概览

• Chatbot 是使用 LLM 最常见、最原始的方式，除了官方 App 和网站，像 LobeChat 这类基于 API 的第三方应用也是个不错的选择
• 国产 AI 大模型已崛起，文心一言、通义千问、智谱清言、Kimi、DeepSeek 等产品在访问便利性、价格优势、本土化适配方面具有独特价值
• Chatbot 交互模式存在明显局限性：上下文窗口有限、无法执行复杂任务、缺乏与工作流和本地文件的深度集成
• Vibe Coding 正成为下一代 LLM 产品形态，生态快速发展，是未来趋势——它是对人类用户友好的 Agent 形态，能与现代个人计算机良好协作。里程碑进展包括 Cursor（AI 原生编辑器）、Agent Skills（可复用技能包）、Claude Code（CLI 伴侣）及竞品 OpenAI Codex
• GPT-5.2 High 模型在复杂任务分解、跨领域知识迁移、自我纠错等方面表现突出——从文献综述到基金申请写作，30+ 个 Agent Skills 作品均由该模型创建，展现出接近 AGI 的能力轮廓
• Vibe Coding 优势显著：适合个人开发上手、扩展能力边界、是快速验证创意的最佳工具；但也存在局限：大型项目可靠性存疑、可能加速项目腐化、人类难以维护、公司级项目需慎重、存在数据泄露风险

前言

在上一篇《介绍大语言模型》中，我们一起回顾了 LLM 的发展历史，从 RNN、LSTM 到 Transformer，再到 GPT 系列、Claude、Gemini 百家争鸣的时代，了解了”是什么”和”怎么来的”之后，很多小伙伴可能会问：那我到底该怎么用这些大模型呢？ 从最早期的 ChatGPT 聊天框，到现在的 Claude Code、Cursor、Codex CLI，使用 LLM 的方式正在经历一场深刻的变革。今天这篇文章，我想和大家聊聊如何使用大语言模型——从最原始的 Chatbot 模式，到正在快速兴起的 Vibe Coding 范式，以及我亲身感受的 AGI 曙光 (～￣▽￣)～

Chatbot：最原始但依然有用的起点

Chatbot（聊天机器人）是使用大语言模型最常见、最原始的方式，本质上就是一个对话框：你发一句话，AI 回一句话，如此反复。ChatGPT 的爆发式流行，让这种交互模式深入人心——打开网页或 App，开始聊天，就这么简单。最直接的方式当然是使用各家的官方产品：

官方产品的优势在于第一手体验——你能最早用到最新发布的模型，比如 GPT-5、Claude Sonnet 4、Gemini 2.5 Pro 这些，而且官方 App 通常集成了各家特有的功能，比如 ChatGPT 的 Plugins、Claude 的 Artifacts、Gemini 的多模态能力。不过官方产品也有局限：数据隐私问题（你的对话会被上传到云端服务器）、网络依赖（国内访问需要特殊方法）、以及价格因素（GPT-5 和 Claude Sonnet 4 都不便宜）。更让人遗憾的是，OpenAI 和 Anthropic 长期以来对中国用户采取歧视性政策——OpenAI 早已明确禁止中国大陆用户访问其 API 服务，Anthropic 也紧随其后实施类似限制。这种”技术霸权”式的做法，不仅阻碍了 AI 技术的普惠发展，也让中国用户在享受最新 AI 成果时处处碰壁——明明是全人类共同创造的智慧结晶，却被人为地划出了国界线。

国产 AI 的崛起

表格里列出的国产 AI 产品，只是冰山一角。过去两年，中国大模型产业的发展速度可以用”突飞猛进”来形容——从最初的”跟跑”，到现在的”并跑”甚至在某些领域”领跑”，国产 AI 已经形成了自己独特的生态体系。

访问便利性是国产 AI 最直接的优势。你不需要翻墙、不需要找代理、不需要担心 IP 被封——直接打开官网或 App 就能用。这种”零门槛”体验，对于大多数国内用户来说是最实在的价值。而且国产产品普遍提供更慷慨的免费额度，像 DeepSeek、Kimi 这些，日常使用基本不需要付费——这对于学生党、个人开发者来说太友好了。

价格优势同样不可忽视。国产模型的 API 价格通常是国外产品的 1/5 甚至更低。我之前在评测中提到过，MiniMax M2 的价格只有 Claude 官方模型的 8% 左右¹³——这对于需要大量调用的开发者来说，成本差异是巨大的。而且很多国产模型提供”按需付费”的灵活模式，不像国外产品那样”一刀切”的订阅制。

