上周我又去了趟法国。到了法国,头等大事就是敞开肚皮吃好吃的。因为论敞开肚皮吃,世界上没哪儿比得过法国。
但有个问题:法国随便哪座城,只要你进的不是专做游客生意的馆子,而是家地道的小餐馆,那往好了说 (老板字写得好看,而且今天起床心情也不错) ,菜单大概长这样:

给没去过法国的朋友说清楚点:哪怕你管人家要的是「菜单」,拿到的也不是你见惯了的那种带图的漂亮小册子。人家是真把这么块黑板往你桌上一摆,当天的菜全是白粉笔写的(法语)。您请,先生!给女士们来点葡萄酒?
是,我们一般运气不错,同行的朋友里通常有人会法语。可有时候,你就是想敞开肚皮吃好吃的,偏偏朋友又不在身边。
就这么着,我老早就琢磨出了个创业点子。
ChatGPT(还有它的那些同类)有个挺有意思的本事:认手写字,好得出奇。哪怕是医生的鬼画符,或者一份用塞尔维亚语写的警方笔录(别问我怎么知道的)。比以前那些 OCR 应用强出一大截。

于是这回去法国,我脑子里就蹦出了这么个蠢到家又天才到家的念头:
得做个应用,拿它给餐馆菜单拍张照,它就把菜一道道列出来,用你看得懂的语言介绍每道菜,还配上照片,让你看看端上来到底长啥样。再加个评分……再加个……
我敢不敢肯定,App Store 里这种应用起码已经有二十来万个了?当然敢。我在乎吗?不在乎))00)
于是咱们终于说到了这篇的正题——氛围编程!
我不知道「氛围编程」(vibe coding)这个词是谁想出来的,不过它火起来,是在 Andrej Karpathy 发了这条推之后:

氛围编程是这么回事:现在有了 Claude Sonnet、Cursor 这些靠大语言模型(LLM)生成代码、甚至生成整个项目的工具(我在年终总结里写过 Cursor),我们这些喜欢晚上写点东西玩的人就多了一种编程方式:跟大模型聊天,甚至直接动嘴说。
打开 Cursor 或者别的什么 AI IDE,建个空项目,直接在聊天框里发消息,告诉它你想做出个什么东西。
比如我,一上来给的提示词是这样的:
从零开始给我做个 React 应用。我的想法是,用它给餐馆菜单拍张照,它能翻译菜单,列出菜品,再从网上找来每道菜的照片配上。要做成 PWA,有个按钮可以打开相机或者从相册选照片,然后把照片发给 ChatGPT,让它解析文字,列出菜品(包括分类和价格),再调个图片 API,按菜名上网找图。用户能看到菜品列表,点开其中一道就能看到更多图片和这道菜的介绍。
接着我把提示词发给 Le Chat Sonnet……

然后神奇的生成式 AI 就变魔术似的给我变出了……
一坨屎。
项目结构一塌糊涂,什么都往一个组件里塞,调 OpenAI API 不用现成的标准库,非得自己发 REST 请求。页面不拆,进度不提示,几百个请求来来回回地跑,连个缓存都没有。总之就跟新人写的一样。正常人用不了这玩意儿。

不过它选了 React + Vite + MUI,这点我喜欢。我虽然是写后端的,但我们小区那帮前端哥们儿说了,做原型嘛,体面绅士都选这套。
而且它居然跑得起来!
照它说的先来个 npm create/install,再来个 npm run dev,还真能启动一个(差不多)能用的项目。你只要手动改一下配置里的两个 API 密钥,再把 OpenAI 模型换成现在的版本就行。

总的来说,能用。
不过这下你就明白了:跟大模型说话,不能当成两个老手在对话,得像老手带新人。你开始把要求说得更具体了。
每个页面,每个按钮,每处布局,各个页面上按钮和图标的大小,菜单放哪儿,返回按钮在哪儿,甚至用哪个框架——全得由你点出来,说清楚。
就跟在 Jira 上给一个特别、特别笨的开发写工单一样。只不过结果立马就有,不用开上两个月的会讨论该选哪个 CSS 框架。
不能一上来就指望大模型搞定多复杂的东西,不然干到一半它就累趴下了(跟真的程序员一样)。你得想清楚那个最小可用产品(MVP)到底是什么,把它描述出来:第一版要尽可能简单、基础,但又得跑得起来,能用,而且能解决你最想解决的那个问题。
总之,现在你算是给大模型当产品经理了。欢迎入行!希望真正的产品经理还没发现,他们已经用不着程序员了……
行吧。
好,这回生成的应用结构乍一看挺像样。四个页面,加载指示器,URL 路由,甚至还给菜单模型单独做了个服务,专门处理菜单的业务逻辑。看来那门《13 天成为 Web 开发者》的课没白上。氛围加一!

