身為軟體工程師，現在我的每一行程式碼都是 AI 寫的：聊聊 Vibe Coding

身為一個擁有 6 年以上資歷的軟體工程師，我已經整整一年多沒親手敲過一行程式碼了。我手頭上的專案，每一行 Code 全都是 AI 生出來的。不過話說回來，一年多前剛開始用 AI 寫程式時，那種爽度其實撐不到三天。

沉浸在 Vibe Coding 的純粹快樂

還記得去年（2025）六月，我第一次慕名打開 Cursor——這款工具初看之下跟老朋友 VS Code 沒什麼兩樣，頂多就是右側多了個能跟 AI 互動的側邊欄。

在那之前，我對 AI Coding 的認知，大概還停留在 Copilot 那種進階版的自動補齊（Auto-complete）。然而，當我敲下第一道指令送出時，神奇的事發生了：我看到 AI 開始飛速思考，在編輯器裡行雲流水般刷出幾十甚至上百行程式碼，還能在多個檔案間精準穿梭修改，甚至直接在終端機幫我跑指令。

我只要用日常的白話文開需求，AI 就能把對應的功能拔地而起生出來。我不再需要一字一句手敲，這已經不是傳統的輔助補齊，而是從更高的維度，直接接管了軟體工程師的部分日常。

那一瞬間，我真切感受到了神筆馬良般的魔法，彷彿看見了通往新世界的大門。

於是我在當時發了這麼一段感慨：

Vibe Coding 天然適合 ADHD，傳統寫 code 的方式其實非常反 ADHD 的天性；而 Vibe Coding 一口氣治好了不愛寫測試、抗拒 CSS、老是拼錯變數名稱，還有討厭重複去抓那些無聊 bug 的毛病。

現在有了 AI 當副手，回饋感來得無比迅速，成就感直接拉滿。越是瑣碎重複的雜事，AI 越能處理得漂漂亮亮。

工程師只要專注在把握大方向、做好架構設計，徹頭徹尾扮演好專案負責人的角色就行了。

我其實不想一個個字元慢慢敲，但我非常享受把作品無中生有的樂趣。從組合語言到高階語言，工程師打造軟體的體驗本來就該越來越好、效率越來越高。

能以一個純粹創作者的姿態，而不是當個搬磚打雜的工人來開發程式，對工程師來說，真的是一件無比幸福的事。

Vibe Coding 的邊界與極限

這種開發風格有個專有名詞：Vibe Coding。這個詞是 OpenAI 共同創辦人 Andrej Karpathy 在 2025 年 2 月提出的，意思就是完全「憑感覺」（Vibe）寫程式：用自然語言告訴 AI 你想要什麼，AI 吐出的程式碼全盤照收，不逐行 Code Review，報錯了就整段丟回給 AI，直到你幾乎忘了程式碼本體的存在。

然而，在發完上面的感嘆、爽了不到三天後，我就狠狠撞上了 Vibe Coding 的天花板。

當時我正在弄一個 App 原型（Prototype）。純粹的 Vibe Coding 讓 AI 順著模糊的提示詞自由發揮，完全沒引入任何軟體工程的最佳實踐。漸漸地，AI 開始脫韁失控，整個軟體架構亂成一鍋粥，維護成本直線飆升。

我果斷砍掉重練。這一次，我回歸軟體工程師的本職，重新導入標準的開發工作流來進行 AI 協同開發。

這下子進到了完全不同的境界。在保留了 Vibe Coding 帶來的大量樂趣之際，我加入了嚴格的 Code Review、更清晰的規格文件，以及小步快跑的漸進式修改，而不是一次丟出一大坨新功能。整體的架構和實作變得極度可控，真正做到了「指哪打哪」的痛快感。AI 輔助開發，變成了主管帶領實習生的體驗——細枝末節不必親力親為，但整體的架構掌控與全盤思考能力，依然牢牢握在自己手裡。

不久後，我切換到 Claude Code 進行開發，掌握了更精準、更強大的掌控力，簡直如虎添翼，整體開發效率直接翻了好幾倍。

軟體工程師的未來

「Vibe Coding 會不會因為門檻太低、太快把東西弄出來，反而讓人懶得深入扎根基礎程式底子？」

我認為：絕對會！

過去學程式到做出產品的成長曲線，就像階梯一樣步步為營。許多人從基礎程式語言課程起步，進入職場成為初階工程師（Junior Developer），在實務專案的毒打中淬鍊成長，一步步蛻變為能獨當一面的軟體工程師。這條路上的每一步都有清楚的正向回饋，只要具備一般人的學習能力，入行並不遙不可及，職涯路徑也十分清晰。

但 Vibe Coding 把啟動門檻直接降到了地平線，任何人都能隨手搓出 Demo 級別的成品。偏偏軟體工程是一門極度仰賴實踐的學問，從一個 Demo 走到成熟、穩定且能商業運轉的產品，難度就像是「0 到 1」和「1 到 100」的差距。

在傳統職涯路徑中，能走完 0 到 1 的人，往往在摸索的過程中累積了邁向 1 到 100 的必備底蘊。然而 Vibe Coding 卻讓毫無底子的人跳過了這段基本功。結果就是，當他們想從 1 走到 10 時，就會遇上斷崖式的難度斷層，勸退絕大多數想繼續精進的人。

正因為起步太過輕鬆，後面迎面而來的巨大困難，光靠三分鐘熱度和普通程度的學習力是根本跨不過去的。如果有人能在後續依然輕鬆跨越，那這人的學習力、執行力與解決問題的能力，絕對是頂尖中的頂尖，至少是工程師圈子裡前 1% 的存在。