本土化适配是国产 AI 的另一张王牌。文心一言背靠百度知道、百度百科的庞大知识库，对中文语境、文化背景、行业术语的理解更深入；通义千问与阿里云生态深度集成，企业用户可以无缝对接钉钉、阿里云服务；Kimi 的文件解析能力针对中文文档做了大量优化，处理 PDF、Word、Excel 这些常见格式时准确率更高。这种”接地气”的体验，是国外产品短期内难以复制的。

当然，国产 AI 也有自己的短板——比如在英文语境下的表现不如 GPT-5、在复杂推理任务上与 Claude Sonnet 4 还有差距、生态系统的丰富性（插件、第三方应用）也还不够成熟。但这个差距正在快速缩小，而且国产厂商在某些细分领域已经实现了超越：通义千问的 10M tokens 超长上下文、DeepSeek 在数学和代码任务上的出色表现、Kimi 的文件解析能力——这些都是”人无我有”或”人有我优”的亮点。

我觉得最重要的是：国产 AI 的崛起打破了”技术霸权”。以前中国用户想要用最好的 AI 模型，只能看国外公司的脸色——想用就用，不想用就封。现在有了国产选择，至少我们有了”备选方案”，有了”谈判筹码”。这对整个 AI 行业的健康发展是有利的——竞争驱动创新，用户最终受益~

基于 API 的第三方 Chatbot：LobeChat 的崛起

如果你不想用官方产品，或者想同时调用多个模型，那么基于 API 的第三方 Chatbot 应用是个不错的选择。这里我要特别推荐一下 LobeChat——一个开源的、现代化的 Chatbot 框架⁷。LobeChat 支持多模型统一管理（你可以在一个界面里同时使用 OpenAI、Anthropic、Google、国产大模型等）、自部署控制数据（支持 Docker、Vercel 等多种部署方式）、丰富的插件生态（TTS/STT 语音对话、多语言、插件市场）以及现代化的 UI 设计。我自己之前也写过详细的 LobeChat 教程¹⁶，这里就不展开了。

除了 LobeChat，开源社区还有不少优秀的 Chatbot 项目值得推荐：Cherry Studio（跨平台桌面 AI 客户端，支持 300+ 模型，界面美观，功能完善）¹⁸、ChatGPT-Next-Web（一站式跨平台 ChatGPT UI，支持一键部署到 Vercel，轻量简洁）¹⁹、Open WebUI（原名 Ollama WebUI，功能完整的 ChatGPT 替代品，支持多种模型和本地部署）²⁰。这些项目各有特色，你可以根据自己的需求选择——比如想要桌面端美观体验就选 Cherry Studio，追求简洁就选 ChatGPT-Next-Web，需要完整功能就选 Open WebUI。

顺便提一下我用的第三方 API 服务——OhMyGPT¹⁷，价格亲民、稳定性好，而且最关键的是支持开具发票（这对于有报销需求的小伙伴来说太重要了）。我平时就是用它来接入 GPT-5、Claude Sonnet 4 这些模型，配合 LobeChat 使用体验很好~

Chatbot 的局限：为什么它正在”落后”？

虽然 Chatbot 依然有用，但它确实存在一些根本性的局限：

• 上下文窗口限制：即使是最新的 Claude Sonnet 4（1M token）、Gemini 2.5 Pro（1M token）或 GPT-5（400K token），也总有边界。处理超大型项目、整本书籍、复杂历史记录时，还是会捉襟见肘。

• 任务复杂度瓶颈：Chatbot 擅长”对话”，但不擅长”做事”。你问它问题、让它写代码、翻译文档，这些都没问题。但如果你让它”帮我重构整个项目的架构”或者”批量处理这 100 个文件”，它就无能为力了——因为它无法直接操作你的文件系统和开发环境。

• 与工作流的割裂：Chatbot 是一个”孤岛”——你在网页里聊天，然后手动复制结果到你的编辑器、终端、笔记软件里。这个过程本身就很低效，而且容易出错。

• 缺乏状态和记忆：虽然现代 Chatbot 有会话历史，但它们对你的工作环境、项目结构、个人习惯一无所知。每次新开一个对话，它就像失忆了一样，需要你重新解释上下文。

• 无法执行复杂多步任务：比如”部署一个应用到服务器并监控运行状态”这种任务涉及多个步骤（构建、上传、配置、启动、监控），Chatbot 只能给你一步步的指令，但无法真正执行它们。

