Vibe Coding一人即团队系列2: AI驱动的全链路产品开发实践

Vibe Coding:面向一人团队的AI原生开发工作流 Vibe Coding 是一种以最小认知负荷、最大上下文保真度和最短反馈闭环为核心原则的现代软件开发范式,它超越传统IDE与Copilot增强模式,聚焦个体开发者在无协作约束下的高效交付。其技术原理在于将需求、代码、测试与部署封装为可追溯、可复现的任务单元,并依托上下文图谱实现语义化理解与精准操作。这种工作流显著提升独立开发者、MVP验证者及技术型产品经理的交付质量与知识沉淀效率,尤其适用于Spring Boot、微服务、SaaS后台等需要快速迭代与强业务规则约束的场景。Trae 作为专为此范式设计的工具, 阅读详情

纲要

  • Vibe Coding (氛围编程) 核心理念
    • 定义与本质
    • 操作流程与交互模式
  • 编程范式演进史
    • 第一阶段: 基于对话式AI的代码生成 (Copy-Paste)
    • 第二阶段: AI编程插件辅助开发 (IDE Integration)
    • 第三阶段: 自然语言驱动的全栈开发 (Vibe Coding)
  • Vibe Coding 技术栈与实现路径
    • 需求文档自动化生成
    • 多模态资源整合 (图像、视频、美术设计)
    • 从描述到项目落地的全链路
  • 业务价值与应用前景
    • 非技术背景人员的产品实现
    • 缩短开发周期与降低人力成本
    • 独立开发者商业化路径

什么是 Vibe Coding

Vibe Coding,中文常译为“氛围编程”。其核心并非一种特定的编程语言或框架,而是一种基于大语言模型(LLM)的全新人机交互范式。该模式强调在开发者(或产品构思者)保持高度舒适与专注的“心流”状态下,通过自然语言(如中文)精确描述产品功能需求,由 AI 自动完成从代码编写、环境配置到应用部署的全链路工作。

在 Vibe Coding 模式下,技术实现的复杂度被 AI 抽象化。产品实现路径从“人为编写逻辑”转变为“描述预期结果”,开发者角色从代码执行者演变为产品架构师与指令设计者。该模式显著降低了软件开发的技术门槛,使得不具备传统编程经验的从业人员(如产品经理、设计师)亦可直接参与产品构建。

核心工作流

在 Vibe Coding 实践中,通过清晰、结构化的文本描述需求,AI 能够自动解析上下文并生成对应的工程文件。以下流程图展示了从需求到产出的核心逻辑:

构思产品功能

撰写自然语言描述

AI 解析与推理

生成项目代码/资源

生成美术/设计稿

生成需求文档

自动化集成与部署

可运行产品/原型

AI编程编年史:范式演进

当前的 Vibe Coding 是 AI 辅助软件开发演进路径中的重要阶段。从早期的代码补全到如今的上下文感知生成,该领域经历了以下显著的技术迭代:

第一阶段:对话式代码复制 (Copy-Paste Era)

在 ChatGPT、豆包 (Doubao) 及 通义千问 (Qwen) 等大语言模型应用初期,开发者通常通过对话框向 AI 描述功能需求(如“使用 Java 编写一个九九乘法表”),AI 返回相应的代码片段,开发者手动复制并粘贴到项目文件中。此阶段 AI 定位为代码搜索引擎或片段生成器,生成的代码相对独立,缺乏对项目整体上下文的感知,开发者仍需具备较强的代码整合与调试能力。

示例交互 (第一阶段):

用户输入:“使用 Java 写一个九九乘法表。”
AI 输出:生成包含 main 方法和嵌套循环的独立 Java 类文件。用户复制该文件内容至本地项目目录,并手动配置编译运行环境。

第二阶段:IDE 插件深度集成 (Plugin Era)

随着 AI 技术的演进,开发工具开始集成 AI 编程助手,例如 GitHub Copilot、通义灵码 (Tongyi Lingma) 以及 Blackbox AI 等。这些插件嵌入 IDE(如 VS Code、IntelliJ IDEA),能够基于当前光标位置的上下文提供实时代码补全、函数生成及 Bug 修复建议。相较于第一阶段,插件模式减少了窗口切换频率,AI 开始学习项目风格,但仍需开发者主导架构设计并对生成的代码进行严格审核,人机协作深度有限。

