第 2 章 Vibe Coding 原则与 AI 协作范式
- 理解 软件开发从编写代码到编排 AI 的范式转变及其对经济金融专业学生的意义
- 应用 Claude Code 的 Plan Mode 进行规划先行的开发实践
- 理解 胶水编程的核心理念和 MCP 协议的基本概念
- 应用 提示 → 生成 → 评估 → 优化的迭代循环方法
- 分析 基于四象限模型进行人机任务分配决策
第一章结尾，我们预告了 Effective Vibe Coding 方法论。这一章将系统展开这套与 AI 高效协作的完整工作流。
2025 年初，Andrej Karpathy 在社交媒体发布了一条简短的推文：
有一种全新的编码方式，我称之为 vibe coding。你完全沉浸在氛围里，拥抱指数式增长，甚至忘记代码本身的存在。
这条推文迅速走红，Vibe Coding 很快成为业界热词，年底更被柯林斯词典评为年度词汇之一。但 Vibe Coding 不只是一个流行词汇，它描述了一场正在发生的范式转变：软件开发的核心能力，正从编写代码转向编排 AI。
对经济金融专业的学生来说，这是一个历史性机遇。你不需要精通 Python 或 JavaScript，只需要学会清晰表达需求、有效引导 AI、审核验证结果。这正是本章要教的内容。
2.1 范式转变：从编写代码到编排 AI
一个真实的场景
小张是经济学专业大三学生，导师要他分析 10 家上市公司最近三年的财务数据。传统做法是先学几周 Python，写代码爬数据、清洗、计算指标、画图。小张没学过编程，面对这个任务一筹莫展。
但他发现身边同学用 Claude Code 只花了两个小时就完成了任务。同学这样做的：先告诉 AI 需要什么数据和指标，AI 自动生成代码并运行，同学检查结果后提出修改意见，几轮迭代后得到完整的分析报表。
小张困惑：这不是编程吗？同学回答：「我没写代码，我只是告诉 AI 我要什么，AI 帮我写代码。我的工作是检查它做得对不对、是否符合我的分析需求。」
这就是正在发生的范式转变。
软件开发的四个阶段
软件开发正在经历第四次范式转变。
传统编码时代（1950s-2010s）：程序员用 C、Java、Python 等语言，手写每一行代码。这要求精通语法规则、算法实现、框架使用。学习曲线陡峭，门槛很高。
低代码时代（2010s-2020）：Airtable、Notion 等工具让人们通过拖拽组件构建应用。开发门槛降低了，但表达能力有限，复杂需求仍需编程。
AI 辅助时代（2020-2024）：GitHub Copilot 等工具能预测和补全代码片段。程序员写代码的速度提升了，但本质上仍是人在主导每个实现细节。
AI 编排时代（2024 至今）：Claude Code、Cursor 等工具让开发者用自然语言描述需求，AI 自动生成完整功能。人的角色从代码编写者变成了 AI 编排者。
| 阶段 | 时期 | 核心特征 | 人的角色 |
|---|---|---|---|
| 传统编码 | 1950s-2010s | 手写每行代码 | 执行者 |
| 低代码 | 2010s-2020 | 拖拽组件 | 配置者 |
| AI 辅助 | 2020-2024 | 代码补全 | 主导者 |
| AI 编排 | 2024 至今 | 自然语言驱动 | 指挥者 |
软件 3.0：Karpathy 的洞见
Karpathy 把这种演进总结为软件版本的迭代：
- 软件 1.0：用传统代码编程计算机
- 软件 2.0：用数据和权重编程神经网络
- 软件 3.0：用自然语言编程大语言模型
软件 3.0 时代，提示词就是代码。你用自然语言对大语言模型发出指令，模型生成和执行程序逻辑。过去需要几百行代码才能实现的功能，现在可能只需要几句话。
这不是夸张。Karpathy 本人用 Vibe Coding 在不到一小时内开发了一个 iOS 应用——尽管他此前从未用过 Swift 语言。游戏开发者 Pieter Levels 用类似方法，17 天内做出了一款年收入百万美元的游戏。据公开报道，越来越多的创业公司表示其代码大部分由 AI 生成。