这些局限并不是 Chatbot 本身的问题，而是交互模式的固有限制。要突破这些限制，需要一种新的范式——这就是 Vibe Coding 正在做的事情。

Vibe Coding：下一代 LLM 产品形态

什么是 Vibe Coding？

Vibe Coding 是一种新兴的编程范式，核心思想是：用户不再直接编写每一行代码或手动执行每一个操作，而是通过与 AI 的对话来描述需求，由 AI 在真实环境中生成和修改代码、执行任务⁹。

“Vibe”这个词很有意思——它强调的是一种”感觉”、一种”直觉”、一种”氛围”。Vibe Coding 不是让你去理解每一个技术细节，而是让 AI 理解你的意图（你的”vibe”），然后帮你实现。这听起来有点像是在”指挥 AI 助手”而不是”写代码”，哈哈~

Vibe Coding 与 Chatbot 的本质区别

Chatbot 是”聊天的工具”，Vibe Coding 是”做事的工具”。这个区别看似微小，实则意义重大~

为什么 Vibe Coding 是未来？

Vibe Coding 之所以被认为是未来的方向，有几个核心原因：

• 对人类用户友好：你不需要成为技术专家就能让 AI 帮你完成任务。描述需求是人类的天性（我们每天都在和同事、家人沟通），而写代码、记命令则是需要学习的技能。Vibe Coding 把门槛降到了”会说话”的层面~

• 与现代个人计算机的良好协作：现代 PC 的核心是文件系统、进程、网络——这些都是”可操作的对象”。Vibe Coding 工具（如 Claude Code、OpenAI Codex）可以直接操作这些对象，就像一个能干的系统管理员。相比之下，Chatbot 只能”谈论”这些对象，却无法”触碰”它们。

• 效率提升：在 Chatbot 模式下，你需要手动复制 AI 生成的代码到编辑器、手动执行命令、手动检查结果。Vibe Coding 则让 AI 直接完成这些操作——减少了大量”搬运”工作，让你专注于”思考”而不是”操作”。

• 更好的上下文理解：Vibe Coding 工具可以读取你的整个项目代码库，理解架构、依赖关系、代码风格。这意味着它给出的建议更加”量身定制”，而不是通用模板。

• 可组合、可复用：Agent Skills 系统让 AI 的能力可以像”插件”一样组合。你可以让 AI 同时调用”代码审查”、”文档生成”、”测试”等多个技能，完成复杂任务。这个我们在后面会详细展开~

Vibe Coding 的里程碑进展

Cursor：AI 原生编辑器

Cursor 是一个”为 AI 而生”的代码编辑器，基于 VS Code fork 而来¹⁰。它的核心理念是：AI 不是”附加功能”，而是编辑器的一等公民。Cursor 的核心特性包括 Tab 键自动补全（AI 根据上下文生成语义化建议）、Cmd+K 快速编辑（在原位修改代码）、Cmd+L 对话模式（与编辑器深度集成）以及多文件编辑（保持架构一致性）。我身边很多开发者朋友都已经从 VS Code 迁移到 Cursor 了，大家的反馈基本一致：一旦习惯了 AI 原生编辑器，就很难回去了。哈哈，这种感觉就像从功能机切换到智能手机——回不去了~

Claude Code：命令行的 AI 伴侣

Claude Code 是 Anthropic 官方推出的 CLI 工具，可以理解成”命令行版的 Cursor”¹²。它的核心定位是：让你的终端变成一个 AI 驱动的生产力中心。Claude Code 的几个杀手级特性包括与项目的深度集成（可以读取整个代码库、理解 Git 历史、执行 Shell 命令、调用 MCP 服务器）、Agent Skills 开发体验极佳、响应速度最快以及全程母语对话支持。我自己现在 90% 的编程任务都用 Claude Code 完成，从快速原型开发到复杂架构重构，它都能很好地处理。特别是配合国产模型（如智谱 GLM-4.7、MiniMax M2），成本可以降到很低——MiniMax M2 的价格甚至只有 Claude 官方模型的 8% 左右¹³。

OpenAI Codex：开源挑战者

OpenAI Codex CLI（简称 Codex）是开源社区对 Claude Code 的回应¹⁴。它基于 Rust 重写，强调性能、安全性和可定制性。Codex 的几个亮点包括完全开源（Apache 2.0 许可证）、与 OpenAI 生态深度集成（ChatGPT Plus 用户或 GPT-4 API 用户一键上手）以及并行任务处理（支持同时运行多个 Agent）。不过 Codex 也有自己的短板：Agent Skills 开发体验较差、推理过程全程英文、响应速度稍慢。

