上海
一文搞懂 AI 編程的所有核心術語
大家好，我是程序員魚皮。
在學習 Vibe Coding 的過程中，你一定會遇到各種陌生的名詞和術語。比如什么是 Token？什么是上下文窗口？什么是 RAG？這些概念聽起來很高大上，但其實理解起來并不難。
這篇文章就是你的AI 編程術語詞典，我會用最通俗易懂的語言，把 Vibe Coding 中最常見、最重要的概念講清楚。墻裂建議收藏，遇到不懂的詞就來查一查。
AI 基礎概念 人工智能（AI）
人工智能（Artificial Intelligence）是讓計算機模擬人類智能的技術。簡單來說，就是讓機器能像人一樣思考、學習和解決問題。
在 Vibe Coding 中，AI 就是你的編程助手。你只管告訴它要做什么，它就會嘎嘎幫你做方案、寫代碼、修 Bug。就像你有一個 24 小時在線的程序員朋友，隨時可以幫你干活。
大語言模型（LLM）
大語言模型（Large Language Model）是一種能夠理解和生成人類語言的 AI 系統。ChatGPT、Claude、Gemini、DeepSeek 都是大語言模型。
為什么叫 “大” 模型呢？因為這些模型的參數量非常龐大，動輒幾十億甚至上萬億個參數。參數越多，模型通常越聰明，但也越消耗計算資源。
你可以把大語言模型理解成一個讀過海量書籍和代碼的超級學霸，它見過無數的編程案例，所以能幫你寫代碼、解釋代碼、修復 Bug。
除了文本大語言模型之外，AI 領域還有專門處理圖片的視覺模型（比如 Stable Diffusion）、處理語音的音頻模型（比如 Whisper）、以及能同時處理文字、圖片、音頻的多模態模型（如 GPT-4o、Gemini）。在 AI 編程時，我們主要和文本大語言模型打交道。
Token
Token 是 AI 模型處理文本的基本單位。你可以簡單理解為 “詞塊”。
Token 是你必須掌握的核心概念，因為 AI 服務通常按照 Token 收費。你輸入的文字和 AI 輸出的文字都會消耗 Token。Token 用得越多，花的錢就越多。
在英文中，一個 Token 大約是一個單詞或單詞的一部分。在中文中，一個漢字通常是 1 ~ 2 個 Token。
舉個例子來幫助大家理解：
"Hello World" 大約是 2 個 Token
“你好世界” 大約是 4 ~ 6 個 Token
目前很多 AI 編程工具（比如 Cursor、Claude Code）都自帶了 Token 消耗量的實時統計和展示，方便你隨時掌握用量和成本。
輸入 Token 和輸出 Token
AI 服務在計費時，一般會分別計算輸入和輸出的 Token。
輸入 Token：你發給 AI 的內容，比如提示詞、代碼、文件等
輸出 Token：AI 返回給你的內容，比如回答、生成的代碼、工具調用指令等
一般來說，輸出 Token 比輸入 Token 更貴。以 Claude Sonnet 4 為例，輸入價格是 3 美元/百萬 Token，輸出價格是 15 美元/百萬 Token，貴了 5 倍。這是因為生成內容比理解內容更消耗算力。
最簡單的一個省 Token 小技巧是：用心編寫簡潔清晰的提示詞，讓 AI 一次就能理解你的需求，減少反復對話。更多省 Token 技巧可以看看魚皮分享過的視頻：AI 編程省錢技巧
模型參數
參數是模型在訓練過程中學到的 “知識點”，用數字的形式存儲在模型中。
舉個好理解的例子，模型在訓練時讀到了大量 “天空是藍色的” 這類內容，它就會在參數中記住 “天空” 和 “藍色” 之間的關聯關系。參數越多，模型能記住的知識和關聯就越豐富。
參數量直接影響模型的能力和使用成本。參數越多，模型越聰明，但運行時消耗的算力（GPU 計算資源）也越多，所以價格也越貴。
目前主流大模型中，明確公開參數量的有：
DeepSeek-V3：6710 億參數（采用 MoE 混合專家架構，實際激活 370 億）
Qwen3-235B：2350 億參數（通義千問系列，激活 220 億）
Llama 4 Scout：1090 億參數（Meta 開源模型，激活 170 億）
值得一提的是，即使是同一系列的大模型，廠商也會提供不同參數量的版本供你選擇。
模型訓練和推理
訓練（Training）是讓 AI 模型從大量數據中學習知識的過程。這個過程需要海量的計算資源和時間，一般由 AI 公司完成。絕大多數情況下，你不需要自己訓練模型，直接用訓練好的成品就行。
推理（Inference）是模型訓練完成、具備了知識之后，用學到的知識來回答問題、生成內容的過程。我們日常使用 AI 工具，比如和 ChatGPT 對話、讓 Cursor 寫代碼，本質上都是 AI 模型在進行推理。
打個比方，訓練就像學生上學讀書，推理就像學生參加考試答題。
模型微調（Fine-tuning）
微調是在已有模型的基礎上，用特定領域的數據繼續訓練，讓模型在某個領域表現更好。
比如，你可以用大量的醫學資料微調一個模型，讓它成為醫學專家?；蛘哂媚愎镜拇a庫微調，讓它更了解你的項目風格。
對于普通用戶來說，微調成本較高，一般不需要自己做，直接使用現成的模型就夠了。不過，很多大模型應用開發平臺（比如阿里云百煉、火山引擎等）都提供了模型微調的能力，降低了微調的門檻。
上下文窗口
上下文窗口（Context Window）是指 AI 模型一次能 “記住” 的最大內容量，用 Token 來衡量。
不同模型的上下文窗口大小不同：
GPT-4o：128K Token（約 10 萬中文字）
Claude Opus 4.6：標準 200K Token，支持擴展到 1M Token（約 75 萬中文字）
Gemini 3.1 Pro：1M Token（約 75 萬中文字），且支持同時處理文字、圖片、音頻、視頻
上下文窗口越大，AI 能處理的代碼量就越多，能記住的對話歷史就越長。如果你的項目代碼很多，或者你不確定 AI 能否在一次對話中完成任務，選擇上下文窗口大的模型會更合適。
但要注意，上下文窗口越大，每次請求消耗的 Token 也越多，成本也會更高。比如在 Cursor 中使用 Claude Sonnet 模型時，單次請求超過 20 萬 Token，輸入價格就會翻倍。
提示詞相關 提示詞（Prompt）
提示詞是你給 AI 的指令或問題。在 AI 編程中，提示詞就是你用自然語言描述的需求。
提示詞的質量直接決定了 AI 輸出的質量。一個好的提示詞應該：
具體明確
包含必要的背景信息
說明期望的輸出格式
