VibeCoding面向高校教师的零基础科普与实践指南总结
第一章：什么是Vibe Coding
Vibe Coding（氛围编程／意图编程）是一种用自然语言描述需求，由人工智能生成并修改代码，使用者通过"运行—观察—再说一句"来迭代推进的软件开发方式。使用者不逐行写代码，而是通过自然语言描述需求，观察AI的生成结果，并根据结果进行迭代修改，直到满足需求。Vibe Coding的核心在于使用者需要清晰地表达需求，并通过观察和反馈来引导AI生成符合要求的代码。
第二章：由来
Vibe Coding的起源可以追溯到2025年2月，Andrej Karpathy在社交平台X上发了一条描述自己编程方式的推文，并提出了"vibecoding"的概念。这个词迅速走红，并在一年内被Collins English Dictionary评为2025年度词汇。2026年2月，Karpathy对Vibe Coding进行了回顾，并提出了"agenticengineering"的概念，强调在专业场景下需要更高的审视与核查。
第三章：发展
到2026年，Vibe Coding已经成为主流的AI编程方式，但主流的定义很模糊。工具生态分为五层，从轻量级的对话式生成到复杂的云端并行智能体，适用于不同需求的使用者。Vibe Coding在学术界存在三种态度：乐观派、务实派和警告派，分别对应探索、研究和风险规避三种场景。
第四章：能力清单
Vibe Coding可以做四类事情：数据处理与自动化、教学工具与互动课件、研究与实验平台、文档、展示与管理事务。它不能保证可重复性，也不能替代学科判断。典型工作流包括先做最小可用版本（MVP），然后通过运行、观察和反馈进行迭代。
第五章：教学场景
Vibe Coding在教学场景中可以用于备课、课堂、评价等环节，例如将静态讲义变成可交互页面、批量生成教学材料、制作课堂互动小工具、设计过程性评价任务等。香港浸会大学团队使用Vibe Coding自建AI诗歌教学研究平台的案例表明，Vibe Coding可以消除技术门槛，但教学设计和学科判断的必要性无法消除。
第六章：科研场景
Vibe Coding在科研场景中可以用于数据清洗、统计分析、可重复性管理、自研实验平台、文献工作、团队协作等路径，可以显著提高科研效率。但科研使用Vibe Coding需要遵守三条原则：要求AI说明选择的方法及理由、关键结果用第二种方法交叉验证、领域专家复核。
第七章：风险与边界
Vibe Coding存在一些风险和边界，例如可能让使用者更慢而不是更快、代码质量和安全存在系统性风险、术语本身在被"回收"等。一份明确的负面清单列出了使用Vibe Coding时需要注意的事项，例如不要提交敏感数据、不要让AI生成代码直接处理真实资金、不要在没有版本管理的情况下反复让AI大改一个已经能跑的项目等。
第八章：零基础上手路径
Vibe Coding的零基础上手路径分为四个阶段：看懂它、做一个真实的教学小工具、做一件需要迭代的事、建立自己的规范。需求描述的五个要素包括角色与场景、输入、输出、约束、验收标准。三条最重要的使用纪律是先小样本，再全量、一次只改一件事、重要产物留备份+留记录。
第九章：给院系与教学管理者的六条建议
给院系与教学管理者的六条建议包括：把培训定位为"需求表达与产出验收"，优先推广"数据处理与自动化"场景，制定本单位的数据使用红线，在教学评价上做配套改革，关注公平性，建立校内的经验共享机制。