从演奏者到指挥家
理解范式转变的关键，是重新定义你的角色。
传统程序员像乐队中的演奏者。他需要精通每个音符的演奏技巧——语法规则、API 调用、算法实现。一个小错误，整首曲子就崩了。
AI 时代的开发者更像指挥家。指挥家不需要会演奏每种乐器，但需要理解音乐的整体结构，知道什么时候该强调什么、什么时候该收敛。他的工作是协调各声部，让它们协同产生预期的效果。
对应到 AI 协作：
- 不再手写每个函数，而是用自然语言清晰表达意图
- 不再调试每行代码，而是审查 AI 输出的质量与安全
- 不再纠结实现细节，而是做架构决策和方向判断
声明式思维 vs 命令式思维
传统编程采用命令式思维：告诉计算机如何做（How）。
# 命令式：一步步告诉计算机怎么做
result = 0
for i in range(10):
result += calculate(i)AI 编排采用声明式思维：告诉 AI 做什么（What）。
请计算从 0 到 9 的累加结果，使用 calculate 函数处理每个数字声明式思维的好处是抽象层次更高。你不需要关心具体实现，只需要清晰描述目标。AI 会根据上下文选择合适的实现方式。
这种思维方式对经济金融专业的学生特别友好。你本来就擅长描述问题、定义目标、分析需求——这些正是声明式思维的核心。你不擅长的语法细节、框架 API，现在可以交给 AI。
声明式编程（Declarative Programming）是一种编程范式，程序员描述想要的结果而非实现步骤。SQL 是典型的声明式语言：SELECT * FROM users WHERE age > 18 描述了你想要什么数据，而非如何查找它们。
对经济金融学生的机遇
这场范式转变对你意味着什么？
门槛大幅降低。以前，想用程序处理金融数据，需要先学几个月编程。现在，你可以用自然语言描述需求，让 AI 帮你写代码。
专业知识更有价值。AI 懂编程，但不如你懂金融。当每个人都能用 AI 写代码时，真正稀缺的是能提出正确问题、做出专业判断的领域专家。
人机协作成为核心技能。未来最有价值的不是纯粹的程序员或纯粹的分析师，而是能有效编排 AI、将专业知识与 AI 能力结合的人。
2030 年的金融分析师可能是这样工作的：用自然语言让 AI 收集数据、生成初步分析、制作报表，自己专注于判断洞察、客户沟通、战略建议。掌握人机协作的人将获得显著的生产力优势。
2.2 规划先行的设计与开发
为什么不能直接开始
很多人与 AI 协作的第一反应是直接开始：把需求扔给 AI，让它马上生成代码。这种做法往往效率很低。
最常见的问题是方向错误。就像盖房子不看图纸就开工，可能盖到一半才发现地基打错了位置。AI 在信息不足时会做出假设，这些假设可能与你的实际需求不符。
例如，某开发者让 Claude 实现实时仪表盘功能，AI 立刻开始编写 WebSocket 代码。但项目已经在用 Supabase，它内置了实时功能。如果先规划、先了解现有架构，就能避免重复造轮子。
规划先行的好处：
- 避免方向性错误：先确认理解一致，再投入执行
- 提高代码质量：AI 有机会理解整体架构，做出更合理的设计
- 节省时间成本：减少后期调试和返工
实践证明，使用规划模式能显著提高开发效率和项目成功率。
Claude Code 的 Plan Mode
Claude Code 专门设计了 Plan Mode（规划模式）来支持规划先行的工作方式。
启用方法很简单：按 Shift+Tab 两次，界面会显示 Plan 标识，表示进入规划模式。
在 Plan Mode 下，AI 不会直接修改代码。它会：
- 先阅读项目文件，理解现有结构
- 分析代码依赖关系
- 制定详细的实施计划
- 等待你审核批准后再执行
一个典型的对话：
用户：我想给应用添加暗黑模式切换功能
AI（Plan Mode）：
好的，让我先分析一下项目结构...
