下水道管道缺陷检测源码实战：图像预处理与弧线检测全流程解析
2026/10/7 15:40:01
简介：AI 编程不等于 Vibe Coding，真正要练的是设计、思考、拆解、验证这些 AI 替代不了的判断，再在真实项目里把判断练成习惯
Engineering 与 Vibe Coding
简介：企业级 AI 编程要的是 Engineering 能力，Vibe Coding 只是其中很小的一部分
- 企业级的三个要求
| 维度 | 要求 |
|---|---|
| 复杂的业务需求 | 设计或改造现有系统，需求分析 + 功能拆分，多系统协作、上下游打通 |
| 完整的工程交付 | 考虑性能瓶颈与风险，快速上线与线上问题响应，持续迭代 |
| 真实的团队环境 | 团队协作与对齐，代码质量与可维护性，AI 是工具、人是决策者 |
- 两类 AI 编程
Vibe Coding：不需要懂编程，靠写 Prompt 和 AI 协作做出作品
- 需求简单、单体产品，不考虑长期维护，能用就行
Engineering：面对复杂业务，做设计、拆解、实现、风险评估、多系统协作
- 覆盖项目全生命周期，AI 是杠杆，人是设计者，需要扎实的编程基础
两者是单向不可逆的包含关系（⊄）
- 做 Engineering 的人会用 Vibe Coding，只会 Vibe Coding 的人做不了 Engineering
注意点
- 把 AI 编程等同于 Vibe Coding 是最常见的误解
AI 编程的演进路线
简介：AI 编程沿着四个阶段演进，后一站是对前一站的扩展而不是替代
红色节点是当前最热的方向
关键点
- Context Engineering（上下文工程）：让 AI 在正确的信息边界内工作
- Harness Engineering（约束工程）：用测试套件和约束框架验证 AI 输出的正确性
- Loop Engineering（循环工程）：控制 AI 执行循环的粒度、检查点与回滚
- 大部分人对 AI 编程的印象还停在第一站
工程能力不会过时
简介：AI 编程本身不复杂，拉开差距的是熟练度和计算机基础
两个论点
- 这行始终是熟练度的活：
时间 × 实践 = 能力- AI 编程用多了就会，谁花的时间多谁强
- 该学的东西一样都躲不开：
基础 × AI = 10 倍杠杆- 计算机基础、网络、操作系统、存储、缓存、数据库，AI 不会帮人跳过，只会让懂的人如虎添翼
- 这行始终是熟练度的活：
结论
- 目标是成为更好的 Engineering，而不是被工具替代的人
AI 编程的五个核心环节
简介：设计、思考、拆解、执行、验证五个环节里，只有执行交给 AI
分工
- 人负责执行两端的四件事
- 设计：想清楚要做什么
- 思考：权衡路线与取舍
- 拆解：拆成可执行的块
- 验证：判断对不对、收口
- AI 负责执行：把代码写出来
- 人负责执行两端的四件事
核心结论
- 执行越来越便宜，价值全在前置的设计、思考、拆解和后置的验证
- 编码已经不是最重要的环节
真正要学的东西
简介：工具是入场券，所有人都会有；拉开差距的是认知、经验、长期竞争力和开源资产
- 学工具 vs 学判断
| 以为在学（会过时） | 真正要学 |
|---|---|
| Claude Code、Cursor 怎么用 | 对 AI 编程的正确认知 |
| prompt 技巧、MCP 配置 | 用 AI 做大项目的经验和熟练度 |
| 今天熟练，明年可能换代 | 可迁移、能增值的长期竞争力 |
| 所有人都会有 | 进入开源、能写进简历的资产 |
认知比工具重要
- 工具层：半年后可能变样、可能被替代，学完一个还要追下一个
- 认知层：本质与演进、工具全景和边界、工程师的位置、判断新工具的底座
- 学工具的人随工具迭代被淘汰，建立认知的人更快上手每个新工具
经验比零散知识点重要