第三阶段:Vibe Coding 全链路生成 (Current Era)

此为当前文本讨论的焦点阶段。Vibe Coding 实现了质的飞跃,其核心特征如下:

  1. 纯粹的自然语言驱动:在绝大数场景下,开发者无需编写任何语法代码,仅通过自然语言描述即可创建完整的 Web 应用、API 服务或自动化脚本。
  2. 多模态扩展能力:不仅限于代码,Vibe Coding 生态还扩展到美术设计、视频生成和需求文档编写。通过文本描述可直接生成 UI 界面图片或 SVG 矢量图,并自动将其整合至项目资源目录。
  3. 零门槛项目落地:任何人(无论是否具备技术背景)均可参与开发,真正实现了“所想即所得”。整个过程允许开发者保持轻松节奏,有效提升了创意转化的效率。

技术演进对比

下表对比了三个阶段在交互方式、技术门槛和产出形态上的核心差异:

阶段特征交互方式技术门槛产出形态上下文感知
第一阶段对话框问答 + 手动复制较高(需懂代码位置与环境配置)零散代码片段极低(仅限单次对话)
第二阶段IDE 内联提示与补全中等(需熟悉 IDE 操作和代码逻辑)行级/函数级建议中等(感知当前文件)
第三阶段自然语言描述完整功能极低(零基础可入门)完整项目/多模态资源高(全项目上下文)

Vibe Coding 应用实践与项目落地

采用 Vibe Coding 工作流,一人团队可完成从需求分析到产品上线的全流程。在实际操作中,开发者可依照下述路径构建最小可行产品(MVP):

需求自动化生成

通过 AI 将非结构化的口头想法转化为结构化的产品需求文档。例如,输入“开发一款记录每日饮水的健康应用”,AI 可生成包含用户故事、功能模块划分、数据库 ER 图及 RESTful API 接口定义的技术文档,确保后续开发有据可依。

前后端代码生成

针对具体的技术选型(如 React + Flask 或 Vue + Spring Boot),AI 能根据前述需求文档生成完整的工程骨架、数据模型、业务逻辑控制器及前端页面组件。生成的代码通常具备模块化、可读性强及基础安全防护(如输入校验、SQL 注入预防)等特点。

美术设计资源整合

Vibe Coding 还允许通过文本描述生成应用所需的图标、背景图或 UI 设计稿。结合多模态生成模型,AI 可直接输出符合设计规范的视觉资源,解决了独立开发者缺乏设计师配合的痛点,大幅缩短了原型开发周期。

实践案例与产出

基于 Vibe Coding 模式,独立开发者已实现诸多商业化案例。例如,有非技术背景的设计师通过纯文本描述,在半个月内为客户搭建了完整的企业官网及内容管理系统(CMS),实现了从前端界面到后台数据库的一体化交付。而在传统开发流程中,同等规模的项目需要至少一名全栈工程师耗费数周甚至数月时间。

总结

Vibe Coding 通过自然语言驱动和全链路自动化,实现了软件开发从“手工编码”到“意图编译”的范式转移。该模式使得 AI 能够深度理解项目上下文并生成可直接运行的代码、美术及文档资源,一人团队可借助此模式在极短周期内完成产品从零到一的构建。

掌握 Vibe Coding 的核心在于精准的需求描述与 AI 交互能力,这将极大拓展软件开发的边界,使创意本身成为最高优先级的生产要素。

Vibe Coding:提示词驱动的AI原生编程范式 Vibe Coding 是一种以自然语言为输入、以工程确定性为输出的新型编程范式,其核心在于将模糊业务意图转化为可执行的上下文指令。它依托大模型的理解力跃迁,通过提示词驱动开发(Prompt-Driven Development)重构人机协作关系,实现从语法执行者到意图指挥官的角色升级。该范式强调上下文感知、技能编排与反馈闭环三大技术支柱,在UI原型生成、全栈集成、部署自动化等场景中显著提升交付效率。Trae 作为典型AI原生IDE,验证了该范式在真实项目中的可行性与边界,代表了下一代开发者工具的技术演进方 阅读详情