【实施计划】
1. 创建主题配置文件 (src/theme/config.ts)
- 定义亮色和暗色主题变量
2. 添加主题状态管理 (src/stores/themeStore.ts)
- 使用 localStorage 持久化用户偏好
3. 修改现有组件
- Header.tsx: 添加切换按钮
- App.tsx: 包裹 ThemeProvider
4. 更新样式文件
- 将硬编码颜色改为主题变量
预计影响：5 个文件
潜在风险：需要测试所有页面的显示效果
是否批准此计划？你可以对计划提出修改意见，反复讨论直到满意，然后再批准执行。
探索-规划-执行三阶段法
Claude Code 之父 Boris Cherny 分享过他的工作流：
我几乎所有会话都从 Plan Mode 开始。先和 Claude 反复讨论计划，直到满意为止，然后切换到自动执行模式。一个好的计划真的非常重要。
基于这一理念，我们可以将 AI 协作分为三个阶段：
第一阶段：探索（Explore）
让 AI 先了解现有情况。这个阶段不做任何修改，只是收集信息。
典型提示词：
先不要写代码，帮我了解一下这个项目的结构，
特别是与 [功能X] 相关的部分。第二阶段：规划（Plan）
让 AI 制定实施方案。明确要创建或修改哪些文件、执行顺序、潜在风险。
典型提示词：
我想实现 [功能描述]。
请先给我一个实施计划，包括：
1. 需要创建/修改的文件
2. 实施步骤
3. 潜在风险
不要直接写代码。第三阶段：执行（Code）
审核通过后，让 AI 按计划实施。
典型提示词：
计划看起来不错，请按照计划开始实施。
完成每个步骤后告诉我进度。这三个阶段可以迭代。执行中发现问题，回到规划阶段调整；信息不足，回到探索阶段收集更多背景。
CLAUDE.md：项目的记忆文件
Claude Code 有一个特殊功能：它会在每次对话开始时自动读取项目根目录的 CLAUDE.md 文件。你可以把它当作项目的入职说明书——让 AI 一进来就知道项目背景、技术栈、代码规范、注意事项。
一个 CLAUDE.md 模板：
# 项目概述
这是一个金融数据分析平台，主要功能是...
# 技术栈
- 前端：React + TypeScript
- 后端：Python + FastAPI
- 数据库：PostgreSQL
# 代码规范
- 使用函数式组件
- 变量命名采用驼峰式
- 每个函数需要注释
# 常用命令
- npm run dev: 启动开发服务器
- pytest: 运行测试
# 注意事项
- 不要修改 /generated/ 目录下的文件
- 敏感配置在 .env 中，不要提交有了 CLAUDE.md，你不需要每次对话都重复说明背景。AI 会自动理解项目约定，生成符合规范的代码。随着项目推进，你可以不断更新这个文件，记录重要决策和学到的教训。
金融场景：投资研究的规划先行
让我们用一个金融场景来说明规划先行的价值。
假设你要分析一家上市公司。传统做法是直接让 AI 写分析，但更好的方法是：
探索阶段：
我要分析 [公司名称] 这家公司。
请先告诉我分析一家上市公司通常需要哪些信息？
数据来源有哪些？规划阶段：
基于刚才的讨论，请制定一个分析计划：
1. 需要收集哪些数据
2. 分析的顺序和框架
3. 最终输出什么格式的报告执行阶段：
计划批准。请按步骤执行：
1. 先收集基本面数据
2. 完成后告诉我，我审核后再进行下一步这种方法确保了：你和 AI 对任务的理解一致；分析框架经过讨论确认；每一步都有审核机会。
2.3 胶水编程
什么是胶水代码
胶水代码（Glue Code）是软件开发中一个重要概念。它指的是连接不同软件组件的代码——本身不包含业务逻辑，而是负责协调和整合。
想象你在做一份研究报告。数据来自 Excel、新闻来自网页、图表要用专门的工具生成。把这些来源整合成一份完整报告的工作，就是胶水的角色。
