什麼是 AI Vibe Coding

AI Vibe Coding（簡稱 Vibe Coding）是一種新興的程式開發方式。其核心概念是 使用自然語言描述需求，由 AI 自動生成對應程式碼，減少傳統程式語法細節的負擔。

換句話說，開發者只要告訴 AI：「建立一個有會員登入功能的電商網站」，AI 就可以產生完整的原型程式碼，快速驗證概念。Vibe Coding 的概念最早由 Andrej Karpathy 在 2025 年提出，隨後在技術社群中迅速流行。

AI Vibe Coding 示意圖

圖片來源：Unsplash

Vibe Coding 的特色與效益

Vibe Coding 的興起帶來多項優勢，也正在逐漸改變傳統軟體開發流程：

  • 開發速度大幅提升
    AI 可快速生成可執行的程式原型，從概念到產品驗證的時間大幅縮短。
  • 降低技術門檻
    即使沒有程式背景的人，只要能清楚描述需求，也能建立簡單應用程式或工具。對創業者、產品經理或設計師而言尤其方便。
  • 促進團隊協作與創意
    團隊成員可以透過自然語言討論功能需求，AI 能即時轉換成程式實作，加速創意驗證。
  • 重複性工作自動化
    常見的功能例如 CRUD、API 介面或基本 UI 結構，都可以由 AI 快速生成，讓工程師專注在架構與設計。
團隊合作

圖片來源：Unsplash

Vibe Coding 的風險與挑戰

雖然 Vibe Coding 能夠顯著提升效率，但在實務應用上仍存在一些需要注意的風險：

  • 安全性問題
    AI 生成的程式碼可能包含安全漏洞，例如 SQL Injection 或硬編碼憑證。如果沒有經過安全審查，可能造成系統風險。
  • 技術債與可維護性問題
    AI 產生的程式碼有時缺乏良好結構或註解，長期維護可能變得困難。
  • 工程能力依賴
    如果過度依賴 AI 生成程式碼，可能會削弱開發者在系統架構設計與除錯上的能力。
  • 模型錯誤與幻覺
    AI 有時會生成不存在的套件名稱或錯誤邏輯，因此仍需要工程師進行驗證與測試。
  • 並非適用所有場景
    對於醫療、金融、航空或基礎設施等關鍵系統，仍需要嚴謹的軟體工程流程。
程式安全

圖片來源：Unsplash

總結

AI Vibe Coding 是一種以 自然語言驅動 AI 生成程式碼 的開發方式，能大幅提升開發效率並降低技術門檻。對於快速驗證產品概念或建立原型系統而言，它是一個非常有價值的工具。

然而，在安全性、可維護性以及工程能力培養方面仍需保持謹慎。最理想的做法是將 Vibe Coding 視為 輔助開發工具，並搭配程式碼審查、測試流程與軟體工程最佳實務，才能真正發揮其價值。

參考資料

留言

張貼留言

這個網誌中的熱門文章

後AI時代的多代理 AI Agent 實作：使用 CrewAI 與 LiteLLM 打造自動化專案程式架構分析

圖片
在「後AI時代」，AI Agent 正逐步改變我們對人工智慧的想像。本文從 Generative AI 年會談起，介紹 MCP（Model Context Protocol）、CrewAI 與 LiteLLM 的整合實作，說明如何打造能協作、自主決策的多代理（Multi-Agent）AI 系統。從單一 LLM 到智能協作架構，這正是 AI 演化的新篇章。 前言 前陣子在觀賞 2025 Generative AI 年會 ，聽到有位分享者提到「後AI時代」，為什麼說後AI時代呢，因為AI Agent的概念出現，加上MCP逐漸成熟，前兩年的超大LLM霸主時期不免出現一些小變化，在過去，我們人類先是提出了Auto Regressive，接著整理出大量的訓練語料，接著我們用Text-Generation解決了很多問答、總結的NLP難題，下一步則開始考慮多模態問題，接著需要更多更好的機制來解決Token轉換問題，還要有更多機器來支援算力消耗，屬實不容易，大部分LLM走在一條用單一模型解決所有問題的道路上，但這實在不容易，畢竟很多任務是這樣的，你讓他執行單一任務，他可以做到很精確，像是圖像辨識，CNN幾乎就有了碾壓性的效果，但是你要讓他兼顧幾個不同任務，這是個大課題。 於是就有人想了，那如果我把幾個Model結合起來，會是什麼感覺呢？我先破個梗，如果處理得不好，大概就是以下這種狀況。 這沒亂蓋吧？這張圖要多傳神就有多傳神，更何況他還說出了LLM的特色。 好啦，回歸主題，接著介紹說幾個在本次實作會應用到概念。 AI Agent 是能自主理解任務、規劃步驟、執行行動並根據結果調整策略的概念，結合了大語言模型（LLM）、記憶、工具與回饋機制，能完成多步驟任務。例如自動撰寫報告、分析資料或審查程式碼，不再只是被動回答，而能主動行動。 MCP 是一種標準化協定，用來讓 AI Agent 與工具、資料、記憶庫之間交換上下文與任務資訊。它幫助 Agent 保留任務狀態、共享工具清單、追蹤進度，實現多代理協作，MCP 讓 AI 系統有「記憶」與「任務持續性」。 CrewAI 是一個多代理（Multi-Agent）開發框架，讓開發者能定義多個 AI Agent 角色、任務與互動流程。它支援任務拆解、工具整合與自動協作，可讓不同專長的 Agent 協同完成目標。CrewAI 常用於自動化工作流與智...
閱讀完整內容