比如，“做一個網站” 是一個模糊的提示詞，而 “用 React 做一個記賬網站，包含添加支出、查看列表、統計總額三個功能，界面用藍色調” 就是一個更好的提示詞。
在 AI 對話中，消息一般分為 3 種角色：
系統提示詞（System）：設置 AI 的角色和行為規則，對用戶不可見
用戶提示詞（User）：你發送給 AI 的消息
助手提示詞（Assistant）：AI 回復給你的消息
理解這 3 種角色有助于你更好地使用 AI。比如很多 AI 編程工具允許你設置系統提示詞來定義 AI 的行為規則，而你在對話框中發送的內容就是用戶提示詞。
系統提示詞
系統提示詞（System Prompt）是在對話開始前給 AI 設置的指令，用來定義 AI 的角色、行為和限制。
比如，你可以設置系統提示詞：“你是一位資深的 Java 后端開發專家，請用簡潔清晰的代碼風格回答問題?！?/p>
系統提示詞在整個對話過程中都會生效，是定制 AI 行為的重要方式。
還記得前幾年 AI 剛流行的時候，市面上冒出了一大堆 AI 助手網站么？其實很多就是 “套殼”，底層調用的是同一個大模型，只不過給不同的 AI 助手設定了不同的系統提示詞，比如 “你是一個翻譯專家”、“你是一個法律顧問” 等。
提示詞工程
提示詞工程（Prompt Engineering）是設計和優化提示詞的技術，目的是讓 AI 更好地理解你的意圖，生成更符合預期的結果。
這是 Vibe Coding 的核心技能之一。好的提示詞工程師能用更少的對話輪次、更低的 Token 成本，讓 AI 生成更高質量的代碼。
想學習編寫提示詞的實戰技巧，可以看看魚皮的免費《AI 編程教程》：提示詞編寫技巧
零樣本提示（Zero-shot）
零樣本提示是指在給 AI 下達任務時，不提供任何示例，直接描述你的需求讓 AI 去完成。
比如：“請把這段英文翻譯成中文。”
AI 會根據自己的訓練知識來完成任務。
對于簡單任務，零樣本提示一般就夠用了，不需要提供額外的示例內容，還能節約一些 Token 成本。
少樣本提示（Few-shot）
少樣本提示是指在給 AI 下達任務時，額外提供幾個輸入輸出的示例，讓 AI 通過這些示例學習你想要的格式或風格，從而更準確地完成任務。
比如：
請按以下格式翻譯：
英文：Hello → 中文：你好
英文：Thank you → 中文：謝謝
英文：Good morning → 中文：
通過提供示例，AI 能更準確地理解你的需求，輸出更一致的結果。
思維鏈提示（Chain-of-Thought）
思維鏈提示（Chain-of-Thought，簡稱 CoT）是一種引導 AI 展示推理過程、一步一步思考問題的提示技術，而不是讓 AI 直接給出答案。這對于復雜的推理任務特別有效，比如多步驟的數學計算、代碼邏輯分析、系統架構設計等。
觸發思維鏈提示的方法很簡單。很多推理模型（比如 DeepSeek-R1）和 AI 編程工具天然內置了思維鏈能力，會自動展示推理過程。你也可以在提示詞中手動加上 “請一步一步思考”，AI 就會展示它的推理過程，一般能得到更準確的答案。
在 AI 編程中，涉及復雜業務邏輯、多模塊交互、或者需要權衡多種技術方案的項目，特別適合利用推理模型和思維鏈提示能力，讓 AI 想清楚再動手。
Markdown 語言
Markdown 是一種輕量級的文本標記語言，用簡單的符號來表示格式。比如用#表示標題，用**文字**表示加粗，用-表示列表。
在 AI 編程中，Markdown 非常重要，因為：
AI 生成的回答大多數都是 Markdown 格式
項目文檔（如 README）采用 Markdown 編寫
定義 AI 智能體的規則文件也是 Markdown 格式
學會 Markdown 能讓你更好地跟 AI 交流，也能寫出更規范的項目文檔。更重要的是，結構化的內容（標題層級、列表、代碼塊等）有助于 AI 更準確地理解你的意圖，同時也能培養你自己的結構化思維能力，這對寫好提示詞非常有幫助。
AI 編程模式 Vibe Coding 氛圍編程
Vibe Coding 是由計算機科學家 Andrej Karpathy 在 2025 年 2 月提出的概念。它描述了一種全新的編程方式：通過自然語言和 AI 對話，讓 AI 幫你寫代碼，你只需要描述需求、測試結果、指導方向。
你不需要精通編程語法，只需要能清楚表達你的想法，AI 負責把你的想法變成可運行的代碼。
所以說，Vibe Coding 的重點不是寫代碼，而是明確需求并清晰表達。你描述得越清楚，AI 給你的結果就越靠譜。
這就像點外賣一樣，你告訴外賣平臺你想吃什么，餐廳幫你做好送到手上。你不需要會做飯，但要知道自己想吃什么。
Agentic Engineering 智能體工程
Agentic Engineering（智能體工程）是 2026 年 2 月由 Andrej Karpathy（也就是提出 Vibe Coding 的那位大佬）提出的新概念，可以理解為 Vibe Coding 的規范版。
Vibe Coding 就是跟著感覺寫代碼：你給 AI 一句話，AI 吐出代碼，能跑就行，跑不了就把報錯粘回去讓 AI 再改。做個小工具賊拉快，但項目一大就容易翻車。
而 Agentic Engineering 的思路是：你先想清楚要干嘛、寫好方案、拆好任務，再把活交給 AI 去執行，它干完了你還得驗收，質量不行再打回去重做。
打個比方，Vibe Coding 的時候你是個 DJ，放什么歌全憑感覺；Agentic Engineering 里你是包工頭，流程、質量、驗收都得你說了算。一個跟著感覺走，一個按流程來。
當然，不是說 Vibe Coding 已經過時了。Vibe Coding 負責讓你看到可能性，Agentic Engineering 負責把可能性變成真正能用的東西。二者適用于不同的場景，做小工具時可以用 Vibe Coding，做企業級項目就需要 Agentic Engineering 的思維。
Agentic Coding 智能體編程
Agentic Coding 智能體編程是指讓 AI 像一個自主的 “智能體”（Agent）一樣工作，能夠自己規劃任務、執行操作、驗證結果，而不只是被動地回答問題。
它和前面提到的 Agentic Engineering 的區別在于，Agentic Coding 強調的是 AI 的自主執行能力（AI 能干什么），而 Agentic Engineering 強調的是人對 AI 的管理方法論（人該怎么管）。
