YC 内部绝密 AI 编程心法首公开：硅谷创业公司的效率是这样炼成的-CSDN博客

公众号关注「奇妙的 Linux 世界」

设为「星标」，每天带你玩转 Linux ！

在过去一年里，Vibe Coding 成为硅谷和 YC 创业者圈子里的热门技能。它不是传统意义上的编程，也不是简单地让 AI 写代码，而是一种结合直觉、规划和迭代的新型开发方式。Vibe，意指顺着感觉、快速试错、不断调整方向；Coding，则是把想法快速转化为现实。

很多 YC 创始人和独立开发者，已经在日常工作中默默实践了 Vibe Coding，并总结出一套高效的方法论。

无论是 0 到 1 验证新想法，还是快速构建内部工具，Vibe Coding 都能显著提升速度和质量。它像一两年前兴起的提示工程（Prompt Engineering）一样，随着工具进化和经验积累，正在不断演变出新的技巧和最佳实践。

Y Combinator 合伙人 Tom Blomfield 过去一个月，使用 Claude Code、Windsurf 和 Aqua 等工具开发了一系列副项目，深入体验了 Vibe Coding。特意录制了一段视频，详细讲解如何高效利用 Vibe Coding。我们团队对这个视频做了精编翻译。希望能帮大家更好地掌握这项新技能。

过去一个月，我一直在尝试 Vibe Coding，并且做了几个副项目。我的感受是，Vibe Coding 不仅本身表现出色，而且是一项可以持续提升的技能。只要你愿意多尝试、善于总结经验，就能不断提高效率。

1、如果你没有编程经验，可以从 Replit 或 Lovable 这类可视化工具入手。这些工具界面直观，能让你像搭积木一样实现自己的想法，特别适合产品经理和设计师快速验证创意。不过，这类工具在精细调整后端逻辑时，灵活性不好，容易出现错误。

如果你有一定编程基础，Windsurf、Cursor 或 Claude Code 可能更适合你。这些工具能更好地结合 AI 的能力和你的经验，让你灵活控制每一步。

2、无论用什么工具，第一步都不是直接写代码，而是和 AI 一起制定详细的开发计划。把这个计划整理成 Markdown 文件，放在项目文件夹里。计划要尽量细致，包括每个功能点、实现顺序、预期效果。

遇到暂时不做的功能，可以直接标注 “暂不实现”，还可以加一个 “待办事项” 部分，记录未来可能要补充的内容。计划的每一步都可以随时查阅和调整。

3、在实际开发过程中，建议分步骤推进。每次只实现一小块，完成后就测试和检查。如果发现计划有不合理的地方，及时调整或删除。不要试图一次性完成所有功能，这样容易出错。

每完成一个模块，就在计划里标记 “已完成”，方便追踪进度。遇到问题时，优先回到计划，重新审视整体思路。这样做不仅能让你对项目全局有清晰把控，还能让 AI 更好地理解你的需求。

4、版本控制非常重要。建议全程用 Git。每次新功能开发前，确保代码库是干净的。如果 AI 改错了，直接回退到上一个稳定版本。不要反复在有问题的代码上修补，否则只会让问题越来越多。

我的经验是，每次遇到 Bug，首先要将代码重置到之前的正常版本，而不是继续在错误的基础上修改，这样可以避免坏代码层层堆积，保持代码整洁。有些工具自带回滚功能，但我还是更信任 Git，因为它能让我随时回到一个已知有效的状态。

5、测试也很关键。建议让 AI 帮你写高层次的集成测试，模拟用户操作，确保功能端到端可用。不要只写底层的单元测试，更要关注整个流程是否顺畅。这样可以及时发现回归和不必要的修改，保证每次调整不会影响其他功能。