📝 注意:我写这篇的时候,为了截图又把提示词跑了几遍,每次出来的结果都不一样,有时候项目干脆就跑不起来。所以你要是复现不了,就改改提示词,跟它斗到赢为止!
第一个页面可以从相册选一张菜单照片,也可以打开相机;第二个页面分析照片,配了个挺好看的 Material UI 加载动画;第三个页面就是菜单本身,菜都是带图的。
应用图标我也是用 DALL-E 生成的,还特地交代它加点法国味儿。出来的是坨地摊货,不过氛围倒是对了。那两撇小胡子画得挺漂亮。


第一眼就能看出一个问题:它给 ChatGPT 写的提示词实在太烂。拿回来的结果连解析都过不了,因为 ChatGPT 返回的根本不是 JSON,而是一段 Markdown 文本。不过也不意外,到现在大模型还是不太会给别的大模型写提示词。
所以咱们得把从别的文章里学来的那点提示词工程知识全用上,手动改改。大概这样:

第二个我不喜欢的地方:它决定用 Unsplash 搜图。Unsplash 是不错,但不太适合咱们,那里大多是图库素材,咱们想要的是 Google 搜索里那种实拍图。不过听说 Google 的 API 收费挺狠,要不试试 Bing?
就这么原话告诉它:

写出来的代码能用,不过得先搞到一个 Bing Search 的 API 密钥。为此我注册了 Microsoft Azure,闯过八道验证关,填了我所有信用卡的资料,上传了我家狗和脏内裤的照片,还把房子给抵押了。
就这样我也没搞成。Azure 动不动就挂,控制台里随机报错,连个搜图用的测试 API 密钥都不让我建。我愣是没搞懂。可惜这种事大模型暂时还帮不上忙。氛围减一。

算了,不管了。微软稳定发挥,又做了坨屎。Azure 那界面真恶心。
扔掉 Bing,让 Cursor 全部改用 Google API。至少 Google 没报错崩掉,给了我一个能发一万次请求的测试密钥。图片终于出来了。
换个简单点的问题,看看氛围还在不在。
没错,我想要的是一个完全本地优先、不用自己设服务器的应用。可要让 ChatGPT 识别照片,总得从哪儿弄个 OpenAI 密钥吧,又不能明晃晃地写在代码里。
所以我琢磨着,一个免费的原型,让用户自己填 ChatGPT 密钥,也没什么不合适。用了多少 ChatGPT 就自己付多少钱。以后再用我们自己的密钥做个收费版。
我让 Cursor 改改菜单分析页面,让它向用户要 OpenAI 密钥,存到本地存储里,留着以后发请求用。

应用,保存,再应用——嘿,能用!氛围加一!

不过好像还少了点什么……
传完照片,屏幕会长时间停在「正在分析图片……」。这期间后台在施各种魔法,比如把图片转成 base64,通过 OpenAI API 传上去,再接收一段长到没边儿的 JSON。
这套流程要花二三十秒,用户等得多心酸啊。他可能会无聊,会抑郁,会跑去看 PornHub,或者加入绿党——那氛围肯定得减一。
从用户体验来说,这时候最简单的办法就是把刚上传的照片给他看,让他有个东西盯着,不至于无聊!
那就跟它说:

这下加载页面有意思多了。趁大模型还在那儿吭哧吭哧地干活,你可以看看刚拍的照片,试试自己能不能认出几个菜名……

题外话:我才反应过来,法国可是欧盟里唯一有自己的生成式 AI 的国家。我敢肯定,就是因为他们自己也得靠它看菜单!
行,现在居然什么都能用了,可咱们这个新的「创业项目」总给人一种不太对劲的感觉!
大概因为它看着像坨辣眼睛的屎,一看就是搞 IT 的人做的。

以我的经验,MUI 的默认样式向来都很……往好听了说,叫朴素。它就等着你给它来一记老拳一套活泼点的主题呢!
可我哪知道现在流行什么主题。上 Google 一搜 「material ui themes」,出来一堆 66 美元一套的收费模板。给资本家送钱,氛围减一。
那就再使一次大模型魔法,直接跟它说:「咱这应用咋看着像坨屎啊,给它整套好看、时髦、现代的 MUI 主题。」 别笑,还真管用。

氛——围——拉满!




用起来烂得要死,架不住它好看啊!
哎,靠,等会儿。怎么报错了。不过这会儿咱们正上头呢,三瓶小啤酒都下肚了,再自己查哪里出了问题,那多不合适。让「用 AI 修复」按钮替咱们干活吧。





这才像话嘛!