如今，幾乎所有主流 AI 編程工具都提供了智能體編程的能力。比如在 Cursor 的 Agent 模式中，AI 可以：
自動讀取和分析多個文件
規劃實現方案
執行代碼修改
運行測試驗證
自動修復問題
這比傳統的問答式 AI 更強大，因為它能自主完成復雜的多步驟任務?？梢哉f，AI 不再只是輔助編程的配角，而是正在成為項目開發的核心驅動力。
多智能體協作
多智能體協作（Multi-Agent）是指多個 AI 智能體分工合作，共同完成復雜任務。
比如，一個智能體負責設計架構，一個負責寫前端代碼，一個負責寫后端代碼，一個負責代碼審查。它們像一個軟件開發團隊一樣協作。
這兩年，多智能體系統正在成為 AI 編程的重要趨勢。它的優勢不僅僅是能處理更復雜的項目，還能通過并行工作大幅提升效率，讓原本需要幾小時的任務在幾分鐘內完成。
智能體編排
編排（Orchestration）是指協調和管理多個 AI 智能體或 AI 任務的過程，確保它們按正確的順序和方式工作。
如果說多智能體協作關注的是 “有哪些角色參與”，那編排關注的是 “誰先干、誰后干、結果怎么匯總”，它是多智能體系統的指揮中樞。
就像樂隊指揮一樣，編排器決定哪個智能體在什么時候做什么事情、如何傳遞信息、如何匯總結果。
Subagents 子代理
Subagents（子代理）是指主 AI 智能體將部分任務分派給獨立的子智能體來并行處理的機制。
你可以把它理解成 AI 的下屬，就像一個經理把活分給手下的幾個員工同時干一樣。當主 AI 遇到一個大任務時，它可以把獨立的小任務分給幾個子代理同時干，自己繼續處理其他工作。
Subagents 的好處是：
并行處理多個獨立任務，效率翻倍
主代理的上下文保持干凈，不會被子任務的細節污染
每個子代理可以專注于自己的任務，結果更準確
比如你可以讓幾個子代理同時審查代碼庫的不同模塊，速度會快很多。
在 Claude Code 中，AI 會通過內置的 Task 工具自動生成子代理來處理子任務，你不需要做額外配置。你也可以在.claude/agents/目錄下創建自定義的子代理（用 Markdown 文件定義），給它指定專屬的角色描述、工具權限和行為規則。
不過子代理也有局限，每個子代理的上下文是獨立的，它們之間無法直接共享信息，所以不適合有強依賴關系的任務。另外，多個子代理同時運行會消耗更多 Token，成本會相應增加。就像公司招人一樣，多招幾個人確實能干得更快，但工資支出也得跟著漲，而且人多了溝通協調的成本也會上來。
Agent Teams 智能體團隊
Agent Teams（智能體團隊）是 2026 年興起的多智能體編程新模式，由 Claude Code 率先推出。它讓 3 ~ 5 個獨立的 AI 智能體組成團隊，在同一個項目上并行工作。
和傳統的單 AI 對話不同，Agent Teams 中有一個 Team Lead（隊長）負責拆解任務和協調工作，其他 Teammates（隊員）各自領取任務獨立執行，還能通過消息系統互相溝通。
打個比方，以前用 AI 編程就像你一個人帶一個實習生干活，現在 Agent Teams 相當于你直接管了一個小團隊，前端、后端、測試同時干，效率翻了好幾倍。Anthropic 的工程團隊曾用 16 個 Agent 同時工作，產出了 10 萬行 Rust 代碼！把原本需要數天的工作壓縮到了幾小時。
當然，代價就是花費的 Tokens 可能會更多，不是什么時候都建議使用 Agent Teams。
Background Agent
后臺 Agent（Background Agent）是讓 AI 在后臺自主運行、完成任務后再通知你結果的能力。
傳統的 AI 編程需要你盯著屏幕等 AI 一步步做完，電腦還不能關。而后臺 Agent 允許你把任務交給 AI 后，就去做別的事情，AI 會在云端獨立完成工作，你甚至可以關掉電腦！
比如讓 AI 在后臺修復一批 Bug、跑一輪代碼審查、或者完成一個完整的功能模塊，做完了會通知你來驗收。
目前 Claude Code、Cursor 等工具都已經支持后臺 Agent 能力。以后 AI 編程可能就像發微信一樣，你在手機上把需求發過去，該干嘛干嘛，等 AI 做完了來找你驗收就行。
Agent Loop 智能體循環
Agent Loop（智能體循環）是 AI 智能體的核心工作機制，簡單來說就是 AI 通過不斷重復 “感知-思考-行動-觀察” 的循環來一步步完成任務。
一個典型的 Agent Loop 包括：
感知：獲取當前環境信息（讀取文件、查看錯誤等）
思考：分析情況，決定下一步行動
行動：執行具體操作（寫代碼、運行命令等）
觀察：檢查行動的結果
循環：根據結果決定是否繼續
這個循環會一直進行，直到任務完成或達到終止條件。
理解 Agent Loop 能幫你更好地規劃任務和管理 AI 的工作過程。需要特別注意的是，AI 編程時 Agent Loop 的循環次數不要太多，很多工具都有最大循環次數限制，循環太多不僅效果不好，還會瘋狂燒 Token！有朋友一覺醒來發現額度用光了，就是因為讓 AI 陷入了無限循環……
ReAct 推理與行動
ReAct（Reasoning and Acting）是一種讓 AI 智能體交替進行推理和行動的技術范式。它的核心思想很簡單：讓 AI 先想清楚再動手，動完手再看看效果，然后繼續想下一步怎么做。
傳統的 AI 要么只思考不行動，要么只行動不思考。而 ReAct 讓 AI 能夠：
先推理：思考當前情況，制定計劃
再行動：執行具體操作
觀察結果：看看行動效果如何
繼續推理：根據結果調整策略
這種 “思考 - 行動 - 觀察” 的循環讓 AI 能更可靠地完成復雜任務，是現代 AI 編程工具的核心技術之一。
深度思考
深度思考（Deep Thinking）是讓 AI 在回答之前先進行一段內部推理的能力，也叫 “擴展思考” 或 “思考模式”。
它和前面提到的思維鏈提示（CoT）有什么區別呢？
思維鏈提示是一種提示詞技巧，通過提示詞引導 AI 展示推理過程；而深度思考是模型內置的能力，AI 會在內部自動進行深度推理，不需要你在提示詞中特別要求。
普通模式下，AI 收到問題后會直接生成回答。而開啟深度思考后，AI 會先在內部進行一系列推理步驟，比如分析問題、考慮多種方案、評估利弊，然后才輸出最終答案。你有時能在 AI 的回復中看到一個 “思考中...” 的過程，那就是深度思考在工作。
深度思考特別適合復雜的編程任務，比如設計系統架構、排查難以定位的 Bug、優化算法等。代價是速度更慢、Token 消耗更多。