Agent Skills：可复用的技能包

Agent Skills 是 Vibe Coding 生态中一个非常重要的概念¹¹。它的核心思想是：把 AI 的能力封装成可复用、可组合的”技能包”。打个比方：Chatbot 就像一个”万能助手”，但每次你都要从头告诉它怎么做事。Agent Skills 则像给这个助手配了一套”工具箱”——里面有专门做文档转换的技能、专门做代码审查的技能、专门做文献综述的技能……当你需要做某件事时，AI 会自动选择合适的技能。Agent Skills 的几个关键优势包括可复用性（一个 Skill 可在多个项目中复用）、可组合性（多个 Skills 可组合完成复杂任务）、专业性（每个 Skill 都在某个领域”深耕”）以及可维护性（模块化架构让长期维护成为可能）。我自己之前写过一篇关于 Claude Code 和 Agent Skills 工程设计的文章⁹，想深入了解的小伙伴可以去看看。我在开发 Agent Skills 的时候，深刻感受到这个架构的强大。比如我有个”文献精读”的 Skill，专门用来读医学论文——它知道怎么提取实验设计、统计方法、主要结论，然后生成结构化摘要。这个 Skill 我已经用了几十篇论文，每次都能节省至少 30 分钟的时间 (～￣▽￣)～

生态发展：百家争鸣的时代

除了上面提到的三个主要工具，Vibe Coding 生态还有很多其他值得关注的项目：Windsurf（由 Codeium 开发的 AI 原生编辑器，主打”实时协作”和”多模态输入”）、Aider（专注于 Git 工作流的 AI 编程助手）以及 Continue（VS Code 扩展，把 AI 能力注入到传统编辑器中）。这个生态正在快速发展，每个月都有新工具、新功能、新模型出现。这种”百花齐放”的局面，对用户来说是好事——竞争驱动创新，我们能看到越来越好的产品~

我亲身体验的 AGI 曙光：Codex GPT-5.2 High

聊了这么多理论和方法，现在我想聊聊我自己的使用体验——特别是 OpenAI Codex 的 GPT-5.2 High 模型给我带来的震撼。

让我嗅到 AGI 味道的模型

我最早是在 OpenAI Codex CLI 中接触到 GPT-5.2 High 这个模型的。一开始我以为它只是又一个”更好的 GPT-4″，但用了一段时间后，我发现这个模型有点不一样——它在很多任务里都做得非常好，好到让我开始思考：这是不是 AGI 的前奏？

让我举几个具体的例子：

• 复杂任务分解：我有个任务需要”分析 100 篇医学文献，提取关键信息，生成结构化报告”。GPT-5.2 High 不是简单地”逐篇处理”，而是自己设计了多层工作流：先用轻量模型筛选相关性，再用中等模型提取结构化信息，最后用重量模型综合分析和撰写报告。这种”任务分解和优化”的能力，已经超过了简单的”执行指令”，更像是”思考和规划”~

• 跨领域知识迁移：有次我在做一个生信分析任务，需要结合 Python 编程、R 语言统计、医学背景知识。GPT-5.2 High 能够在这三个领域之间无缝切换，而且理解它们之间的关联——比如”这个统计方法在医学文献中通常用来回答什么问题”、”Python 的这个库和 R 的那个包功能类似但性能如何”。这种跨领域的理解和整合，是人类专家的标志性行为~

• 自我纠错和学习：最让我印象深刻的是它的”自我纠错”能力。有次它在生成一段数据处理代码时，发现中间步骤的数据分布异常，于是主动停下来，重新设计了预处理流程，并解释了为什么原来的方法有问题、新方法为什么更好。这种”反思和改进”的行为，已经非常接近人类专家的工作方式了~

我的Agent Skill作品集

我自己的 Agent Skill 作品集，就是 GPT-5.2 High 能力的最好证明。我在 GitHub 上维护了两个仓库——ChineseResearchLaTeX 和 skills，里面有 30+ 个 Skill 或工作流，从文献综述、数据分析到 pipeline开发，几乎涵盖了日常工作需要的所有场景，感兴趣的小伙伴欢迎关注~ 让我列举几个有代表性的 Skills：