- 从点到流：不是单点技能，而是从模糊需求做到生产上线的整条工作流
- 从一到四：同一套工作流在不同场景反复跑，跑一次是体验，跑四次是肌肉记忆
- 从看到做：没在自己键盘上跑过，就没真学到
三个立身之本
| 能力 | 说明 |
|---|---|
| 工作流设计力 | 设计人和 AI 协作的流程，从模糊需求到上线全程跑通，跨场景可迁移 |
| 深度工程判断力 | 关键节点做对的判断，例如该不该上生产、该让 AI 写还是自己写 |
| 复利资产积累力 | 每个项目沉淀模板、Skills、笔记、开源贡献，越用越值钱 |
- 开源是 AI 时代的复利资产
- 身份资产：GitHub 是程序员的公开简历，贡献公开可验证，换公司也不会消失
- 复利收益：大多数工作的价值会衰减，开源贡献会持续增值
- AI 红利：AI 帮忙读懂陌生项目、起草 PR，门槛变低；被 maintainer 认证过的真贡献更稀缺
从「做」转到「想」
简介：AI 把「做」外包了，「想」全留给人
| 维度 | 旧路径：核心是写代码 | 新路径：核心是想清楚 |
|---|---|---|
| 核心动作 | 一行行手写代码 | 驾驭 AI、验收产出 |
| 关键变量 | 勤奋，肯加班就有回报 | 清晰度，想清楚才高效 |
| 能力来源 | 手感，靠时间堆 | 判断，靠认知建立 |
| 特点 | 想和做混在一起 | 想得清不清楚，所有人都看得见 |
- 结论
- 操作越来越便宜，判断越来越值钱
- AI 时代的核心训练，是「想」的工程化能力
学习路线：认知、驾驭、进阶
简介：三层是递进关系，没有认知，驾驭只是依样画葫芦；没有驾驭，进阶就是空谈
认知层：先建立判断
- 最大的风险不是不会用工具，而是没有判断
- 没有认知的表现
- AI 写了段傻代码，就觉得 AI 没用
- AI 做出惊艳 demo，就觉得要被取代
- 新工具一冒出来，就不知道学哪个
- 学了一堆用不好，开始怀疑自己
驾驭层：四种场景反复练
| 场景 | 练习项目 | 练什么 |
|---|---|---|
| 新项目 0→1 | AI Agent OS | 从零设计和实现，也能做开源二次开发 |
| 分布式系统 | 分布式延时组件 | gRPC、etcd、时间轮 |
| 大型老项目改造 | Dify 二次开发 | 在大型陌生代码库里和 AI 协作 |
| 陌生语言开源 | Rust 开源项目 | 给真实活跃的开源项目贡献 PR |
- 每个项目跑同一种节奏
绿色节点是最容易省略、但沉淀经验的关键一步
项目串方法论，不是方法论串项目：SDD、Skills、Subagents、Hooks 在项目里卡住时再学，才懂它在什么场景值得用
进阶层：沉淀复利资产
- 复盘笔记：AI 哪里做得好、哪里差点出问题、自己做了什么判断
- 个人工具库：常用提示词、工具配置、Skills
- 开源 PR：走通一次，这扇门就打开了
自检标准
- 能不能讲清楚自己做了什么、为什么这么做
- 讲不清楚，要补的不是操作，而是思考
面试/考试记忆点
- AI 编程的五个环节里只有执行交给 AI，人的价值在设计、思考、拆解和验证
- Vibe Coding 和 Engineering 是单向不可逆的包含关系，只会 Vibe Coding 做不了 Engineering
- AI 编程四个演进阶段：Vibe Coding、Context Engineering、Harness Engineering、Loop Engineering
时间 × 实践 = 能力，基础 × AI = 10 倍杠杆- 工具会过时，认知会留下；学工具的人随工具迭代被淘汰
- 三个立身之本：工作流设计力、深度工程判断力、复利资产积累力
- AI 时代操作越来越便宜，判断越来越值钱
- 学习路线是认知、驾驭、进阶三层递进，驾驭靠同一套工作流在不同场景反复跑