目前主流 AI 模型和 AI 編程工具都支持深度思考，并且你可以選擇是否開啟思考模式。
自適應思考
自適應思考（Adaptive Thinking）是深度思考的智能化版本，讓 AI 自動判斷當前問題需要多深的思考程度。
以前深度推理模式只能手動開關，開了的話簡單問題也慢吞吞地想半天、還浪費錢，關了的話復雜問題又容易出錯。
AI 有了自適應思考能力后，可以做到簡單問題秒回，復雜問題會自動進入深度思考模式。這樣既保證了質量，又節省了時間和成本。
Anthropic 在 Claude Opus 4.6 中率先引入了自適應思考能力，開發者可以設置不同的思考力度級別來平衡質量和成本。
工具調用
工具調用（Tool Use / Function Calling）是讓 AI 能夠使用外部工具和功能的技術。
AI 本身只能生成文字，但通過工具調用，它可以讀寫文件、搜索網頁、執行命令和腳本、調用 API、操作數據庫等等。
工具調用的工作流程分為 4 步：
識別需求：AI 判斷當前任務需要使用工具
選擇工具：從可用工具中選擇合適的
執行調用：用正確的參數調用工具
整合結果：將工具返回的結果融入回答，繼續完成任務
舉個例子，用戶想要獲取 編程導航網站 的熱門文章，下面這張圖清晰地展示了工具調用的完整流程：
需要注意的是，AI 模型本身并不直接執行工具，而是生成 “我想調用這個工具，參數是這些” 的指令，由外部系統執行后把結果返回給 AI。
有了工具調用，AI 就從 “只會說” 變成了 “能動手”。如果沒有工具調用，AI 只能告訴你該怎么改代碼，你還得自己去復制粘貼；而有了工具調用，AI 可以直接幫你讀取文件、修改代碼、運行命令，一條龍搞定。比如 Cursor 的 Agent 模式就是通過工具調用來實現自主編程的。
MCP 模型上下文協議
MCP（Model Context Protocol）是 Anthropic 在 2024 年底推出的開放標準，用于讓 AI 模型安全地連接外部數據源和工具。
你可以把 MCP 理解成 AI 世界的 “USB 接口”。就像 USB 接口讓各種設備（鍵盤、鼠標、U 盤）都能用同一種方式連接電腦一樣，MCP 讓各種外部工具（文件管理、數據庫、搜索引擎等）都能用同一種方式連接 AI，不用為每個工具單獨寫一套對接代碼。
MCP 的核心價值在于標準化。開發者不需要為每個 AI 工具單獨開發連接器，只需要按照 MCP 標準開發一次，就能被所有支持 MCP 的 AI 工具使用。目前 Claude Code、Cursor、Windsurf 等主流 AI 編程工具，以及各種網頁 AI Agent 應用都已經支持 MCP 協議。
在 Vibe Coding 中，MCP 讓 AI 能夠連接更多外部工具和數據源，大大擴展了 AI 的能力邊界。比如通過 Figma MCP，AI 可以直接讀取設計稿并生成對應的網頁代碼；通過 GitHub MCP，AI 可以直接操作代碼倉庫、創建 PR；通過數據庫 MCP，AI 可以查詢和分析業務數據。
想要發現更多好用的 MCP 服務？可以訪問 魚皮 AI 導航 - MCP 大全，持續更新優質 MCP，幫你重塑 AI 工作流。
Agent Skills 智能體技能
Agent Skills（智能體技能）是 Anthropic 在 2025 年 10 月推出的 一套開放標準，目的是讓 AI 能夠學習使用各種專業技能，快速擴展特定領域的專業能力。
簡單來說，Agent Skills 就是給 AI 準備的技能包。技能包里有精心設計的提示詞、代碼腳本、還有各種資源文件。
把 AI 想象成一個職場小白，給他裝上文檔處理技能，它就立刻知道怎么生成 PPT、處理 Excel 表格；裝上代碼規范技能，它就知道怎么按照公司標準寫代碼。
Skill 的本質是一個包含SKILL.md文件的文件夾，里面可以放置指令說明、腳本代碼、參考資料等。當 AI 遇到相關任務時，會自動加載對應的 Skill 來增強自己的能力。
Skills 的核心設計是漸進式披露，AI 只在需要時才加載相關內容，不會一次性把所有信息都塞進上下文，既節省 Token 又保持靈活性。
想要發現更多好用的 Agent Skills？可以訪問 魚皮 AI 導航 - Skills 大全，持續更新優質技能，讓 AI 幫你干更多活。
Hooks 鉤子
Hooks（鉤子）是 AI 編程工具中的一種自動化觸發器。當 AI 完成某個動作（比如生成代碼、提交代碼、運行命令）時，Hook 會自動執行你預設的腳本或檢查流程。
各種主流 AI 編程工具都支持 Hooks，比如在 Claude Code 中，Hooks 可以用來：
代碼生成后自動運行格式化工具
文件修改后自動執行測試
權限請求時自動判斷是否安全并批準
提交代碼前自動檢查代碼規范
Hooks 讓你的 AI 工作流更加自動化，減少手動操作。但是要注意，Hooks 配置不當可能會阻塞 AI 的正常工作流程，建議先在小范圍測試，確認沒問題再推廣到整個項目。
斜杠命令
斜杠命令（Slash Commands）是在 AI 編程工具的對話框中輸入/觸發的快捷指令，可以快速執行常用操作。
你可以把斜杠命令理解成操作 AI 的快捷鍵。Cursor、Claude Code 等主流 AI 編程工具都支持斜杠命令，比如 Claude Code 內置了這些常用的斜杠命令：
/help：查看可用命令/compact：壓縮當前對話的上下文/config：修改配置/skills：查看已安裝的技能
你可以自定義斜杠命令，把常用的工作流封裝起來復用。比如創建一個/commit-push-pr命令，一次性完成代碼提交、推送和創建 PR；或者搞個/techdebt命令，每次會話結束跑一下清理重復代碼。
自定義命令的本質其實就是一個 Markdown 文件，在 Cursor 中，只需要在項目的.cursor/commands/目錄下創建.md文件，里面寫上你想要 AI 執行的指令，這個文件名就會變成一個斜杠命令。還可以用 Git 版本控制工具來管理自定義命令的文件，跨項目復用。
A2A（Agent-to-Agent）
A2A（Agent-to-Agent）是指 AI 智能體之間相互通信和協作的協議或方式，是多智能體系統的基礎技術。
就像人和人之間需要語言來溝通，AI 智能體之間也需要標準化的方式來交換信息、分配任務、匯報結果。
A2A 協議讓不同的 AI 智能體能夠組成團隊，分工合作完成復雜任務。這個協議由 Google 在 2025 年推出，目前已有超過 150 家企業加入支持。