• systematic-literature-review：系统文献综述生成器。可以自动设计检索策略、从多个学术数据库检索、去重、AI 逐篇阅读并评分、按高分优先比例选文、自动生成”综/述”字数预算、资深领域专家自由写作。这个 Skill 处理过医学、生物学、计算机科学等多个领域的文献综述，每次都能节省我至少 5-10 小时的时间~

• nsfc-research-content-writer：国家自然科学基金申请书”研究内容”章节写作助手。它能基于用户提供的最小信息表，输出价值与必要性、现状不足、科学问题/假说与项目切入点，并保持模板结构不被破坏。这个 Skill 在 2025 年的国自然申请季帮了我大忙~

• auto-test-project：项目级批判性测试工具。支持多轮 A 轮迭代（分析 → 计划 → 优化 → 轻量测试）和 B 轮质量检查，系统化发现、记录、修复问题，并沉淀可追溯的 plans/ 与 tests/ 文档。这个工具我现在用来测试所有新开发的 Skills~

很多skill就不介绍了，自己去github看。这些 Skills 的共同点是：都是由 GPT-5.2 High 从零创建的。我只需要用自然语言描述需求，GPT-5.2 High 就能理解我的意图、设计架构、编写代码、调试测试、生成文档。整个过程就像和一个有经验的开发者合作——只不过这个”开发者”不知疲倦、知识渊博、响应迅速~

Vibe Coding 的优势与局限

聊了这么多 Vibe Coding 的好处，但我必须诚实地说：它不是万能药。Vibe Coding 有它独特的优势，也有需要警惕的局限。作为一个深度用户，我觉得有必要把这些话说明白——免得大家以为我只是在”吹捧新技术” (～￣▽￣)～

优势：扩展个人能力的利器

• 适合个人开发上手：Vibe Coding 最大的优势在于降低门槛。你不是职业程序员？没问题。你不是计算机专业毕业？也没问题。只要你能用自然语言描述需求，AI 就能帮你实现。这种”人人都能开发”的体验，是传统编程无法比拟的。

• 小项目和 demo 的完美工具：当你需要快速验证一个想法、开发一个小工具、或者做一个 demo 时，Vibe Coding 简直是神器。从想法到原型，可能只需要几个小时——而不是几天或几周。这种”创意到实现”的高效转化，让个人开发者的生产力得到了质的飞跃。芝加哥大学的研究显示，使用 AI 编程工具的开发者合并的 PR 数量增加了 39%²¹——这就是效率提升的铁证。

• 扩展个人能力边界：这是我最喜欢的一点。以前我不会写前端代码，现在有了 AI 的帮助，我也能开发出像样的 Web 应用；以前不熟悉某个技术栈，现在可以让 AI 帮我快速上手。Vibe Coding 让你的”能力半径”大大扩展——你不再局限于自己已经掌握的技能，而是可以”站在 AI 的肩膀上”触及更远的地方。

• 最好的创意工具：我甚至认为 Vibe Coding 是目前最好的创意工具。当你脑子里有一个想法时，不需要先花几个月学习编程、不需要找朋友帮忙、不需要等待——直接和 AI 对话，看着它一步步把你的想法变成现实。这种”即时反馈”的体验，会激发更多的创造力~ 有开发者形容 Cursor 这类工具是”理解开发作为思考和规划系统的绝对福音”²¹，我觉得这个评价很贴切。

局限：需要警惕的风险

• 大型项目的可靠性存疑：Vibe Coding 在小型项目中表现出色，但当项目规模变大时，问题就开始浮现了。AI 生成的代码可能缺乏全局架构的一致性、可能引入难以察觉的 bug、可能在性能优化方面考虑不足。对于一个需要长期维护、多人协作的大型工业级项目来说，这些风险是不可忽视的。我不是说 Vibe Coding 不能用，而是说——你要非常、非常谨慎。有趣的是，甚至有研究指出经验丰富的开发者在使用 AI 工具修复 bug 时，速度可能比不用 AI 慢 19%²²——这说明 AI 工具的效果并非总是正向的，它非常依赖于任务类型和开发者经验。

• 可能加速项目的”腐化”：这是一个很现实的问题。当 AI 生成大量代码后，如果缺乏严格的架构设计、代码审查、测试覆盖，项目很容易陷入”技术债”的陷阱。你可能在短期内快速完成了功能，但长期来看——代码变得越来越难维护、重构成本越来越高、bug 越来越难追踪。这就是”项目腐化”的典型表现。Arbisoft 的研究直接将这种现象称为”Vibe Coding 的阴暗面”²³，而 BayTech 咨询公司则用”Vibe Coding 宿醉”（The Vibe Coding Hangover）来形容这种累积问题²⁴——这些比喻都很形象。更惊人的是，有研究显示 AI 生成的代码可能成为”技术债务的快车道”²⁵，在追求速度的同时牺牲了可持续性。