咱们的「创业项目」差不多可以传到 GitHub,去推特上收赞了。它还真按我的设想跑通了:拿到照片和 ChatGPT 密钥,解析菜单,分好类,列出菜品,配上照片,甚至还能告诉你用了什么食材,这道菜有什么来历,有哪些过敏原。
这就能给纯素食者和过敏人群卖付费订阅了。或者干脆一头扎进 B2B,天天给餐馆生成漂漂亮亮的带图 AI 菜单。
不过还有那么一个小细节,搞得我没法把它往 GitHub Pages 上一放,让大伙儿也乐一乐:它用的还是 Google 图片搜索,每 1000 次请求收费 5 美元。
我甚至专门拉上 ChatGPT Pro 里我那几位想象出来的专家朋友,正经做了番调查。结果发现,如今的互联网上,还真就没有一个开放又免费的搜图 API。
真他妈离谱。
不是,你们想想。我们都能把汽车送上太空,坐上时速 500 公里的火车,连人工智能都发明了,可到!现!在!输入「培根煎蛋卷」,居然还没办法免费搜到培根煎蛋卷的图片。想享受这种奢侈服务,Google、Bing 之流要收你每千次请求 5 美元。
1000 次请求,够干嘛的。菜单上只要有个一两百道菜,你每拍一张照片就得给 Google 交整整一美元。操。这样还创个屁的业。氛围减一。

光是开发那两三个小时,我那一万次免费额度就用掉了 2500 次。让用户再自备一个 Google API 密钥?这主意想都不用想,我自己都花了好几个小时才弄到手。
我还真试过别的办法。比如不要照片了,让 DALL-E 根据菜单生成菜品图片。可它的限额卡得特别狠,一张图要生成二十秒左右,一份菜单下来得花两三个小时,钱也得花上好几十美元。
我也试过不走 API,直接爬网页,可这回 Sonnet 和 ChatGPT 都没帮上忙。没有一个搜索引擎(连 Pinterest 这破玩意儿都算上)能让你好好地按关键词把图爬下来。
偏偏这创业项目最要紧的就是图。认法国餐馆老板的鬼画符,你认得再牛逼,给人看不到菜长啥样,你还是输了。
于是我也输了。拜啦!
代码我当然会放出来,演示就没了:https://github.com/vas3k/stuff/tree/master/javascript/aimenu
后来我又拿这个新项目玩了一阵,不停地让 Cursor 和 Sonnet 给它加点东西。我加了个 dataService,把数据缓存在模型里,再存进 Local Storage,甚至还能从里面调出历次扫描记录来看。
我扩充了提示词,让 ChatGPT 顺带告诉我这道菜的来历、是哪个地方的菜,还有该怎么吃。

还试着玩了玩排名,比如让 ChatGPT 按几个维度给菜单上的每道菜打分,这样我就能挑出这家店最有意思的一道。结果做出来跟屎一样,我就放弃了。
到这儿,好像已经没那氛围了。
可惜咱们创业没成,不过这一晚上我玩得是真开心!
最后总结一下,我有三个体会:
1. 你跟大模型聊得越久,它写的代码就越烂。
前阵子不记得在哪儿读到过一个研究,说跟大模型聊天最好时不时「重开」一下,因为聊天记录越长,上下文越大,它就越「变笨」。搞氛围编程的时候,这点特别明显:到后来,它给代码添乱的时候比帮忙的时候还多。
最开始,生成的代码真就只用改一两处就能跑;到现在,每次都得把大模型煮出来的那锅面条代码重写个 10% 到 20%。
不知从哪一刻起,感觉就从「我效率可真高,大模型能帮我写代码」变成了「怎么搞的,我给它修错花的时间,比自己写代码还长?」
跟大模型写代码,还真就是带新人 :)
2. 项目一旦过了「原型」阶段,反倒又是按「老办法」写更省事。
一方面,Cursor 的开发团队确实挺会往大模型的上下文里塞东西,依赖、相关模块之类,该有的都有。还想再加什么,用「@」引用文件甚至整个文件夹就行。所以它要是有啥「不知道」的,那是你自己技术不到家。
另一方面,大模型的上下文终究有限。而且上一条咱们也看到了,真正卡住你的与其说是技术上限(现在的模型能装的 token 其实挺多),不如说是那个飘忽不定的临界点:谁也说不准到哪儿,模型就会莫名其妙地开始「变笨」。
所以,待在一个总聊天框里大笔一挥,让它整块整块地写,对小项目(或者微服务)挺管用。但等项目长到哪怕只是个能正式上线的应用,你清理垃圾代码花的时间都比从头写还长。
所以到了中大型项目,我就不太用那个大聊天框了,更多是直接在文件里让大模型编辑(就是按 Cmd+K 那个),一点点应用修改,每一步都自己盯着。
比如「把这个函数改一下,输入不要文件对象,要原始字节」,或者「给这个 React 组件加个加载指示器」。说白了,就是常规的大模型辅助编程。感觉大家都已经这么写了。
但这就不是氛围编程了。
3. 等着吧,生产环境里马上就会有一大坨氛围屎代码了。
接下来氛围编程会流行起来,我们都会淹没在一堆狗屎原型和 GitHub 上质量惨不忍睹的提交里。我掐指一算,这个词迟早要臭大街,到时候氛围程序员敢进正经地方,人家都得抄起沾了尿的抹布把他们轰出去。
所以,在家做个原型自己玩是一回事,把氛围代码往生产环境里塞,是另一回事。不过跟所有流行工具一样,这事躲不掉。
要是哪天我真决定把这个点子做完,做成能上线的服务,我会从头重写。当然也少不了 AI 帮忙,不过这回,前后端都会由我自己全程把关。
还有,当然得付费才能用!:3