我的习惯是，每完成一个功能，就立刻写测试用例，并让 AI 解释每个测试覆盖的场景。这样不仅能提升代码质量，也能帮助自己更好地理解业务逻辑。

6、AI 不只是写代码的工具，也能帮你做很多杂事。比如，我用 Claude 3.7 配置 DNS 服务，用 ChatGPT 生成网站图标，让 AI 批量处理图片格式。这些原本繁琐的任务，AI 可以帮你快速完成，大大提升效率。有时候，AI 甚至能成为你的设计师、运维助手，让你专注于最核心的业务开发。

7、当遇到 Bug 时，直接把错误信息复制给 AI，通常能快速定位和修复问题。对于复杂的 Bug，可以让 AI 先分析三四个可能原因。每次修 Bug 失败后，要重置代码，再次尝试，避免反复叠加错误。现在主流的编码工具，基本都支持直接粘贴错误日志，有的甚至会自动注入日志信息。未来，AI 识别和修复 Bug 的能力只会越来越强。

8、给 AI 写清晰、具体的指令也很重要。不同工具有不同的指令格式，比如 Cursor 规则、Windsurf 规则或 Claude 的 Markdown 文件。可以参考网上的建议，也可以自己总结经验。

很多 YC 创始人会为他们的 AI 编写几百行指令，极大提升效率。我的建议是，先用简单的指令试试效果，再逐步完善和细化，找到最适合自己的风格。

9、建议把相关文档下载到本地，放在项目文件夹的子目录里，让 AI 可以直接读取。指令里可以写：“实现功能前，先阅读这些文档。”这样比在线检索更稳定、准确。有些人会用 MCP 服务器来管理文档，但我觉得本地管理更简单高效，尤其是文档量不大时。

10、把 AI 当老师，让它逐步解释代码实现，是学习新技术的好方法。你可以让 AI 逐行解释代码，帮助你理解每一个细节，比查 Stack Overflow 更高效。尤其是遇到陌生的框架或工具时，让 AI 给你讲解底层逻辑，可以大大缩短学习曲线。

11、遇到复杂功能时，建议单独开一个新项目，先做一个小型参考实现，不考虑主项目的复杂性。或者下载 GitHub 上的参考实现，让 AI 按照这个标准集成到主项目里。这种方式可以降低集成难度，提升成功率。把小文件和模块化结构当做你的朋友，无论是人工开发还是 AI 辅助开发，模块化都能让代码更易于理解和维护。

12、保持代码模块化、文件小巧，便于维护，也方便 AI 理解。采用模块化架构，保持清晰的外部接口，内部逻辑可以随时调整，只要接口和测试通过即可。未来，模块化服务架构会越来越普及，无论是开发者还是 AI，都能在清晰的边界下高效协作。

13、选择技术栈时，建议用社区成熟、资料丰富的框架，比如 Ruby on Rails。AI 在这些框架上的表现通常更好，因为训练数据多、约定一致。新兴语言比如 Rust 或 Elixir，AI 的表现可能没那么稳定，但未来也有可能会变好。我的经验是，越是成熟的技术栈，AI 的表现就越稳定，越能帮你快速落地想法。

14、截图可以帮助 AI 理解 UI 问题或获取设计灵感。语音输入也是高效的交互方式，尤其在长时间工作时能提升效率。AI 对语法和标点的容忍度很高，语音转录的小错误不会影响结果。现在有些工具，已经能把语音内容直接转成指令，大大提高了输入效率。

15、确保代码正常工作、测试通过后再重构。可以让 AI 帮你识别重复代码或重构候选部分，保持文件简洁，便于维护。我一般是在每个阶段结束后，让 AI 检查一下代码结构，看看哪些地方可以优化，哪些模块可以拆分，这样既能保证代码质量，也方便后续扩展。

16、AI 领域发展极快，几乎每周都有新模型和工具出现。建议多尝试不同模型，看看哪些更适合你的需求。有的模型适合全局规划，有的适合具体实现，有的在调试或重构上表现更好。比如，Gemini 在代码索引和规划方面表现突出，Claude 3.7 Sonnet 在代码实现上更强，GPT-4.1 虽然强大，但在实际开发中也会有不足。多试、多对比，找到最适合自己的组合。