換句話說，這群頂尖的人，就算放在前 AI 時代，也注定會成為優秀的工程師。

隨著 AI Coding 實力的大躍進，產業不再迫切需要 Junior 工程師，人才培育出現了嚴重斷層，新手也越來越難拿到實戰歷練的機會。

這篇草稿寫完一年後的今天，各項就業數據也陸續印證了這個殘酷的預測：

• 史丹佛數位經濟實驗室（Stanford Digital Economy Lab）透過美國薪資服務商 ADP 的數據追蹤發現，截至 2026 年 6 月，在最受 AI 衝擊的職業領域中，22 至 25 歲年輕人的就業人數，比其他行業同齡人的趨勢推估值低了 19%，而一年前這個落差還只有 15%。相反地，資深從業者並沒有出現這種落差；而且這項缺口主要來自企業縮減招募新人，而不是直接裁員。（Stanford Digital Economy Lab, 2026-08）
• 創投機構 SignalFire 於 2026 年 6 月發布的報告指出，Google、Meta、Apple、微軟等 12 家科技巨頭開給應屆畢業生與初階職缺的數量，相較 2019 年縮水了約 65%；早期新創公司的跌幅更達 76%。（SignalFire State of Talent Report 2026）
• 求職平台 Indeed 的統計顯示，2026 年第一季全美軟體開發職缺中，初階職位僅占 4.5%，是所有產業類別中佔比最低的。（Indeed Hiring Lab, 2026-07）

對於這個行業的未來，我其實抱持相當悲觀的態度。軟體開發領域正在走向極端 M 型化：一端是神仙打架的頂尖高手，另一端則是素人憑著興趣隨手拼湊出的 Demo 級玩具。

其他產業也勢必會步上程式設計的後塵。未來世界裡，一切「輕腦力勞動」都有被 AI 取代的危機。

就連數學這種最講究原創性人類心智的聖殿，也在這一年內被 AI 強勢攻破：

• 2026 年 1 月，劍橋大學大學部學生 Kevin Barreto 與業餘數學愛好者 Liam Price 藉助 GPT-5.2 Pro 解決了艾狄胥（Erdős）第 728 號問題，在此之前的文獻中甚至找不到任何證明嘗試。這被公認是第一個主要由 AI 攻克解決的 Erdős 問題。
• 2026 年 5 月，OpenAI 的模型推翻了 Erdős 在 1946 年提出的「單位距離猜想」，一舉破解困擾數學界 80 年的難題。費爾茲獎得主 Tim Gowers 給出高度評價：「在此之前，沒有任何 AI 生成的證明能達到這種高度。」幾週後，人類數學家更進一步在 AI 的成果上完成了大幅度的推進。
• 同一個月，Google DeepMind 的 AI Agent 在 353 個公開數學難題中自主攻破了 9 題，平均每題花費的算力成本僅有區區數百美元。
• 數學家 Noga Alon 甚至為此宣佈放棄研究 Erdős 相關問題：「既然 AI 都能解了，那這一切便失去了意義。」

這個系列我想聊些什麼

此時此刻，越來越多毫無程式背景的朋友開始接觸 AI Coding。大家一開始往往不知從何下手，或者只是淺嚐輒止地做了些小玩具。很快大家就會發現，由於缺乏基礎的軟體工程素養，常常會不知道自己下一步該做什麼，既不懂如何拆解任務，也無法應對複雜問題，更談不上引導 AI 精準實現預期目標。

我還觀察到，許多人的卡點本質上源自邏輯思考的匱乏——不知道該如何精準提問、缺乏批判性思考的能力，甚至無法辨別 AI 給出的答案到底是真知灼見還是胡言亂語。

身為一名擁有 6 年以上實戰經驗的軟體工程師，我藉由 AI 獨立完成了許多複雜專案的架構與開發，這些產品如今也累積了不少真實使用者。正如開頭所說，我目前專案裡的每一行程式碼都是 AI 寫出來的。AI 的確有能耐搞定複雜專案，但先決條件是：身為開發者的你，必須清楚知道自己在幹嘛，以及如何循序漸進地引導 AI。AI 終究只是工具，駕馭工具的人才是關鍵。

在 AI 時代，傳統的程式學習路徑已被徹底顛覆。順應時代的浪潮，我打算推出一套《零基礎 Vibe Coding 完全指南》系列文章。

這份指南會著重在以下幾個核心面向：

1. 讓 AI Coding 融合現代軟體工程的最佳實踐。先釐清軟體工程的核心本質，再從零起步，把想打造的軟體親手落實。目標不只是做出 Demo，而是做出能長久維護、開發維護起來行雲流水的產品。
2. 思維與邏輯訓練：探討在 AI Coding 時如何高效提問、避開常見雷區，以及如何寫出條理分明、AI 讀得懂的專案規格文件。
3. 如何為自己的專案與程式碼設計測試、優化整套開發工作流；如何在兼顧架構穩固的前提下，持續迭代品質與功能；以及在不犧牲軟體體質的情況下，大幅拉升開發節奏並打造自動化流程。
4. AI 開發的最佳技術棧（Tech Stack）挑選指南：選用哪些語言與框架，才能最極致地釋放 AI 的潛力與優勢。

後記

其實這篇文章的核心內容早在一年前（2025 年 10 月）就寫好了。這次重新翻出來潤飾，順道補上了這一年來的招聘數據，以及 AI 在數學界的重大突破。當時我深受 AI 狂飆突進的發展震撼，總擔心寫出來的心得過幾天就被時代拋棄，所以那陣子短貼文發個不停，長文卻反而沒寫幾篇。一年過去，重新審視這篇草稿，赫然發現當初的預判依然相當精準，於是整理成文與大家分享。未來還是要多寫些長篇大論，畢竟帶著「人味」的文字，在接下來的時代只會越來越珍貴。