胶水代码的特点：
| 特性 | 说明 |
|---|---|
| 连接性 | 连接不同模块或服务 |
| 无业务逻辑 | 专注于数据传递和格式转换 |
| 轻量级 | 代码量少，但作用关键 |
| 适配性 | 处理不同接口之间的差异 |
Python 之所以被称为胶水语言，正是因为它特别擅长这种连接工作——可以调用 C 库、操作数据库、访问网络服务，把各种组件粘合在一起。
能连不造的开发哲学
Vibe Coding 把胶水编程提升到了核心位置。核心理念是：能抄不写，能连不造，能复用不原创。
传统编程鼓励从零实现功能。但在 AI 时代，更高效的方法是组合现有组件。原因有三：
减少幻觉风险：AI 在生成全新代码时可能出错。但如果只是调用经过验证的现有库或服务，出错概率大大降低。
降低复杂性：每个被调用的组件都是久经考验的成熟代码，有完善的文档和社区支持。
提高效率：与其让 AI 从头实现一个功能，不如让它找到并调用合适的现有工具。
| 维度 | 传统编程 | 胶水编程 |
|---|---|---|
| 代码来源 | 从零编写 | 组合现有组件 |
| 技能要求 | 精通编程语言 | 理解系统架构和接口 |
| 开发速度 | 较慢 | 快速 |
| 维护成本 | 需维护全部代码 | 只维护连接逻辑 |
| 风险控制 | 可能引入新 bug | 使用经过验证的组件 |
MCP 协议初步介绍
MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的开放协议，为 AI 应用与外部工具、数据源的集成提供了标准化接口。
在 MCP 出现之前，如果想让 AI 调用外部工具，需要为每个工具编写自定义的集成代码。有了 MCP，这种情况变成了统一协议、标准化接口的方式。MCP 就像 AI 系统的万能胶水——一个统一的协议，让 AI 能够安全、高效地访问各种外部资源。
MCP 的三个核心组件：
| 组件 | 功能 | 举例 |
|---|---|---|
| 工具（Tools） | 执行具体操作 | 搜索网页、读写文件 |
| 资源（Resources） | 访问外部信息 | 数据库查询、API 调用 |
| 提示（Prompts） | 管理对话流程 | 预定义的交互模板 |
第 7 章「工具使用」会详细讲解 MCP 协议的架构、Server 开发和实战应用。这里只需要理解核心概念：与其让 AI 从头实现功能，不如让它连接已有的成熟服务。
模块化思维
胶水编程背后是模块化思维。把系统拆分成独立的模块，每个模块执行特定功能，通过标准接口通信。
模块化的核心原则：
- 独立性：每个模块可以独立开发和测试
- 互操作性：模块之间通过标准接口通信
- 可重用性：模块可在不同项目中复用
- 可替换性：可以用更好的模块替换现有模块
用投资分析来类比：你不需要自己写爬虫抓取财报数据，可以用 Wind 或 Choice 的 API；不需要自己实现情感分析算法，可以调用现成的 NLP 服务；不需要自己设计报表模板，可以用专业的可视化工具。你的工作是把这些模块组合起来，形成有价值的分析流程。
金融场景：舆情分析的胶水架构
假设你要构建一个金融舆情分析系统。传统做法是从零实现每个功能。胶水编程的思路是组合现有组件：
你的工作不是实现每个模块的内部逻辑，而是设计整体架构、选择合适的组件、编写连接它们的胶水代码。这样既能快速构建系统，又能保证各模块的可靠性。
2.4 迭代循环：计划-执行-评估-优化
PDCA：经典的改进框架
迭代开发是 AI 协作的核心方法论。我们借用管理学中的 PDCA 循环来理解它。
PDCA（Plan-Do-Check-Act）又称戴明循环，是持续改进的经典框架：
在 AI 协作中，这四个阶段对应：
计划（Plan）：确定目标、分析现状、制定方案 执行（Do）：让 AI 按计划生成代码或内容 检查（Check）：验证输出是否符合预期 行动（Act）：总结经验、调整策略、开始下一轮
