天堂与地狱：‘Vibe Coding’教会我的东西
Source: Dev.to
项目 1：让我谦卑的 Slack 应用（地狱 → 天堂）
第 1 周 – “Vibe Coding” 灾难
我决定构建一个 Slack 应用。基础设施两小时搞定。应用代码呢？地狱就在这里开始。
我的做法很简单：向 AI 描述我想要的功能，复制粘贴生成的代码，部署并交付。结果不行。错误接二连三。我把错误一次又一次喂回模型，得到新代码，重新部署，循环往复。经过一周的来回，我连一步都迈不出来。我陷入了我现在称之为 “vibe coding 地狱” 的状态——盲目跟随 AI，却不理解基本原理。
第 2 周 – 突破
我停下来，深呼吸，真正阅读了 Slack 官方 SDK 文档。我学到了：
- Slack 提供了哪些功能
- SDK 各模块如何工作
- Slack 应用的正确工作流
有了这些知识，我再次求助 AI，但这次给它 基于我新理解的明确架构指令。应用在 三天 内完成（包括学习时间和一次因误解术语而进行的完整重写）。此后，任何新功能都能在 几分钟 内实现。
教训
你不能把理解外包给 AI。 软件设计和架构决策仍然来源于人类。AI 是强大的助理，但你需要领域知识来有效引导它。关键洞见：当你提供正确方向时，AI 会放大你的能力。
项目 2：在 3 天内构建生产就绪的 LLM 平台（纯粹天堂）
我有一个想法：构建一个完整的推理平台，用来托管 LLM 模型及其微调变体。
- 知识水平： 我在开始前一晚才学会 “inference” 这个词。
- 时间线： 三天完成生产就绪。
我构建的内容
- 基础设施（≈ 1 小时 via Terraform）： 完整的云栈
- 前端 Web UI： 功能齐全的界面
- 两个后端推理服务： 托管不同的 LLM 模型
- 自动化训练流水线： 端到端的数据处理
- 性能优化： 将每次查询的延迟从 28–30 秒降低到 3–4 秒（纯软件调优，无硬件升级）
突破
凭借我的 SRE 背景（系统架构、性能优化、基础设施模式），我能够有效地引导 AI。我理解模型提供的选项，并能就以下方面做出明智决策：
- 架构模式
- 性能权衡
- 基础设施设计
- 系统集成
AI 完成了约 80 % 的实现工作，但 我主导了 100 % 的架构决策。这正是领域专长与 AI 助手结合的力量——你成为了 乘数效应。
我开始意识到的事情
角色现在不同了
我不再手动编写大量代码。相反，我花更多时间：
- 思考架构和设计
- 给 AI 明确的指令
- 验证并完善它生成的内容
- 做出权衡决策
这让我想起了从手动配置服务器到编写基础设施即代码（IaC）的转变。技能集合变了，但价值并未降低。
我的领域知识变得更重要
Slack 应用失败 因为 我试图跳过基础学习。
LLM 平台成功 因为 我的 SRE 背景为我提供了指导 AI 的思维模型。
AI 并不会取代你的知识——它会放大你的知识。
我更像是“指挥家”而不是“程序员”
我花更少时间在实现细节上，更多时间在：
- 设计整体系统
- 选择合适的方法
- 确保质量和性能
- 确保各部件协同工作
就像交响乐指挥，我不演奏每一种乐器，但我确保所有乐器和谐共奏。
工作在转移，而不是消失
工程工作正向以下方向迁移：
- 更高层次的问题解决
- 架构和设计决策
- 系统集成与编排
- 性能、安全和质量验证
写样板代码的苦力活？AI 已经承担了大量这类工作。
我的个人收获
我是一名 SRE，如今可以在几天内交付全栈应用——不是因为我变成了更好的程序员，而是因为我学会了 将领域专长与 AI 能力结合。
从 一周卡在 vibe‑coding 地狱 到 三天交付生产 LLM 平台，这段旅程由 AI 促成。关键区别？理解 AI 并不取代专业知识，而是放大它。我的系统架构和性能优化的 SRE 背景在与 AI 的实现能力结合时变得更有价值，而不是更少。
让我兴奋的是： 我现在可以构建几个月前完全超出我技能范围的东西。
我学到的是： 领域知识 + AI 助手 = 乘数效应。跳过基础，你只会原地打转。
接下来会怎样？
我计划用 Rust 构建一个全栈应用——这是一门我从未学习过的语言。这将检验我发现的原则是否适用于不同领域。敬请期待。
关注我，获取更多云架构洞见、SRE 战争故事以及在 AI 时代生存的实用经验。
上一篇文章: AWS SRE’s First Day with GCP: 7 Surprising Differences