Vibe Coding 的興起與挑戰

隨著 AI 程式輔助工具的普及，許多開發者開始嘗試「Vibe coding」——也就是給 AI 一些簡單的描述或方向，讓它自動生成程式碼。雖然這種方式能夠快速生產新的程式碼，但在實際專案開發中仍有不少限制。

Vibe coding 的核心概念是透過自然語言描述需求，讓 AI 自動生成對應的程式碼。這種方法在原型開發、快速驗證想法時確實很有用，但在面對複雜的企業級專案時，往往會遇到各種挑戰。

1️⃣ 在既有複雜性上疊加功能是挑戰

AI 可以快速產生新的程式碼模組，但當需要把新功能整合進已有的複雜系統時，問題就會浮現。

具體例子：購物車折扣功能

問題所在：

• AI 沒有考慮到會員等級的不同折扣規則
• 忽略了商品類別的特殊折扣
• 沒有處理折扣上限限制

2️⃣ 冷門且複雜的新問題時，AI 經常答不上來

AI 的能力依賴於過往訓練資料，如果問題冷門或涉及全新概念，它往往無法提供完整解法。

3️⃣ 腦容量（Context）有限，難以處理超大型專案

再強大的 AI 也有上下文限制，能同時「記住」的程式碼量有限，超過後就無法全盤理解。

具體例子：大型電商網站

實際問題：

• AI 只能看到當前對話中的程式碼片段
• 無法理解模組間的複雜依賴關係
• 缺乏對整體架構的認知

4️⃣ 實作複雜功能時聯想力不足，容易「改 A 壞 B」

AI 在理解系統內部相依性時仍有不足，缺乏人類工程師能從經驗中建立的直覺。

具體例子：價格計算函式的修改

問題後果：

• 價格計算正確，但銷售報表資料不完整
• 統計報表出現錯誤
• 無法追蹤銷售數據

5️⃣ 記憶缺陷，難以重用已教過的方法

AI 在單次對話中能學習指引，但長期記憶不足，導致無法重用過往解法。

具體例子：陣列排序功能

今天再問類似需求時，AI 可能完全忘記，重新產生一個效率更差的版本。

6️⃣ 模型切換造成品質不穩

許多開發環境中，使用高階模型（例如 GPT-4.5）寫一部分程式碼後，為了省成本改用低階模型接續開發，結果程式碼品質大幅下降。

具體例子：用戶註冊功能

低階模型維護時可能產生的問題：簡化版本，遺漏重要檢查

7️⃣ 風格與設計不一致

除非明確告訴 AI 應遵循哪些架構原則和命名規則，否則每次產出的程式碼風格都可能不同。

具體例子：登入功能

第二次：使用類別式設計，風格完全不同的版本

上述問題部份可以透過Cursor 指南和 Copilot 指南解決

1. Cursor 使用指南

Cursor 作為基於 AI 的程式碼編輯器，能夠大幅提升開發效率，但需要正確的使用策略。

建立專案上下文檔案

檔案位置： 專案根目錄
檔名： .cursorrules

建立步驟：

1. 在專案根目錄建立 .cursorrules 檔案
2. 複製上述範例並根據專案需求修改
3. 儲存檔案後，Cursor 會自動讀取並應用這些設定

有效的 Cursor 提示技巧

2. GitHub Copilot 使用指南

GitHub Copilot 作為程式碼補全工具，能夠提供即時的程式碼建議，但需要正確的配置和使用方法。

建立 Copilot 設定檔案

檔案位置： 專案根目錄下的 .copilot 資料夾
檔名： settings.json

建立步驟：

1. 在專案根目錄建立 .copilot 資料夾
2. 在 .copilot 資料夾內建立 settings.json 檔案
3. 複製上述範例並根據專案需求修改
4. 儲存檔案後，Copilot 會自動讀取並應用這些設定

專案檔案結構總結

重要提醒：

• .cursorrules 和 .copilot 資料夾都應該加入版本控制
• 這些檔案會影響團隊所有成員的 AI 工具行為
• 建議在團隊中統一這些設定檔案的格式和內容

Copilot 最佳實踐

3. 整合使用策略

建立開發工作流程

使用範例：

1. 使用 Cursor 進行設計：

   • 描述功能需求
   • 提供程式碼上下文
   • 指定架構模式

2. 使用 Copilot 進行實作：

   • 在檔案中編寫程式碼
   • 利用註解引導
   • 接受或拒絕建議

3. 使用 Cursor 進行優化：

   • 重構程式碼
   • 添加測試
   • 確保品質

常見問題解決方案

結論

Vibe coding 雖然能夠快速生成程式碼、加速原型開發，但在面對大型專案、複雜邏輯、長期維護時，AI 仍難以完全取代工程師，人類工程師能夠全盤理解系統架構、具備長期記憶、解決未知問題並保證程式風格一致，這些都是當前 AI 仍無法完全做到的。

透過正確使用 Cursor 和 Copilot 等 AI 工具，開發者可以大幅提升開發效率，但關鍵在於建立正確的使用策略和工作流程，讓 AI 成為工程師的得力助手，而不是完全依賴的替代品。