相关推荐

Vibe Coding:AI时代的结果驱动型开发范式

Vibe Coding 代表一种以可验证业务结果为起点的新型软件交付范式,其核心并非代码生成效率,而是人与AI协同定义‘交付终点’的能力。它依托MCP协议实现工具上下文语义化理解,借助Agent Skills构建可复用、可编排的原子能力,将传统开发中耗时的环境配置、跨系统联调、UI-逻辑对齐等环节压缩至单次心流内完成。这种模式显著提升需求到可用功能的转化速度,适用于一人团队快速验证、B端系统合规交付及AI原生应用迭代等场景。其技术价值在于重构工程重心——从‘如何写代码’转向‘如何精确定义结果’,而MCP和A

weixin_31292729的博客 303

Vibe Coding一人即团队系列1: AI驱动的全链路产品开发与工程化实践

本文系统阐述了作为一种新型软件开发范式的内涵、架构与实践路径。它代表了AI从辅助工具向核心生产力的跃迁。核心范式—— 开发者从编码执行者转变为需求定义者与架构指挥者。工程化体系:AI应用需建立AI + 代码 + 智能体 + 工程化的四维体系,确保复杂系统的落地质量。关键协同技术智能编程、MCP上下文管理协议、Skills能力扩展机制、Figma设计稿转代码。多端开发:基于UniAppVue.js语法,结合AI生成跨端组件,实现一次开发、多端部署。自动化运营。

Wang的专栏 311

AI全栈开发工程实践:从Vibe Coding到稳定交付

AI全栈开发并非抛弃传统全栈根基,而是在其之上叠加模型能力整合的新层次。Vibe Coding能带来快速原型验证的爽感,但面对生产级项目时,需通过Harness约束与SDD规格驱动开发来避免失控。模型接入层应统一为网关(如LiteLLM Proxy)以支持路由、限流与降级;Agent编排则强调工具设计、分层上下文记忆和全链路追踪。从Demo到高并发系统,AI开发者必须掌握评测体系、观测手段与Token成本优化,才能真正驾驭大模型的不确定性,交付稳定可迭代的AI应用。

weixin_34130389的博客 491

从Vibe Coding到智能体工程:大厂专家揭秘AI原生研发全链路实战

摘要: AI原生研发(AI-Native Development)是以AI为核心驱动力的全新软件开发模式,颠覆传统编码方式。其核心包括: Vibe Coding:开发者通过自然语言与AI协作,从"编写者"转变为"导演"角色; 智能体工程:通过多智能体系统分解业务逻辑,各智能体协同完成数据处理、模型训练和部署等任务; 工具链支持:涵盖AI开发环境(Jupyter+LLM+向量数据库)、自动化测试框架及监控系统,实现全链路闭环。该模式正在成为技术团队的核心竞争力,推动软件

2403_86779341的博客 843

Vibe Coding与Harness Engineering:新型软件工程范式实战指南

Vibe Coding并非AI自动编程,而是将人类对业务的直觉理解转化为可执行工程输入的新范式;Harness Engineering则通过可配置的约束环(如Context注入、Spec桥接、安全阀、审计追踪)系统性管控AI行为边界。其技术价值在于显著压缩需求到可运行原型的转化周期,提升业务意图保真度与交付可控性。典型应用场景包括内部工具快速构建、数据看板开发、跨系统集成等强调人机协同与合规可溯的中低复杂度业务系统。本文基于真实项目日志,深入解析Vibe描述锚点设计、Harness分层部署及Spec-Vib

weixin_30800987的博客 406

AI全栈开发实战:从Vibe Coding到Harness×SDD的工程化指南

AI编程正从简单的代码补全走向全栈自动化,Vibe Coding虽然能快速生成原型,却常因架构缺失、错误处理脆弱而难以落地生产。真正的AI全栈开发需要一套可约束、可验证、可容忍AI犯错的工作流,这便是Specification-Driven Development(SDD)与Harness工程框架的结合。SDD强调先写规格说明再生成代码,Harness则负责为AI设定执行边界、工具调用与验收标准。这种范式不仅适用于大型团队,对独立开发者同样有效。通过模型网关统一管理多模型调用、在CI/CD中嵌入自动验证闭环