不要把 A2A 和 MCP 搞混！二者是互補關系，MCP 解決的是 AI 連接工具的問題，A2A 解決的是 AI 之間溝通協作的問題。
BMAD 敏捷 AI 開發方法
BMAD-METHOD（Breakthrough Method of Agile AI-Driven Development，突破性敏捷 AI 驅動開發方法）是一套系統化的 AI 智能體開發框架，目標是將原本混亂的 AI 編程過程變得結構化、可復用。
BMAD 使用角色化智能體的方式組織開發流程，每個智能體扮演特定角色：
Analyst Agent 分析師：創建項目簡報，包含市場分析和用戶畫像
PM Agent 產品經理：將簡報轉化為詳細的產品需求文檔（PRD）
Architect Agent 架構師：設計技術實現方案和系統架構
BMAD 中的智能體分為兩種類型：
Simple Agents 簡單智能體：單文件、自包含，適合代碼審查、文檔生成等聚焦任務
Expert Agents 專家智能體：具有跨會話持久記憶，配有專屬文件夾存放資源，適合復雜的多步驟工作流
每個智能體都有標準化的組成部分，包括人設（角色、身份、溝通風格、原則）、能力列表、交互菜單，以及可選的關鍵行動。
BMAD 在 GitHub 上獲得了幾萬+ Star，說明這種結構化的 AI 開發方法正在被越來越多的開發者認可。
Browser Use 瀏覽器使用
Browser Use（瀏覽器使用）是讓 AI 智能體能夠自主操控網頁瀏覽器的技術能力。通過 Browser Use，AI 可以像人類一樣瀏覽網頁、點擊按鈕、填寫表單、提取數據。
Browser Use 的典型應用場景：
自動化研究：讓 AI 在多個網站上搜索、整理信息
數據采集：從網頁中提取結構化數據
表單填寫：自動完成繁瑣的在線表單
跨平臺操作：在不同網站間完成多步驟任務
比較知名的開源項目是 Browser-Use，支持通過 Python 調用多種大模型來控制瀏覽器。此外，Cursor、Claude Code 等主流 AI 編程工具也內置了 Browser Use 能力，可以在開發過程中自動打開瀏覽器預覽效果、執行測試等操作。
Browser Use 的一個關鍵優勢是，AI 可以利用你現有的瀏覽器會話和登錄狀態，無需為每個網站單獨開發 API 集成。也就是說，AI 能夠訪問那些沒有公開 API 的網站，大大擴展了自動化的應用范圍。
Computer Use 計算機使用
Computer Use（計算機使用）是 Anthropic 公司在 2024 年推出的 AI 能力，讓 Claude 大模型能夠像人類一樣操作整個計算機桌面。
和 Browser Use 只能操作瀏覽器不同，Computer Use 可以操作任何桌面應用程序，比如：
查看屏幕截圖，理解界面元素
移動鼠標光標，點擊按鈕
使用鍵盤輸入文字
執行命令行操作
Computer Use 的工作原理是一個持續的反饋循環：
截圖分析：AI 捕獲并分析當前屏幕
決策規劃：根據任務目標確定下一步操作
執行操作：發送鼠標/鍵盤輸入
觀察結果：檢查操作效果，調整策略
為了安全起見，Computer Use 一般需要在虛擬機或容器中運行，不會直接控制你的真實電腦。
Computer Use 代表了 AI 從 “只能生成文字” 到 “能夠操作軟件” 的重大跨越，徹底改變人機交互方式。
基于 Computer Use 技術，Anthropic 在 2026 年推出了 Claude Cowork，這是一個桌面端 AI 助手，可以直接訪問你電腦上的文件和文件夾，幫你整理下載目錄、從截圖中提取數據到表格、準備品牌報告等日常辦公任務。
上下文管理 上下文（Context）
上下文是 AI 在回答問題時能夠參考的所有信息，包括：
當前對話的歷史
你打開的代碼文件
項目的結構和配置
你提供的參考資料
上下文越豐富、越和當前任務相關，AI 生成的代碼就越符合你的需求。這就像給一個新同事交接工作，你給的背景信息越多，他上手就越快。
在 Cursor 中，你可以通過對話框附近的 Token 用量指示器來大致了解當前上下文的大??；在 Claude Code 中，可以使用/context命令查看上下文占用情況。
上下文工程
上下文工程（Context Engineering）是有策略地管理和優化提供給 AI 的上下文信息的技術。
核心目標是讓 AI 擁有恰到好處的信息。既不能太少（導致 AI 不了解情況），也不能太多（導致信息過載、成本上升）。
好的上下文工程包括：
選擇最相關的文件
提供必要的背景說明
使用規則文件定義項目規范
適時清理無關的對話歷史
上下文工程是目前 AI 領域非常熱門的研究方向。2026 年的趨勢正在從簡單的上下文管理，演進到更復雜的記憶架構—— 讓 AI 擁有短期記憶（當前對話上下文）、長期記憶（跨會話的知識積累）和外部記憶（向量數據庫、知識圖譜等）。
比如 Claude Opus 4.5 就引入了 Memory Tool，能讓 AI 在超出上下文窗口的情況下，通過文件系統式的持久化存儲來記住重要信息。根據 Anthropic 官方數據，這項技術在長時間工作流中減少了 84% 的 Token 消耗！
可以說，誰能更好地解決上下文和記憶的問題，誰就能在 AI 編程領域占據優勢。
上下文壓縮
上下文壓縮（Context Compaction）是 AI 自動壓縮和總結之前對話內容的技術，解決的是長時間運行任務中上下文溢出的問題。
以前跑長任務的時候，AI 經常會撞到上下文長度的天花板，前面聊過的內容被擠掉后 AI 就失憶了，導致生成的代碼和之前的約定對不上。有了上下文壓縮，AI 會在上下文快要滿的時候，自動把前面的對話總結成更精簡的形式，保留關鍵信息的同時釋放空間，這樣就能持續工作更久而不會失憶。
你可以把它想象成項目經理寫會議紀要。已經開了 3 小時的會，不可能把每句話都記下來，但關鍵決策、待辦事項、重要結論都會被記錄。AI 的上下文壓縮也是類似的思路，把冗長的對話歷史濃縮成關鍵信息。
Claude Opus 4.6 已經內置了上下文壓縮能力，搭配它的 100 萬 token 上下文窗口，可以讓長時間運行的編程任務更加穩定。
規則文件
規則文件（Rules File）是放在項目中的配置文件，用來告訴 AI 你的項目規范、技術棧、代碼風格等信息。有了規則文件，AI 每次生成代碼時都可以參考這些規則，生成的代碼更符合你的項目風格，省去了反復強調的麻煩。
不同 AI 編程工具使用不同的規則文件格式：
