什么是 Vibe Coding

Vibe Coding 是一种开发方式：你用自然语言告诉 AI 你要什么，AI 来写代码、跑测试、修 bug、发版本。你全程不需要打开编辑器写一行代码，但需要能看懂 AI 写了什么，能在关键节点做判断。

它和传统开发的区别在于，人的角色从"写代码的"变成了"提需求的"和"审代码的"。你不需要会写 Python，但需要能说清楚你要什么，能看懂 AI 的产出是否靠谱。

这种方式不是万能的。AI 写的代码可能有 bug，可能有安全漏洞，可能架构不合理。所以你需要检查，需要用真实数据验证，需要在 AI 走偏的时候拉回来。但如果你只是想快速做一个能用的工具，Vibe Coding 的效率非常高。

下面用一个实际项目来展示整个过程。

项目背景

做地质研究的时候，经常要处理 GeoRoc 数据库导出的 Excel 文件，几十 MB，几万行数据。用 Excel 打开就卡，筛选下拉菜单等半天，非常痛苦。

所以需要的是一个能快速打开大表格、筛选和高亮行列的工具。这是唯一的初始需求。

第一轮：一句话启动

我对 OpenCode 说：

做一个叫 ChaBiao（查表）的 Python 项目，功能是快速查看和筛选大型 Excel/CSV 文件。要求：CLI 界面、PySide6 GUI 界面、FastAPI Web 界面，支持常见表格格式，列筛选、全文搜索、聚光灯高亮行列，OpenAI function-calling 工具定义，用 ToolResult 统一返回格式，多线程加速大文件加载，发布到 PyPI，GitHub 组织 EasyCam。

这一段话就是全部初始输入。没有产品文档，没有设计稿，没有技术选型讨论。

AI 自己做了所有决策：用 pandas + openpyxl 做引擎（Python 生态最成熟的方案），PySide6 做 GUI（比 tkinter 更现代），FastAPI 做 Web（异步支持好），argparse 做 CLI，hatchling 做构建。

大概一个小时后，AI 交付了：完整的 8 个模块、77 个测试、PyPI v0.1.0 发布、GitHub 推送。我只需要看一眼测试结果和 pip install chabiao 能不能装上就行。

这个阶段的关键是：不要过度设计，让 AI 先跑起来。能跑比完美重要。

第二轮：贴报错修 bug

装好之后我运行 GUI，崩了。报错信息是：

运行 chabiao-gui 后崩溃了，报错：QLineEdit.setPlaceholder 不存在

我就把这句话原样贴给 AI。AI 马上定位到问题：PySide6 里这个方法叫 setPlaceholderText()，不是 setPlaceholder()。

改了一行代码，发了 v0.1.1。

这里的要点是：贴报错，不要描述报错。你不需要自己查文档找正确的方法名，AI 比你查得快。把终端里的错误信息完整复制过去就行。

第三轮：性能优化

我试了一下大文件，GUI 有卡顿。对 AI 说：

打开大文件（50K行）时 GUI 卡顿，需要分页和更多多线程

AI 做了几件事：GUI 加了分页（500 行一页），多 sheet 加载改并行，多列搜索自动并行（超过 4 列且超过 5000 行时每个列开一个线程），Web 界面的列统计也并行了。还顺手写了个 50K 行的测试数据生成脚本，跑了一下性能数据：筛选 4-18ms，搜索 307ms，聚光灯 5ms。

这个阶段的要点是：用真实场景暴露问题。AI 写的测试数据不可能覆盖所有边界情况，真正用起来才会发现卡顿在哪里。

第四轮：修布局

GUI 跑起来了，但顶部有大片空白，看起来不专业。对 AI 说：

GUI 顶部有空白区域，布局不够紧凑，需要改进

AI 重写了整个 GUI 布局：去掉空白区域，筛选栏合并到一行，表头加了蓝色主题样式表，表格占满剩余空间，聚光灯按钮直接放在头部。发了 v0.1.2。

这里的要点是：每次迭代只改一件事。不要一次说"布局不好看、加暗色模式、加多语言、性能也要优化"，那样 AI 容易顾此失彼。一次一个改进，改完验证，再下一个。

第五轮：多语言和暗色主题

对 AI 说：

继续改进，要支持多语言切换，亮色暗色主题切换，多语言要有中英日法俄德西班牙葡萄牙意大利韩国

AI 创建了两个新模块：i18n.py（10 种语言翻译，每个语言约 50 个 key）和 theme.py（亮色主题和 Catppuccin 风格暗色主题）。然后重写了 GUI，把所有硬编码的中文和英文字符串替换成 t() 翻译函数调用，在 View 菜单加了 Language 和 Theme 子菜单。设置自动保存到 ~/.chabiao/gui_config.json。聚光灯的高亮颜色也根据当前主题自动切换。发了 v0.2.0。

这个阶段有个值得注意的点：AI 不只做了 GUI 的国际化，还主动做了 Web 界面的国际化。Web 界面也加了 10 种语言翻译和暗色主题，通过 URL 参数 ?lang=zh&theme=dark 切换，还有页面顶部的语言和主题下拉菜单。这是 AI 自己判断"Web 也应该有这些功能"然后做的，我并没有明确要求。

第六轮：完善和发布

对 AI 说：

继续改进，推送 GitHub 和 PyPI

AI 发现了几个可以改进的地方：Web 界面的国际化字符串用的是硬编码中英双语，改成了和 GUI 一样的翻译系统；README 文档没有提到多语言和暗色主题，更新了中英文两个 README；代码有些 lint 问题（长行、未使用的 import），全部修了。版本号递增到 v0.3.0，build、上传 PyPI、git push 一条龙。