413

Vibe Coding一人即团队系列66:从想法到产品,AI驱动的全栈开发新范式

<think>用户想要的是根据给定的纲要和内容,生成一篇不超过150字的文章摘要。我需要提炼整个“Vibe Coding”一人团队模式的核心要点。 让我仔细阅读内容: 核心概念:Vibe Coding,开发者决策,AI执行 全流程覆盖:从需求定义到运营推广 技术支撑:提示词工程、Skills、MCP 核心理念:想法驱动、行动优先 我需要用中文简洁地概括这些内容,控制在150字以内。让我起草: “本文系统阐述Vibe Coding一人团队模式:开发者负责决策创意,AI负责执行生产,一人即可完成从产品定义、设计

Wang的专栏 437

从Vibe Coding到Agentic Coding:AI编程范式进化与超级个体崛起

在AI编程领域,从辅助生成代码到自主执行工程任务,正在经历一场深刻的范式变革。Vibe Coding强调开发者用自然语言描述意图,让大模型生成代码,而Agentic Coding则更进一步,赋予AI智能体规划、执行、验证与纠错的完整工程闭环能力。其背后依赖大模型推理规划、工具调用及沙盒执行等技术的成熟,使得AI不仅理解代码语义,更能主动操作项目仓库、识别架构约束并自动完成测试。这种演进让个人开发者能够借助智能体完成从前端到后端的全链路交付,极大提升工程效率,推动“超级个体”成为现实。本文结合实践,探讨从概念

weixin_33624741的博客 292

7D-AI系列:AI 编程 Spec Coding 完整详细的典型标准化工作流

Spec Coding(规格驱动编码)是一套闭环、可工程化、团队适配的AI编程完整方法论 ,核心是「先定规格、再生成代码、全程校验闭环」,彻底解决Vibe Coding(氛围编程)的「需求模糊→AI幻觉→代码失控→返工率高」的核心痛点,也是2025下半年从个人开发者走向企业级AI编程的主流范式。

7DGroup,让技术更有价值! 6201

别再只盯着MES了!半导体/面板厂CIM系统全家桶(EAP/YMS/SPC)保姆级入门指南

本文深入解析半导体制造中的CIM系统,涵盖EAP、YMS和SPC等关键子系统的协同工作。通过实战案例和技术细节,展示如何利用CIM系统提升生产效率、良率管理和设备维护,为半导体/面板厂提供全面的实施指南和优化策略。

weixin_33693070的博客 464

【重磅更新】CT/MRI LI-RADS 2024:肝细胞癌局部区域治疗后反应评估的核心突破与临床实践指南

减少过度治疗:辐射 LRT 的 Nonprogressing 类别避免了 “持续强化 = 存活” 的误判,降低不必要的再治疗风险;提高检出效率:非辐射 LRT 的辅助特征升级减少了 Equivocal 比例,更早识别存活肿瘤;统一评估语言:标准化的分类标准为放射科、肝病科、肿瘤科、肝移植科的多学科协作(MDT)提供了统一 “沟通工具”,助力治疗方案的精准制定。

楚山之石的博客 1228

Vibe Coding与Fable5:AI驱动下独立游戏开发的新范式

在游戏开发领域,低代码平台和AI辅助工具正深刻改变着内容创作的工作流。其核心原理在于通过抽象化底层技术细节,让开发者能够更专注于创意与设计本身。这种模式的技术价值在于大幅降低了开发门槛,将传统上需要多领域专业技能的复杂工程,转化为以创意描述和氛围定义为核心的快速原型构建过程。应用场景尤其适合独立开发者和小型团队,用于快速验证游戏创意、制作风格化作品或完成短周期项目。本文聚焦的“vibe coding”理念,正是这一趋势的集中体现,它强调以“氛围驱动开发”,结合Fable5这类集成AI能力的创作平台,实现从自

weixin_30784501的博客 407

DDR3性能优化实战:如何用Xilinx MIG控制器实现800MHz稳定读写(7系列FPGA版)

本文深入探讨了在Xilinx 7系列FPGA上使用MIG控制器实现DDR3存储器800MHz稳定高速读写的实战优化技巧。文章聚焦于高级时序调优、Bank Machine调度策略、用户接口设计优化以及利用ILA进行信号完整性调试,旨在帮助工程师突破性能瓶颈,实现接近理论峰值的稳定带宽,并为进一步冲刺更高频率提供进阶调参指南。

seed的博客 780

AI编程范式:从Vibe Coding(氛围编程)向SDD规范驱动开发演进全解析

开发者用碎片化自然语言描述需求,AI直接生成代码,运行后凭直观感受反复调整,全程无前置标准化设计。

AI 前沿技术实战博客:LLM / Agent / AI 制药 / 生信四大栏目日更,硬核干货 + 可复现代码,看完就能上手 536

强化学习新手上路:用PPO-Clip轻松玩转Pendulum-v1(PyTorch保姆级教程)