Cursor：早期使用
.cursorrules單文件格式，現在推薦使用.cursor/rules/*.mdc多文件格式Claude Code：使用
CLAUDE.md文件GitHub Copilot：使用
.github/copilot-instructions.md文件
以 Cursor 為例，.mdc規則文件支持 YAML 元數據（frontmatter），可以指定規則的適用范圍。根據 Cursor 官方文檔，其格式如下：
---
description: React 組件開發規范
globs: src/components/**/*.tsx
alwaysApply: false
---
# React 規范
- 使用函數式組件
- 優先使用 hooks
規則文件的激活方式有多種，比如：
始終生效：設置
alwaysApply: true模式匹配：當引用匹配
globs的文件時自動激活手動調用：在對話中用
@規則名引用AI 自主決定：AI 根據任務相關性自動加載
注意，隨著工具版本的更新，這些文件的名稱和標準可能會發生改變，一切以工具官方文檔為主。
AGENTS.md
AGENTS.md 是一種開放的文件格式，專門用于給 AI 編程智能體提供項目指令。它本質上也是一種規則文件，只不過是跨工具通用的開放標準。
傳統的 README.md 是寫給人看的，主要介紹項目是什么、怎么用。而 AGENTS.md 是寫給 AI 看的，包含 AI 工作時需要的技術細節：
項目的構建和啟動命令
測試運行方式
代碼風格和規范
項目結構說明
一個典型的 AGENTS.md 文件大概長這樣：
# 項目設置
- 安裝依賴：npm install
- 啟動開發：npm run dev
- 運行測試：npm test# 代碼規范
- 使用 TypeScript 嚴格模式
- 組件文件使用 PascalCase 命名
- 工具函數使用 camelCase 命名
AGENTS.md 的優勢在于它是一個開放標準，被數萬個開源項目采用。當你使用支持該標準的 AI 編程工具（比如 Claude Code、Codex、Cursor、GitHub Copilot 等）時，AI 會自動識別項目根目錄下的 AGENTS.md 文件，并將其中的指令發送給 AI，不需要你手動引用。
SDD 規范驅動開發
SDD（Spec-Driven Development，規范驅動開發）是 AI 時代的一種新型開發方法論，強調在編碼之前先創建明確的、AI 能直接理解和執行的規范文檔。
傳統開發流程是：想到什么寫什么，邊寫邊改，最后再補文檔。這樣容易導致需求不清晰、代碼和文檔對不上。
而 SDD 的思路正好相反：先把需求寫成規范文檔，并且把規范文檔當作代碼的唯一真相來源。
你可以把規范文檔理解為 “項目憲法”，它包含了詳細的需求描述、系統設計和接口定義。AI 必須嚴格遵守這些條文來生成代碼，確保產出完全符合預期。
為什么 SDD 越來越受重視？
因為 AI 生成代碼的質量直接取決于上下文的清晰度，而不僅僅是依靠提示詞技巧。一個清晰的規范文檔能比任何 Prompt 黑魔法更有效地減少錯誤。
SDD 的典型工作流程如下：
Constitution 制定準則：定義項目的基本原則、代碼規范、性能標準
Specify 編寫規范：描述要做什么功能、為什么做、用戶需求是什么
Clarify 澄清疑問：讓 AI 提出結構化問題，明確邊界情況和錯誤處理
Plan 制定方案：確定技術棧、系統架構、數據模型、API 接口
Tasks 拆解任務：把計劃拆解成可執行的任務列表，標注依賴關系和優先級
Implement 執行實現：AI 按照任務列表生成代碼，人類驗證
其實這和程序員在企業中開發項目的標準流程非常相似，只不過執行者從人變成了 AI。
2025 年 9 月，GitHub 發布了開源的 Spec Kit 工具包，幫助開發者在 AI 編程中實踐 SDD 方法論。它支持 Claude Code、GitHub Copilot 等主流編程工具，通過一套斜杠命令引導你完成上述流程。即使你不是軟件開發專家，也能在 AI 的引導下輕松地走完規范的項目開發流程。
RAG 檢索增強生成
RAG（Retrieval-Augmented Generation 檢索增強生成）是一種讓 AI 能夠先檢索外部知識庫、再基于檢索結果生成回答的技術，目標是讓 AI 的回答更準確、更有依據。
普通的 AI 只能依賴訓練時學到的知識，而這些知識可能已經過時了。RAG 能讓 AI 在回答問題時，先從你的文檔、代碼庫、知識庫中檢索相關信息，然后基于這些信息生成回答。
這對于 Vibe Coding 特別有用，因為 AI 可以參考你項目中的已有代碼，生成風格一致的新代碼。
RAG 檢索增強生成的工作流程如下圖所示，做 AI 應用開發的程序員朋友們可以深入了解一下：
向量數據庫
向量數據庫是專門用來存儲和查詢 “向量”（一種數字表示形式）的數據庫。在 AI 領域，它常用來存儲文本的語義表示。
什么是向量呢？
簡單來說，向量就是一串數字組成的數組，比如[0.1, 0.5, 0.3, 0.8]。每個數字代表一個特征維度。AI 可以把一段文字、一張圖片、一段代碼轉換成這樣的向量，語義相似的內容轉出來的向量也會很接近。
當你把代碼或文檔存入向量數據庫后，AI 就能快速找到語義相似的內容，即使搜索詞和原文不完全一樣。
比如，你搜 “用戶登錄”，它能找到叫 "handleAuth" 的函數，因為它們在語義上是相關的。
隨著 AI 的爆發，市面上涌現了非常多支持向量存儲的數據庫：
嵌入 Embedding
嵌入是把文本、代碼等內容轉換成數字向量的過程。這些向量能夠捕捉內容的語義信息。
在向量空間中，語義相似的內容會靠得更近。這就是為什么向量數據庫能進行語義搜索的原理。
你不需要深入理解嵌入的技術細節，只需要知道它是 RAG 和代碼語義搜索的基礎技術就好。
AI 輸出相關 AI 幻覺
AI 幻覺（Hallucination）是指 AI 輸出了不符合事實的內容，可能是編造了不存在的 API、給出了錯誤的函數用法、推薦了根本不存在的庫，甚至胡編亂造一些看起來很合理但完全錯誤的信息。
比如下面這段對話，我讓 AI 介紹一下程序員魚皮，結果它一本正經地胡說八道，我的本名可不是這個……
這是大語言模型的固有問題，因為它們是基于概率生成內容的，有時會 “腦補” 不存在的東西。
在 AI 編程時，我們可以通過以下方法盡量減少幻覺帶來的影響：
要求 AI 提供文檔鏈接驗證
