复盘vibe coding，做了一个skill来帮我

最近发布的AI分析产品是与chatGPT对话搓出来的，简单总结一下。

① vibe coding对话原则

让大模型先给方案，再执行。方案是需要人判断的，中间的问题细节需要让它修改调整。人确认后，它再写代码。

不懂就问。它反馈的内容如果是技术语言，不太看得懂就直接问，比如“如何理解……”，搞懂了再判断这个方案是否合理。不要担心在同一对话中生成问题分枝，通常大模型上下文窗口挺大的，只要不是问题一环套一环地逐渐开发主线，一句话就能拉回来继续开发。

说人话就行。如果本身就是开发人员，用技术语言当然更精准。但如果不太懂技术语言，就可以白话沟通，避免使用错误的技术语言让它产生更多误解。

② 我与chatGPTvibe coding是如何对话的

首先，说出理想中的产品结果。比如我想做个分析AI工具，它要有1、2、3功能，要有A、B、C页面，最终的成品报告要含有一、二、三章节。

这里的重要程度：功能>页面>样式，即最想让它来实现的目标最重要，可以给大模型一定自由度按照目标来设计规划。这一步弄完，大概率会有一个demo样子出来了，而这仅是开始。

其次，要说清楚每个功能希望它承担的职责。比如我的首页要有几个点击按钮，分别对应的是不同报告类型的选择，要有上传文件的按钮，文件个数上限等，即职责边界和限制需要说清楚。

再次，拆分功能是由LLM和规则代码如何配合实现。明确有几个调用LLM的环节，比如在用户输入文字的时候，要LLM判断用户上传的文字是否是有效，是否是分析问题，如果不是则需要返回重填。这里LLM来判断，而重新填写这个提醒动作是规则代码触发。

然后，是最重的一项工作，后端逻辑和信息流确定。在把LLM要负责的内容确定好之后，就好像在几个功能节点安排了各自大脑，大脑负责接收信息，按照它的执行设定完成信息的加工，然后按照规定数据格式输出信息。为保证这些信息的准确，不在信息传递中产生幻觉，在我的项目中会使用"证据"来串联，并且有一份对证据审核达标的标准，根据标准审核校验，这些判断是规则代码实现的。

最后，产品核心逻辑都搞定了，是产品测试和发布上线。

所有这些还仅是开发产品的过程，这中间依然穿插着很多不可抗力的外部依赖，比如域名注册、购买云服务、微信授权登录、支付渠道开通等等。遇上问题就直接回到vibe coding开发原则“问”。

上述过程，看似还很抽象，与我的AI分析产品问了什么问题离得还有点远。那么，来简单总结一下主要的问题框架。