Prompt, Fine-tune 和 Training，誰才是大工程？

圖片
  在機器學習，尤其是自然語言處理（NLP）的世界中，「Prompt」、「Fine-tune」和「Training」是經常出現的三個概念。雖然它們都涉及到模型的學習和調整，但每一個的目的、方法和使用情境都有明顯的不同。我們來仔細了解一下它們之間的區別。 首先，Prompt 是指你給機器學習模型輸入的一個提示或問題。這個提示並不會改變模型本身，而是依賴模型已經學過的知識來生成回答或執行某個任務。你可以把它想像成一個引導詞，模型根據這個提示來給你回應。比如，對於一個語言模型來說，給它一句話「寫一篇關於太空探索的文章」，它就會根據這個提示生成相關的內容。這種方式不需要對模型進行任何訓練或微調，只是利用它已經學過的知識來做預測或生成。 接下來是 Fine-tune，它是指對一個已經預訓練的模型進行進一步的調整，使其更適應某個特定的任務或領域。這時，模型的基本架構和大部分知識已經存在，所謂微調，就是在這個基礎上，根據一個小範圍的資料集進行再訓練。比如，假設你有一個通用的語言模型，然後你希望它能在醫學領域表現得更好，那麼你可以用大量的醫學文獻來微調這個模型。這樣，它就會在理解和處理醫學相關問題時更加精準。 最後，Training 則是指從頭開始訓練一個模型，讓它從大量的資料中學習，並逐漸調整模型的內部參數，使其能夠處理特定任務。這是最基本、最根本的學習過程。對於一個語言模型來說，訓練的過程可能涉及大量的文本資料，從中學習語言結構、語法規則、常識知識等。這個過程通常需要大量的計算資源和時間，因為模型需要處理的是大規模的資料集，而且每次的參數調整都會影響到模型的整體性能。 總結來說，Prompt 是利用現有模型的知識來引導其輸出；Fine-tune 是在預訓練模型的基礎上，進行小範圍的調整來提升特定領域的表現；而 Training 則是從零開始訓練模型，讓它在大量的資料中學習並建立知識庫。三者之間的區別，主要在調整的範圍和深度上。 以下來總結它們的不同： 1. Prompt (提示)     定義：在預訓練的模型上使用一個“提示”或“問題”，來引導模型生成特定的輸出。     範疇：這通常與大規模語言模型（如 GPT 系列）相關，模型在預訓練階段學會了語言結構、知識等，然後用戶可以給它一個“提示”來引發它生成特定類...
閱讀完整內容

用Python實作 Perspective Transformation 透視變換

圖片
主要演算法 通常我們在自然背景拍攝一張照片時，或多或少都會有一些 透視變形 存在，而透視變形是由拍攝和觀看圖像的相對距離決定的，導致遠近特徵的相對比例有變化，產生了彎曲或變形，當然在本例子，我是刻意拍了一張比例歪斜的圖，想要驗證依照公式轉換會得到什麼效果。 依照解決方法，這樣的變形我們可以下列的聯立方程式來表示： ​x = ax’ + by’ + cx’y’ + d y = ex’ + fy’  + gx’y’ + h ​其中x、y為你原始影像的座標系，x’、y’為校正後的座標系， a、b、c、d、e、f、g、h為常數，表示變形關係。 程式片段 定義 高斯消去 2. 先定義4個點，找出矩陣 3. 照公式進行矩陣轉換，解出方程式，輸出結果就得到圖片了。 4. 另外我也參考網路範例，仿造OpenCV寫了一個轉置方法，後續比較一下兩種做法的差異。   測試資料與結果 原圖是張刻意拍歪斜的照片，我標出四個白點，可以看到原始轉換區塊變形到接近菱形了。 2. 轉換後得到的結果如下，或許是因為變形幅度高，沒達到完整的轉換。 3. 參考網路實作 Perspective Transformation 做出來的效果，因為先做3D後轉2D，校正效果很好，只是程式寫得不好，有失真。 4. 使用Open CV做的效果 討論 原本課堂講解的校正來源是一個平行四邊形，校正效果相當好，但在本次作用我使用一個不規則的多邊形來做轉換，雖然轉換結果不比原本的好，但還算可以得出資訊。 參考Perspective Transformation實做出來的程式做轉換，對於不規則多邊形轉換的效果很好，只是有失真，若用OpenCV轉出來的話就趨近完美了。 此類的校正可以應用在機器人自駕時的資訊辨認，或是在OCR應用上先把讀入的圖片做校正，在讀取資訊，可以減少判斷失誤。 在Deepfake影片偵測的研究中，許多論文的原理是把影像的Frame讀入後分析他是不是假造影像；如果在深度學習時，我先把人臉或是指定的擷取特徵做校正，可以把每個Frame的特徵變成一樣的構圖，就有機會分辨出他是不是造假的Frame：因為Frame造假是基於原本扭曲變形的畫面做變更，在校正後應該可以看出他和一般正常角度Frame的不同之處。
閱讀完整內容