本文提供了一份基于PyTorch的PPO-Clip算法实战教程,指导强化学习新手在Pendulum-v1环境中构建连续控制智能体。教程详细解析了PPO-Clip的核心机制,特别是其Clip机制如何限制策略更新幅度以确保训练稳定,并涵盖了从环境配置、策略网络设计、经验收集到完整训练框架搭建的全过程,是掌握连续动作空间强化学习的实用指南。

weixin_29062963的博客 274

Seq2Seq Attention模型详解

Seq2seq是一种Encoder-Decoder协同训练的端到端网络。传统Seq2seq只取用Encoder的rnn单元的最后一个隐层输出作为Decoder的输入,但由于时序串行的关系,最后一个隐层输出更关注于位于时序末尾的特征,而更弱化了位于时序前端的特征,所以这通常是“有偏”的。如今我们提到Seq2seq则常把它和Attention联系在一起,正是因为Attention采用各个rnn隐层输出的加权和,解决了“有偏”的问题。

SunnyGJing’s blog 3894

两种Vibe Coding:辅助还是交权?争议已起,浪潮难挡

如果你只求“解决问题”,那就拥抱代理式,但必须构建强健的反馈闭环:自动化测试、可观测性、回滚机制 ,将成为你唯一的救命绳索。分歧集中于对两种 Vibe Coding 路径的态度上:一种是“增强人类”,另一种是“取代人类”。表面看交付快了,实则把成本从“编写”转移到“验证”和“救火”,而这些隐形成本最终扼杀长期可维护性。支持者视其为“个人软件革命”的开端:一人可构建过去需团队完成的系统,软件真正“为一人而造”。最致命的是:你不再“拥有”你的项目。开发者沦为 QA,疲于修复 LLM 生成的“反人类逻辑”;

shadowcz007的博客 782

基于MATLAB的鲁棒主成分分析(Robust PCA)图像去噪

鲁棒主成分分析(Robust PCA)是一种有效的图像去噪方法,它能够在保持图像细节的同时去除噪声。本文将介绍如何使用MATLAB实现基于鲁棒PCA的图像去噪,并提供相应的源代码。它假设噪声是随机的、高斯分布的,并将图像分解为一个低秩矩阵和一个稀疏矩阵的和。低秩矩阵表示图像的结构和纹理信息,稀疏矩阵表示图像中的噪声和细节信息。接下来,我们将图像矩阵减去均值,得到规范化的图像矩阵。然后,我们将灰度图像转换为矩阵形式,并计算图像的均值。通过分离出低秩矩阵和稀疏矩阵,我们就得到了去噪后的图像和残差图像。

DevRevolt的博客 1125

*vibe coding的全链工具

摘要:vibecoding开发强调需求、设计、代码与测试的动态同步。建议使用Mermaid/Excalidraw绘制流程图和原型,通过Copilot等工具将设计转为代码框架,并采用Markdown文档串联各环节。关键是通过版本管理和自动化工具(如Backstage)保持同步,例如开发天气预报功能时,先绘制流程图再生成代码,确保修改时同步更新文档和测试用例。这种方法类似建筑行业共享实时图纸,能有效降低切换成本,避免返工。(149字)

leohu0723的博客 962

超级全的PCB LAYOUT高速信号走线指南——简化应用版

在PCB Layout中,几乎涵盖了所有的高速信号走线指南。包括了TF/SD、HDMI、LVDS、DVP、eDP、MIPI、USB2.0、USB3.0、MAC、BT.1120、PCIE高速信号等等。此版本为简化版。

bhxc809751502的博客 8552

(四)美赛画图篇:画图模板+画图工具

美赛画图篇:画图模板+画图工具(一)画图模板(二)画图工具 因为散点图、折线图等多与数据有关,且需相关软件生成,故此处多是通用模板。直接替换文字内容即可。 (一)画图模板 1、Visio圆圈图 适合于:指标体系(E题常用) 点击下载:1 C币 如果不想花费且时间充足,悄咪咪地说,在visio-模板搜索可以找到很多。(稍微会耗一点时间) 2、简单指标体系图PPT 适合于指标体系 点击下载:0 C币...

weixin_43689393的博客 1万+

Vibe Coding 时代,程序员的核心竞争力到底是什么?