自己查官方文檔確認
換個模型試試
開新對話重新描述問題
利用 Context7 等獲取到最新技術文檔的 MCP 擴展
對于做 AI 應用開發的程序員來說，如何消除幻覺是一個需要重點攻克的挑戰。前面提到的 RAG（檢索增強生成）技術就是目前最主流的解決方案之一，通過讓 AI 先檢索真實數據再回答，大幅降低幻覺的概率。
溫度
溫度（Temperature）是控制 AI 輸出隨機性的參數，取值一般在 0 ~ 2 之間（不同大模型和 AI 編程工具的設置范圍可能會有區別）。
溫度低（如 0.1）：輸出更確定、更保守，適合寫代碼
溫度高（如 1.0）：輸出更隨機、更有創意，適合頭腦風暴
在編程場景中，一般使用較低的溫度，讓 AI 生成更穩定、更可預測的代碼。而在需要 AI 發揮創意的場景（比如起名字、寫文案、頭腦風暴產品方案），可以適當調高溫度，讓 AI 給出更多樣化的建議。
比如下圖，我把溫度調高，輸出的結構可能完全不同：
流式輸出
流式輸出（Streaming）是指 AI 一邊生成內容，一邊實時顯示給用戶，而不是等全部生成完再顯示。
這就像看直播而不是看錄播，你能實時看到 AI 的輸出過程和生成的內容，如果發現方向不對，可以及時中斷，避免浪費 Token。
大多數 AI 編程工具都支持流式輸出，讓交互體驗更流暢。
在技術實現上，流式輸出一般基于 SSE（Server-Sent Events，服務器推送事件）技術，服務端通過持續推送數據片段給客戶端，做到實時展示。
開發工具概念 IDE 集成開發環境
IDE（Integrated Development Environment 集成開發環境）是程序員用來寫代碼的綜合軟件，一般包含代碼編輯器、調試器、終端、插件擴展市場等。
VS Code 是目前最流行的輕量級 IDE，由微軟開發并開源。Cursor 和 Windsurf 都是基于 VS Code 開發的 AI 代碼編輯器，繼承了 VS Code 的界面風格和功能，同時大幅擴展了 AI 能力。
代碼編輯器
代碼編輯器是用來編寫和修改代碼的工具，提供語法高亮、代碼補全、錯誤提示等功能，幫助你更高效地寫代碼。
常見的代碼編輯器有 Sublime Text、Vim 等。區別于 IDE 集成開發環境，它們相對輕量、啟動快速，適合快速編輯單個文件；而 IDE 的功能更全面，集成了調試器、終端、版本控制等工具，適合專業開發者和大型項目開發。
在 Vibe Coding 時代，代碼編輯器集成了 AI 能力，可以根據你的提示詞自動生成代碼、解釋代碼、修復錯誤。比如早期的 Cursor 雖然功能強大，但它的核心還是一個 AI 增強的代碼編輯器。
零代碼平臺
零代碼平臺（No-Code Platform）是不需要寫代碼就能創建應用的平臺。與之相近的還有低代碼平臺（Low-Code Platform），它允許通過少量代碼加上可視化拖拽來構建應用，自由度更高一些。
在 AI 時代，像 Bolt.new、Lovable、v0.dev、百度秒噠這樣的平臺結合了零代碼和 AI，你可以用自然語言描述需求，平臺自動生成完整可在線訪問的應用。
零代碼平臺特別適合完全沒有編程經驗的新手，或者想快速做原型的場景。不過缺點也很明顯，出了問題不好調試，也很難深度定制，項目做大了容易遇到瓶頸。
代碼補全
代碼補全（Code Completion）是指 AI 根據你當前的代碼上下文，自動預測你接下來要寫的內容并提供建議。
當你寫代碼時，AI 會根據上下文推測你的意圖，提供代碼片段供你選擇。按下 Tab 鍵就能接受建議，大大提高編碼速度。
早在 2021 年，GitHub 就推出了 Copilot，開創了 AI 代碼補全的先河。但誰也沒想到，短短幾年后 AI 已經從 “補全幾行代碼” 進化到了 “自主開發整個項目”。如今各大 AI 編程工具都支持代碼補全，但越來越多的開發者已經不滿足于逐行補全了，而是直接用 Agent 模式讓 AI 一口氣寫完整個功能。
代碼審查
代碼審查（Code Review）是檢查代碼質量、發現問題、提出改進建議的過程。
沒有代碼審查的項目，Bug 往往要等到上線之后才被發現，修復成本很高。而有了代碼審查，很多問題在代碼合并之前就能被提前發現和修復。
在傳統開發中，代碼審查一般由同事或上級來做。在 Vibe Coding 中，你可以讓 AI 幫你審查代碼，它會指出潛在的 bug、安全問題、性能問題，并提供修改建議。
但要注意，AI 的審查不能完全替代人工審查！特別是對于重要的生產代碼。
Linter 代碼檢查器
Linter 是自動檢查代碼問題的工具，能發現語法錯誤、風格問題、潛在 bug 等。
常見的 Linter 有前端的 ESLint、Python 的 Pylint、Go 的 golint 等，它們像一個嚴格的語法老師，幫你保持代碼規范。
在 Vibe Coding 中，Linter 能幫你快速發現 AI 生成代碼中的問題。而且很多時候，AI 在幫你創建前端項目時會自動整合 ESLint 等 Linter 工具，省去了你手動配置的麻煩。
Debug 調試
調試（Debug）是找到并修復代碼中錯誤的過程。當代碼運行結果不符合預期時，你需要調試來定位問題。
調試的常用方法包括：
設置斷點，逐步執行代碼
查看變量的值
閱讀錯誤信息和堆棧跟蹤
添加日志輸出
在 AI 編程時，你可以直接把錯誤信息發給 AI，讓它幫你分析原因并提供修復方案，甚至是自主修復。
項目管理概念 MVP 最小可行產品
MVP（Minimum Viable Product 最小可行產品）是指用最少的功能滿足核心需求的產品版本，簡單來說就是一個 “能跑起來、核心功能能用” 的最簡版本。
很多同學剛開始做產品的時候會有各種奇思妙想，恨不得一口氣把所有功能都做出來，結果花了大量時間在不必要的功能上，越做越復雜，最后覺得太難就直接放棄了，屬于是自己把自己嚇跑了。而做 MVP 的思路正好相反，先用最少的功能把核心價值跑通，快速驗證想法是否可行，拿到用戶反饋后再逐步迭代。
比如做一個記賬 APP，MVP 版本可能只有記錄支出、查看列表兩個功能，其他高級功能以后再加。
迭代開發
迭代開發是把大項目分成多個小周期，每個周期完成一部分功能的開發方法。
每個迭代周期包括：計劃 => 開發 => 測試 => 發布 => 反饋 => 改進。
這種方法特別適合 Vibe Coding，因為你可以讓 AI 先實現核心功能，測試沒問題后再逐步添加新功能。