这里的要点是：说"继续改进"比说"请把 Web 也加上国际化"更高效。因为 AI 对整个项目有全局视图，它知道哪里还需要补，会自己排优先级。你只需要确认方向对不对。

第七轮：真实数据

最后我让 AI 从 GeoRoc 数据库里提取岩浆岩数据做测试：

从 GeoRoc.db 抽取岩浆岩的所有数据作为一个 xlsx 来测试用

AI 用 sqlite3 读了数据库，发现 774 列 110 万行，筛选了 ROCK TYPE 为火山岩和深成岩的行（37 万行），从 774 列中选了地质学常用的 85 列（主量氧化物、微量元素、同位素比值），去掉了化学值全为空的行，采样了 2 万行，生成了一个 4.9MB 的 xlsx 文件。

这个过程中 AI 做了好几个合理的决策：全量数据太大（82MB 的 xlsx），选关键列而不是全部 774 列，采样而不是全量导出。这些决策不需要我逐个指定，AI 自己就能判断。

技术栈

核心依赖是 pandas 和 openpyxl，用它们来读表格数据。CLI 用 argparse，GUI 用 PySide6，Web 用 FastAPI 加 uvicorn。多线程用 Python 标准库的 ThreadPoolExecutor。国际化用自己写的字典映射，暗色主题用 QSS 样式表。构建用 hatchling，测试用 pytest，代码格式用 ruff。

可选依赖只有 PySide6（GUI）和 FastAPI 加 uvicorn（Web），基础安装只需要 pandas 和 openpyxl，非常轻量。

迭代时间线

v0.1.0 是一句话启动，AI 用了一小时左右交付了全部骨架加 77 个测试，发布到 PyPI。

v0.1.1 是修一个崩溃 bug，改了一行代码，顺带加了分页和多线程，大概半小时。

v0.1.2 是修 GUI 布局，改了样式表，大概二十分钟。

v0.2.0 是加了多语言和暗色主题，代码改动比较大（新增 i18n.py 和 theme.py，重写 GUI），大概四十分钟。

v0.3.0 是完善 Web 国际化、更新文档、修 lint，大概三十分钟。

总共不到三小时，从零到有 CLI、GUI、Web 三个界面，10 种语言，亮暗主题，89 个测试，PyPI 和 GitHub 都有。

当然，这不意味着项目已经完美。它还缺少很多功能：没有数据可视化图表、没有列排序、没有多 sheet 切换、Web 界面没有拖拽排序、大数据导出可能超时等等。但作为一个 Vibe Coding 的起步成果，它已经是一个可以用的工具了。

几个关键技术选择

为什么用 pandas 而不是直接操作 Excel？因为大文件用 pandas 的 read_excel 比纯 openpyxl 逐 cell 读取快很多，pandas 底层用 C 扩展做向量化操作，openpyxl 是 Python 循环逐行读。

为什么分页 500 行？因为 5 万行数据如果全部渲染成 QTableWidget 的 QTableWidgetItem，要创建 100 多万个对象，内存会爆，渲染要十几秒。500 行一页的话内存稳定在 50MB 左右，翻页不到 50 毫秒。

为什么 i18n 用字典而不用 gettext？gettext 是 Python 标准方案，但需要 .po/.mo 编译步骤，翻译条目分散在代码各处不好检查。10 种语言各 50 个 key，总共 500 条翻译，用字典更直观。翻译函数也很简单：查字典，找不到就回退到英语，支持格式化参数。

暗色主题为什么选 Catppuccin？对比度适中不刺眼，色板定义完整，是现在终端和编辑器圈子里最受欢迎的暗色方案之一。我们用了 Mocha 变体（最深的那个），直接硬编码在 QSS 里，不依赖外部资源。

给新手的建议

从一句话开始，不要花时间写产品文档，直接告诉 AI 你要什么，让它先跑起来。能跑比完美重要。遇到 bug 就把终端里的报错信息完整复制过去，比你自己描述"报了个错"管用一百倍，AI 定位问题的速度远超你翻文档的速度。

每次迭代只改一件事。修 bug 就是修 bug，加功能就是加功能，改布局就是改布局。如果一次提三个需求，AI 很容易顾此失彼。改完验证没问题了，再说下一个。反过来，如果你只是说"继续改进"，AI 会自己判断哪里还需要补，它对项目有全局视图，很多时候比你列清单更高效。

用真实数据验证。AI 写的测试数据覆盖不了所有边界情况，只有拿你自己的数据跑一遍，才能发现真正的问题。版本号、代码风格检查、发布流程这些机械性的事情全交给 AI 做就行，python -m build、twine upload、git push 一条龙，比手动操作快得多。但测试全通过不等于没有 bug，尤其是边界条件，这一点要心里有数。

最后也是最重要的：人在 Vibe Coding 里的核心价值是判断力和品味，不是写代码的能力。你决定做什么、不做什么，比你怎么写代码重要得多。

项目链接

PyPI: https://pypi.org/project/chabiao/

GitHub: https://github.com/EasyCam/ChaBiao

安装: pip install chabiao[all]

当前版本: 0.3.0

许可证: GPL-3.0-or-later

预览时标签不可点

Name cleared

微信扫一扫赞赏作者

Like the AuthorOther Amount

赞赏后展示我的头像

作品

暂无作品

Like the Author

Other Amount

最低赞赏 ¥0

Back

Other Amount

赞赏金额

最低赞赏 ¥0

大语言模型 · 目录

大语言模型

上一篇Token自由-用MoXing在7900xtx-24G显卡上本地运行Qwen3.6-27B模型给OpenCode用来文档编撰润色下一篇重新审视-「思维链」未必是真思维-一篇ICML 2026 论文的论证与启示

搜索「」网络结果

调整当前正文文字大小

100%