这个循环不是只转一圈。复杂任务可能需要多次迭代，每一轮都在前一轮基础上改进。
Effective Vibe Coding 的核心循环
第一章简要介绍了 Effective Vibe Coding 的核心循环：提示 → 生成 → 评估 → 优化。现在我们详细展开每个环节。
提示（Prompt）
清晰描述你想要实现的功能。好的提示包含：
- 具体的目标和期望结果
- 必要的上下文和约束条件
- 可能的话，给出示例
提示词的质量直接决定输出质量。模糊的提示产生模糊的结果。
❌ 模糊提示：帮我分析这个公司
✅ 具体提示：请分析 [公司名] 2024 年的财务状况，重点关注：
1. 营收增长趋势
2. 利润率变化
3. 现金流健康度
输出格式：表格 + 简要分析（300 字以内）生成（Generate）
AI 根据提示生成代码或内容。这个阶段你要保持开放心态——AI 的实现方式可能与你预期不同，但可能同样有效甚至更好。
生成过程中，AI 可能一次产出完整功能，也可能分步骤完成。复杂任务通常需要拆分成多个生成步骤。
评估（Evaluate）
这是人类发挥关键作用的环节。评估包括：
- 运行代码，检查是否符合预期
- 审查逻辑，确保没有明显错误
- 测试边界情况和异常处理
- 验证数据准确性（特别是在金融场景）
不要盲目信任 AI 的输出。即使看起来正确，也要抽查验证。
优化（Optimize）
根据评估结果，提出改进建议。优化可能包括：
- 修复发现的问题
- 改进代码结构或性能
- 添加缺失的功能
- 优化输出格式
优化后回到提示环节，开始新一轮循环，直到达到满意结果。
迭代的节奏与粒度
有效的迭代需要把握节奏和粒度。
小步快跑：每次迭代只处理一小块功能。不要试图一次让 AI 完成整个系统。小步迭代更容易发现问题，也更容易调整方向。
即时验证：每生成一段代码就运行测试。不要等全部完成再验证。问题发现得越早，修复成本越低。
保持耐心：复杂功能可能需要多轮迭代。如果一次提示没有得到满意结果，优化提示词再试，而不是放弃或另起炉灶。
建议的任务粒度：保持在 1-3 小时可完成的范围。太大的任务难以验证，太小的任务效率不高。
测试验证的重要性
AI 生成的代码同样需要测试。测试不是可选的，而是必须的。
测试类型：
| 测试类型 | 目的 | 要点 |
|---|---|---|
| 单元测试 | 验证单个函数的正确性 | AI 生成的每个函数都需要对应测试 |
| 集成测试 | 验证组件协作 | 测试 AI 代码与现有系统的兼容性 |
| 边界测试 | 验证异常处理 | 空值、极端值、错误输入 |
| 业务测试 | 验证业务逻辑 | 金融计算的准确性 |
一个好习惯是让 AI 同时生成代码和测试。提示词可以这样写：
请实现 [功能描述]，同时编写对应的单元测试，
覆盖正常情况和边界情况。测试驱动开发（Test-Driven Development，TDD）是一种软件开发方法：先写测试，再写代码，让代码通过测试。在 AI 协作中，可以变体使用：让 AI 先写测试（定义预期行为），你审核测试是否正确，然后让 AI 写代码通过测试。
金融场景：报表生成的迭代优化
假设你要让 AI 生成一份投资分析报表。完整的迭代过程可能是这样的：
第一轮：
提示：请生成一份关于 [公司] 的投资分析报表
评估：报表结构混乱，数据没有来源，缺少关键指标
第二轮：
提示：请按以下结构重新生成报表： 1. 公司概况（行业、主营业务） 2. 财务分析（营收、利润、现金流） 3. 估值分析（PE、PB 与行业对比） 4. 风险提示
每个数据需要标注来源
评估：结构改善了，但估值分析不够深入，缺少图表
第三轮：
提示：估值分析部分请补充： 1. 历史 PE 走势图 2. 与同行业公司的对比表 3. DCF 估值的关键假设