順便提一下，迭代開發是敏捷開發（Agile Development）方法論的核心實踐之一。敏捷開發強調小步快跑、快速反饋、擁抱變化，非常適合 AI 編程的工作節奏。
重構
重構（Refactoring）是在不改變功能的前提下，改進代碼結構和質量的過程。
重構的目的是讓代碼更清晰、更易維護、更高效。常見的重構包括：
提取重復代碼為函數
改進變量和函數命名
簡化復雜的邏輯
拆分過長的文件
在 Vibe Coding 中，你可以讓 AI 幫你重構代碼，但要小步進行，每次重構后都要測試。
注意，如果你只是用 AI 快速做個小工具，代碼能跑就行，沒必要花時間重構。但如果是長期維護的企業級項目，代碼質量直接決定了后續迭代的效率和穩定性，定期重構就非常有必要了。
技術債
技術債（Technical Debt）是為了快速完成功能而采用的臨時方案，這些方案在未來需要花時間修復和改進。
就像信用卡欠款一樣，雖然現在透支方便，但遲早要還，還要加利息。
在 Vibe Coding 中，AI 生成的代碼可能不是最優方案，積累太多技術債會讓項目越來越難維護。定期重構是償還技術債的有效方法，防止出現屎山代碼。
版本控制
版本控制是記錄代碼變更歷史的系統，讓你能追蹤每次修改、對比不同版本、回退到之前的狀態。
Git 是最流行的版本控制工具，注意別把它和 GitHub 搞混了，Git 是在你電腦上運行的工具，GitHub 是在線的代碼托管平臺，用來存放和分享你用 Git 管理的代碼。
在 Vibe Coding 中，版本控制特別重要。因為 AI 可能會生成有問題的代碼，有了版本控制，你隨時可以回退到之前正常的版本。
部署
部署（Deployment）是指把開發好的應用發布到服務器上，讓用戶能夠訪問并使用。
最原始的部署方式是自己登錄服務器，把代碼文件打包上傳后手動運行，又麻煩又容易出錯。好在現在有很多自動化的部署平臺，傻瓜式操作，點幾下就能部署項目，常用的有：
Vercel：適合前端和全棧應用
Netlify：適合靜態網站和前端應用
Railway、Render：適合后端服務
很多零代碼平臺（如 Bolt.new）都支持一鍵部署，點個按鈕就能上線。
此外，還可以利用 MCP 來實現更智能的部署。比如通過 EdgeOne Pages MCP，你只需要跟 AI 對話，AI 就能幫你自動完成網站的打包和部署，連部署平臺都不用自己登錄~
前后端概念 前端
前端（Frontend）是用戶能直接看到和交互的部分，包括網頁界面、按鈕、表單、動畫等。說得粗暴一點，你在瀏覽器里看到的一切，都是前端！
前端技術棧通常包括：
HTML：頁面結構
CSS：樣式和布局
JavaScript：交互邏輯
React/Vue/Next.js：現代前端框架
在 Vibe Coding 中，前端是 AI 最擅長生成的部分，因為效果可以直接看到，方便驗證和調整。你還可以利用 Agent Skills 和精心編寫的提示詞來美化 AI 生成的前端頁面，去掉那股子 AI 味兒。具體技巧可以看魚皮的視頻：如何去除網站的 AI 味兒
后端
后端（Backend）是用戶看不到的部分，負責處理業務邏輯、數據存儲、用戶認證等。
比如你在電商網站上點擊 “下單” 按鈕，前端把你的訂單信息發給后端，后端負責校驗庫存、計算價格、扣款、生成訂單，然后把結果返回給前端展示。
后端技術棧通常包括：
Node.js/Python/Java：編程語言
Express/FastAPI/Spring：Web 框架
MySQL/PostgreSQL/MongoDB：數據庫
后端比前端更復雜，需要考慮安全性、性能、數據一致性等問題。因此 AI 生成的后端代碼需要更仔細地審查。
全棧
全棧（Full-stack）是指同時包含前端和后端的完整應用。全棧開發者是能同時處理前端和后端工作的程序員。
在 Vibe Coding 中，像 Cursor、Bolt.new 這樣的 AI 編程工具可以一次性生成全棧應用，前后端代碼都幫你寫好。
想進一步了解全棧程序員是什么、怎么成為全棧程序員？可以看魚皮的這篇文章：全棧程序員是什么？
API
API（Application Programming Interface）是不同程序之間通信的接口。
你可以把 API 理解成餐廳的菜單。菜單告訴你有什么菜可以點，怎么點，點了之后會得到什么。你不需要知道廚房怎么做菜，只需要按菜單點餐。
在 Web 開發中，前端通過 API 和后端通信，獲取數據或提交操作。
想進一步了解 API 接口和標準的 API 接口設計規范，可以觀看 魚皮的 API 動畫科普視頻。
數據庫
數據庫是存儲和管理數據的系統。應用中的用戶信息、內容、設置等都存在數據庫里。
常見的數據庫類型有：
關系型數據庫（MySQL、PostgreSQL）：數據以表格形式存儲
文檔數據庫（MongoDB）：數據以 JSON 文檔形式存儲
鍵值數據庫（Redis）：適合緩存和快速查找
在 Vibe Coding 中，你可以用 Supabase、Firebase 等現成的云數據庫服務，不用自己搭建和管理數據庫。
如果你想系統學習數據庫知識，可以看魚皮的數據庫入門教程：數據庫入門教程
BaaS 后端即服務
BaaS（Backend as a Service 后端即服務）是提供現成后端功能的云服務，包括數據庫、用戶認證、文件存儲等。
以前沒有 BaaS 的時候，你得自己買服務器、裝數據庫、寫后端接口、處理各種運維問題，光是搭環境就得折騰好久。而現在使用 BaaS，這些都是現成的，你不需要自己寫后端代碼和管理服務器，注冊個賬號就能直接用，能大大加快開發速度，特別適合 Vibe Coding 的場景。
常用的 BaaS 服務有：
Supabase：開源的 Firebase 替代品
Firebase：Google 的 BaaS 平臺
PlanetScale：托管的 MySQL 服務
這篇文章涵蓋了 Vibe Coding 中最常見的概念和術語。當然，AI 和編程領域的新概念還在不斷涌現，這份詞典也會持續更新。
你不需要一次記住所有概念，遇到不懂的詞，回來查一查、或者問一問 AI 就好。隨著你不斷地實踐 Vibe Coding，這些概念會自然而然地變得熟悉。
一些對大家有用的資源：
100+ 編程學習路線 / 實戰項目 / 求職指導
100+ 簡歷模板
300+ 企業面試題庫 mianshiya.com
500+ AI 資源大全
1 對 1 模擬面試
動畫學算法教程
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
