑通
- 第二步：加上登录功能，跑通
- 第三步：加权限控制，跑通
- 每一步都确认没问题了，再进入下一步
这样做的好处是：每一步的改动都很小，出了问题你能立刻定位到是哪一步引入的。而不是面对一坨几百行的代码改动，完全不知道bug藏在哪里。
这其实跟软件工程里"高频小步提交"的理念是一样的。AI时代这个原则不但没过时，反而更重要了——因为AI一次性生成的代码量可能比你手写的多得多，如果不分步控制，项目状态很容易失控。
3. CLI先行，界面后做
这条建议来自OpenClaw的创始人，我觉得说得特别对。
很多人（包括我）刚开始用AI写项目的时候，第一反应是："先把界面做出来！"毕竟界面是看得见摸得着的，做出来有成就感。
但问题是： 界面只是功能的皮，后端逻辑才是骨头。
我之前做一个小红书数据采集工具，一上来就让AI先做了一个漂亮的前端界面——有搜索框、有数据展示表格、有导出按钮。看着挺像那么回事。
但等我开始接后端的时候，发现前端的数据结构跟后端对不上，接口格式不匹配，很多前端写好的交互逻辑在后端根本没有对应的实现。最后前端基本上重写了一遍。
Claude Code的创始人Boris Cherny有个理念叫“终端即主场”，意思是先在命令行里把核心功能跑通，确认逻辑没问题了，再去套界面。
我现在的做法是：
- 先写CLI版本，用命令行验证核心功能
- 确认数据流转、业务逻辑都没问题
- 最后再做前端界面，这时候前端就是纯粹的"展示层"，不会跟后端打架
先跑通骨头，再穿衣服。 这个顺序不能反。
4. AI幻觉，注重检查
这条是所有用AI写代码的人都必须刻在脑子里的。
AI会一本正经地胡说八道。
它会给你写一个调用了根本不存在的API的代码，而且写得特别自信，注释都给你加好了。它会引用一个从来没有发布过的库版本。它会告诉你"这段代码已经测试通过"，但其实它根本没有运行过。
Django的联合创始人Simon Willison对LLM有一个精准的定义：“过度自信的编程助手”。我觉得这个描述太准确了。AI不是不聪明，它是太自信了——它不会告诉你"我不确定"，它只会给你一个看起来很对的答案。
我吃过好几次这个亏。有一次AI给我写了一段Python代码，调用了一个叫 feishu_sdk 的库。代码逻辑看起来完美，我直接跑，报错：ModuleNotFoundError。我去PyPI上搜，根本没有这个库。AI完全是编出来的。
所以现在我的习惯是：
- AI写完代码， 先跑一遍 ，不要光看逻辑觉得“应该没问题”
- 涉及到第三方库的， 先确认这个库存在 ，版本对不对
- 关键业务逻辑， 自己过一遍 ，不要完全信AI的判断
- 遇到AI说“已修复”的时候， 一定要验证 ，它经常说修了但其实没修
AI教育专家Andrew Ng提过一个真实案例：有人让AI agent清理项目文件，结果AI执行了 rm *.py，把整个项目的Python文件全删了。这不是段子，是真事。
信任AI的能力，但验证AI的输出。这是铁律。
5. 修修补补不如从头再来
这条是最反直觉的，但可能也是最重要的。
当你的代码出了bug，你的第一反应是什么？让AI修。AI修完还有bug？再让AI修。修了三轮还是不对？继续修。
我之前就是这样的。有一次一个数据导出功能出了问题，我让AI修了大概七八轮，每一轮它都说“已修复”，但每次都是修好了一个bug又引入了新的bug。代码越改越复杂，逻辑越来越混乱，到最后我自己都看不懂这段代码在干什么了。
后来我做了一个决定： 删掉，重写。
我把需求重新整理了一遍，开了一个新的对话窗口，从零开始让AI写。20分钟搞定，一次跑通。
之前修修补补花了多久？三个小时。
这件事让我明白一个道理： 当你发现一个功能修了很多轮都修不好的时候，问题大概率不在某一行代码上，而是整体架构或思路就有问题。 在一个有缺陷的基础上反复打补丁，只会越补越烂。
这个道理不只适用于代码。用第三方工具的时候也一样——如果一个工具配置了半天都跑不起来，与其继续折腾，不如卸载重装，从干净的状态重新来。很多时候重装比修复快得多。