评估：内容完整了，检查数据准确性…
第四轮：
提示：以下数据需要核实和修正：[具体问题]
评估：通过验证，可以使用
四轮迭代后，你得到了一份符合要求的报表。这个过程中，你作为指挥者把握方向和质量，AI 作为执行者完成具体工作。
2.5 四象限任务分配模型
人类与 AI 的比较优势
有效的人机协作建立在互补性原则之上。人类和 AI 各有所长，关键是把合适的任务分配给合适的角色。
人类的核心优势：
| 能力维度 | 具体表现 | 适合任务 |
|---|---|---|
| 战略规划 | 长期目标和优先级 | 项目管理、业务发展 |
| 常识推理 | 对现实世界的直觉理解 | 风险评估、危机处理 |
| 情感智能 | 理解和管理人际关系 | 客户服务、团队领导 |
| 伦理判断 | 考虑道德影响 | 合规决策、社会责任 |
| 创造力 | 产生原创想法 | 创新研发、战略设计 |
AI 的核心优势：
| 能力维度 | 具体表现 | 适合任务 |
|---|---|---|
| 大规模处理 | 快速处理海量数据 | 数据分析、模式识别 |
| 一致性执行 | 7×24 小时稳定工作 | 监控预警、批量处理 |
| 模式识别 | 识别复杂数据模式 | 风险预测、异常检测 |
| 多任务并行 | 同时处理多个任务 | 信息汇总、并行计算 |
| 客观性 | 不受情绪影响 | 标准化评估、公正审核 |
| 知识整合 | 整合跨领域知识 | 综合研究、跨学科分析 |
理解这些互补性，是合理分配任务的基础。
基于复杂度与创造性的四象限模型
最常用的任务分配框架是四象限模型，以任务复杂度和创造性要求为两个维度。
第一象限：AI 全自动（低复杂度 + 低创造性）
AI 独立完成，人类仅做最终审核。
金融场景：数据清洗、格式转换、常规报表生成、财报数据提取
第二象限：AI 辅助创作（低复杂度 + 高创造性）
AI 提供素材和建议，人类做创意决策。
金融场景：营销文案撰写、投资建议信初稿、社交媒体内容
第三象限：结构化模板（高复杂度 + 低创造性）
人类定义规则框架，AI 执行复杂计算。
金融场景：财务分析模型、风险评估计算、合规检查清单
第四象限：人机共创（高复杂度 + 高创造性）
人类与 AI 深度协作，迭代优化。
金融场景：战略规划、产品设计、深度研究报告
基于风险的任务分配
除了复杂度和创造性，风险等级是另一个重要的分配维度。风险越高，人类参与度应越高。
| 场景类型 | 风险等级 | 建议分配 |
|---|---|---|
| 数据录入 | 低 | AI 全自动 + 抽检 |
| 内容生成 | 中 | AI 生成 + 人工审核 |
| 客户服务 | 中高 | AI 初筛 + 复杂问题转人工 |
| 财务交易 | 高 | AI 辅助 + 人工决策 |
| 医疗诊断 | 极高 | AI 仅作参考 + 医生主导 |
人类监督的三种模式：
| 模式 | 英文 | 描述 | 适用风险等级 |
|---|---|---|---|
| 人在指挥 | Human-in-Command | 人类控制所有 AI 行动 | 高风险 |
| 人在回路 | Human-in-the-Loop | AI 执行前需人类批准 | 中高风险 |
| 人在旁观 | Human-on-the-Loop | AI 自主执行，人类监督 | 中低风险 |
AI 自主等级框架
更细化的分类是五级自主等级模型：
| 等级 | 名称 | 自主度 | 人类角色 |
|---|---|---|---|
| Level 0 | 纯手动 | 0% | 全部由人类处理 |
| Level 1 | AI 辅助 | 20-40% | AI 提供建议，人类决策 |
| Level 2 | 半自主 | 40-60% | AI 自动化常规任务，关键行动需批准 |
| Level 3 | 有条件自主 | 60-80% | AI 高度自主，人类处理例外 |