Vibe Coding 的浪潮已至,工具迭代飞快。与其焦虑,不如掌握那个在工具更替中始终提高生产力的底层能力。无需犹豫,先体验再决定,课程的开篇词已开放免费试读。你可以先感受 Robert 的思考脉络、文笔风格以及课程的核心主张,相信你会被这种务实、细致、深刻的洞察所吸引。投资自己最具前瞻性的能力,掌握与 AI 协同工作的“元技能”。这不仅是为了用好今天的 Claude Code,更是为了从容面对明天任何更强大的工具。扫码「免费」试读早鸟立省¥39,一起加入学习。

优快云学习 409

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

AI全栈开发实战:从Vibe Coding到模型网关与Agent编排

从传统全栈转向AI全栈,不仅是增加一项模型调用,而是开发范式、技术栈与工程思维的全面升级。大模型的概率性输出、上下文敏感性和token成本,让“写好代码”和“用好模型”必须协同设计。Vibe Coding用自然语言驱动快速生成代码,适合原型验证,但生产级应用需要更严谨的约束——规格驱动开发(SDD)将规范前置,配合模型网关统一管理路由、限流与降级,是稳定性的基石。在此基础上,AI Agent通过函数调用、记忆与编排循环解决真实复杂任务,而性能优化与全链路可观测性则决定了应用能否长期可靠运行。以知识库问答、自

weixin_33889245的博客 579

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Vibe Coding 的工程化底线:可观测性如何升级为 AI Engineering

可观测性是现代软件工程中衡量系统内部状态可被外部工具理解和查询的能力,它通过日志、指标和链路追踪回答“系统为什么表现出当前行为”。在 AI 应用快速普及的今天,模型输出的不确定性和代码生成的随机性让传统监控手段失效,LLM 调用的语义信息成为新的观测对象。可观测性不只是排查故障的工具,更是 AI 工程化的基础——它让每一次模型决策、每一段 AI 生成代码的运行轨迹都有据可查,从而支撑评测、回归与持续优化。无论是 Java 技术栈的 Spring AI 应用,还是基于 OpenTelemetry 的跨语言服务

weixin_34126557的博客 458

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Claude Code 保姆级教学:Vibe Coding 从入门到实战

《AI辅助编程实战教程摘要》 本课程面向开发者系统讲解Claude Code工具,涵盖环境配置到工程化落地的全流程。核心内容包含:CLAUDE.md工程化管理、Skills扩展系统、Hooks自动化触发、Subagents多智能体协作等关键技术,重点培养Vibe Coding自然语言开发能力。课程突出实战性,结合MCP通信协议实现外部系统集成,通过对话压缩与用量优化控制成本。配套企业级开发规范与敏捷实践,可提升60%以上交付效率,适合快速原型开发与AI辅助编程面试准备。

言之。 889

AI全栈开发最佳实践:从vibe coding到规格驱动开发

在AI编程工具日益普及的今天,开发者正从传统的“人用工具”模式,转向“人驾驭会写代码的Agent”的全新范式。vibe coding虽能快速搭建原型,但面对生产环境的高要求,往往暴露出格式不稳、安全隐患、缺乏验收标准等问题。工程化实践正转向harness与规格驱动开发(SDD),通过明确规格、约束Agent行为、强化测试与可观测性,让AI输出稳定在可接受的基准线上。本文从工程视角出发,系统梳理了从模型选型、工具链分层、RAG流水线搭建,到提示词系统设计、成本控制与团队协作的完整路径,帮助开发者建立一套可复制

weixin_33922670的博客 315
上一篇: Vibe Coding一人即团队系列1: AI驱动的全链路产品开发与工程化实践
下一篇: Vibe Coding一人即团队系列3: 五大主流工具对比与选型指南
Wang's Blog
博客等级 码龄12年 7440粉丝 2427原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值