及时止损，是一种能力。
工具怎么选？
方法论讲完了，聊聊工具。
这一个月我用过不少AI编程工具，也踩了不少坑。说说我的真实体验。
如果你是纯小白，我推荐你从Trae开始。
Trae是字节跳动出的AI编程工具，最大的优势就是： 免费，而且不需要任何配置。下载安装 ，打开就能用。对于从来没接触过AI编程的人来说，这个零门槛太重要了。你不需要搞API Key，不需要配环境变量，不需要科学上网。先用它感受一下AI编程是什么体验，建立信心，比什么都重要。
等你用熟了，想要更强的能力，再上Claude Code。
Claude Code是我现在的主力工具。它跑在终端里，没有花哨的界面，但代码能力是真的强。它能理解复杂的项目结构，能做跨文件的修改，能处理比较长的上下文。缺点是需要API Key，需要一定的配置能力，而且烧token是真的快（我那10亿token大部分就是它烧的）。
关于模型选择，国产大模型现在已经很能打了。
我主要用的是智谱的GLM系列。说实话，一开始我对国产模型是有偏见的，觉得肯定不如Claude。但实际用下来，GLM-5在代码生成上的表现已经非常接近Claude的水平了，SWE-bench跑分77.8%，而且价格便宜太多。
如果你预算有限，还有几个选择值得关注：
- MiniMax M2.5 ：性价比之王，API价格只有Claude的5%左右，而且支持100万token的超长上下文，处理大型代码仓库特别好用
- Kimi K2.5 ：前端开发能力突出，能“看懂”设计稿直接生成代码，如果你做前端项目可以试试
- 豆包Seed 2.0 Code ：跟Trae深度集成，如果你用Trae的话，这个模型是开箱即用的
我的建议是： 不要迷信一个模型。不同的模型 擅长不同的事情，代码生成用GLM-5，处理超长文档用MiniMax，前端项目用Kimi，灵活切换才是正确的姿势。
给小白的一些建议
最后说几条掏心窝子的话。
1. 不要怕"不会写代码"
我是学临床医学的，代码基础约等于零。但Vibe Coding的本质不是写代码，是 描述需求 。你不需要知道Python的语法，你需要知道的是你想让程序做什么。这个能力，每个人都有。
说白了，现在的AI编程就像是你当导演——你不需要自己演戏，但你得知道这场戏要怎么拍。
2. 先做小项目，别上来就搞大的
我见过太多人第一个项目就想做一个“全功能的SaaS平台”。拜托，你连AI编程的基本流程都还没跑通，就想造火箭？
先从小东西开始：一个待办清单、一个简单的爬虫、一个个人博客。把"提需求→AI写代码→调试→完成"这个循环跑顺了，再去挑战更复杂的项目。
3. 学会看报错信息
这是很多小白最怕的事情——终端里一堆红色的英文，看着就头大。但其实大部分报错信息都在告诉你问题出在哪里，你甚至不需要自己看懂，直接把报错信息复制粘贴给AI，AI通常就能帮你修。
这不丢人，这就是正确的工作流。连AI领域的大佬们自己都是这么干的。
4. 不要过度依赖AI
这话听起来矛盾——我整篇文章都在教你用AI，最后又说不要过度依赖？
但这是真的。AI是工具，不是替代品。你可以让AI帮你写代码，但你得理解这段代码在干什么。不然出了问题你连问题在哪都不知道，更别说修了。
AI很擅长写“正确的代码”，但不擅长做“创造性的决策”。什么时候该用什么方案，什么时候该推翻重来，这些判断还是得靠你自己。
5. 保持耐心，享受过程
你会遇到AI写的代码跑不通的时候，会遇到改了十遍还是有bug的时候，会遇到花了一下午结果全部推翻重来的时候。
这些都是正常的。
一个月前我什么都不会，现在我能独立用AI搭建一套完整的数据采集系统，能设计一个AI记忆系统的架构，能写出你正在看的这篇文章。这些都是一个月前的我想都不敢想的。
Vibe Coding不是魔法，它不会让你一夜之间变成程序员。但它确实降低了编程的门槛，让更多人有机会把自己的想法变成现实。
这就够了。
我是Ktao，一个试图用医学生思维理解AI的人。如果这篇文章对你有帮助，欢迎转发给同样在探索AI编程的朋友。
有问题可以在评论区聊，我看到都会回。