| Level 4 | 完全自主 | 80-100% | AI 全权处理，人类仅事后审计 |
选择哪个等级，取决于：
- 任务的可逆性（错误能否补救）
- 后果的严重性（出错损失多大）
- AI 的可靠性（历史表现如何）
- 时间的紧迫性（是否需要快速响应）
金融场景：研究报告的人机分工
以生成研究报告为例，展示如何应用四象限模型进行任务分配：
阶段 1：资料收集
├── AI 负责：自动搜索公开数据、财报、新闻
├── 人类负责：确认数据来源可靠性
└── 自主等级：Level 3
阶段 2：初稿生成
├── AI 负责：按模板生成各部分初稿
├── 人类负责：确认框架结构、核心观点
└── 自主等级：Level 2
阶段 3：深度分析
├── AI 负责：数据验证、补充分析
├── 人类负责：专业洞察、判断结论
└── 自主等级：Level 1
阶段 4：审核修订
├── AI 负责：一致性检查、格式校对
├── 人类负责：最终审核、质量把关
└── 自主等级：Level 2这种分工让 AI 处理它擅长的数据收集和格式化工作，人类专注于需要判断力的分析和决策环节。
动态调整原则
任务分配不是一成不变的。随着以下因素变化，需要动态调整：
AI 能力提升：模型升级后，可能把更多任务交给 AI
信任度积累：AI 在某类任务上表现稳定后，可以提高自主等级
情况变化：出现异常情况时，增加人类参与度
学习效应：从每次协作中学习，优化分配策略
一个好习惯是记录每次协作的效果：AI 做得好的地方、需要人工干预的地方、可以改进的地方。这些记录是优化分配策略的宝贵依据。
本章小结
本章系统讲解了 Effective Vibe Coding 方法论，核心要点如下：
- 软件开发正经历从编写代码到编排 AI 的范式转变，自然语言成为新的编程语言，经济金融专业学生迎来历史性机遇
- 规划先行是高效协作的基础：先探索、再规划、后执行，避免方向性错误，Claude Code 的 Plan Mode 专门支持这种工作方式
- 胶水编程是 Vibe Coding 的终极形态：能连不造，通过组合现有组件而非从零编写来构建系统，MCP 协议提供了标准化的连接方式
- 迭代循环是核心方法论：提示 → 生成 → 评估 → 优化，小步快跑，即时验证，持续改进
- 四象限模型指导人机任务分配：根据复杂度、创造性、风险等级，把合适的任务分配给合适的角色
下一章，我们将动手安装和配置 Claude Code，把这些理念付诸实践。
实验 2：Vibe Coding 初体验
实验目标
- 体验规划先行的工作方式
- 实践提示 → 生成 → 评估 → 优化的迭代循环
- 理解人机任务分配的原则
实验准备
- 已安装 Claude Code（如未安装，请先跳过本实验，在学完第 3 章后回来完成）
- 准备一个简单的分析任务（如分析某只股票、某个行业）
- 预计时长：45-60 分钟
实验步骤
第一部分：规划先行（15 分钟）
- 进入 Plan Mode（按
Shift+Tab两次） - 向 AI 描述你想完成的分析任务
- 让 AI 制定实施计划，不要直接执行
- 审核计划，提出至少一处修改意见
- 讨论修改，直到计划满意
第二部分：迭代执行（20 分钟）
- 批准计划，让 AI 开始执行第一步
- 评估第一步的输出，记录优缺点
- 根据评估结果，优化提示词
- 继续下一步，重复迭代
- 至少完成三轮迭代
第三部分：任务分配反思（10 分钟）
- 回顾整个过程，哪些部分 AI 做得好？
- 哪些部分需要你的判断和干预？
- 如果再做一次，你会如何调整分工？
思考题
- 规划阶段和直接执行相比，有什么不同体验？
- 在你的任务中，哪些属于四象限模型的第一象限（AI 全自动）？哪些属于第四象限（人机共创）？
- 你认为随着 AI 能力提升，任务分配会如何变化？