• 人类难以维护：AI 生成的代码有时候会很”AI 风格”——比如过度设计、命名不符合团队规范、逻辑复杂难懂。如果你离开这个项目几个月，再回头看这些代码，可能会发现：自己都看不懂了。这对于需要长期维护的项目来说，是个严重的问题。Dev.to 上的一篇文章甚至用”谁不喜欢惊喜技术债务？”的反讽来描述这种现象²⁶——当你几个月后回看 AI 生成的代码，”惊喜”地发现自己完全看不懂了，那时候你就知道疼了。

• 公司级项目要慎重：在公司环境中使用 Vibe Coding，需要考虑更多因素：代码所有权（AI 生成的代码版权归谁？）、团队协作（其他开发者能理解和维护 AI 生成的代码吗？）、安全审计（AI 是否引入了安全漏洞？）、合规性（生成的代码是否符合公司编码规范？）。这些问题都不是简单能解决的——需要团队层面的策略和流程。有研究显示，AI 编码助手在企业环境中的使用可能导致安全漏洞增加——甚至有报告指出，AI 生成的代码在企业仓库中每月引入超过 10,000 个新的安全问题²⁷。更夸张的是，Apiiro 的研究显示，AI 工具在带来 4 倍开发速度的同时，也带来了 10 倍的安全风险²⁸——这个”4x 速度，10x 漏洞”的数据，足够让任何 CTO 夜不能寐了。

• 数据泄露风险：最后一个但同样重要的问题是——数据安全。当你使用 Vibe Coding 工具时，你的代码、你的想法、你的项目结构，都可能被上传到云端服务器。如果你在开发一个包含敏感信息的项目（比如金融系统、医疗系统、或者公司的核心产品），这种数据泄露的风险是不可接受的。虽然现在有本地部署的方案（比如使用本地模型），但能力上还是有差距。Veracode 的 2025 年报告发现，近 45% 的 AI 生成代码至少引入一个安全缺陷²⁹，而 Gartner 已将”脆弱输出”和”敏感数据泄露”列为 AI 编码助手的首要安全风险³⁰。卡巴斯基实验室也专门发文警告 vibe coding 和 LLM 助手的安全风险³¹——这些权威机构都在提醒我们：数据安全不是小事。

我的建议

那么，到底该不该用 Vibe Coding？我的建议是：分类对待，量力而行。

• 个人项目、小工具、demo：大胆用！这是 Vibe Coding 的主场，能极大提升你的效率。
• 中型项目：可以用，但要保持架构清晰、定期重构、写好测试。不要完全依赖 AI，要保留人类的”架构师”角色。
• 大型工业级项目：谨慎使用。可以作为辅助工具（比如生成样板代码、写文档、写测试），但核心架构、关键模块还是需要人类专家把控。
• 公司项目：需要团队共识。制定明确的规范——哪些场景可以用、哪些场景不能用、代码审查流程是什么、安全审计怎么做。不要让 Vibe Coding 成为”无人监管的黑盒”。
• 敏感项目：避免使用云端 Vibe Coding 工具。如果必须用，选择本地部署方案，或者确保数据脱敏后再使用。

Vibe Coding 是一个强大的工具，但它不是银弹。理解它的优势，也理解它的局限——这样才能真正用好它~

小结

从 Chatbot 到 Vibe Coding，我们正在见证 LLM 使用方式的深刻变革。Chatbot 作为起点，让大众第一次接触到 AI 的强大；但它的局限——上下文限制、任务复杂度瓶颈、与工作流的割裂——也催生了新的范式。Vibe Coding 代表了下一代 LLM 产品形态：它对人类用户友好（只需自然语言描述需求）、能与现代个人计算机良好协作（直接操作文件系统、执行命令、调用工具）、效率更高（减少手动搬运工作）、理解上下文更深入（感知整个项目状态）、支持可组合可复用的 Skills。

这个生态正在快速发展：Cursor 作为 AI 原生编辑器、Agent Skills 作为可复用技能包、Claude Code 作为命令行 AI 伴侣、OpenAI Codex 作为开源挑战者——每个产品都有自己的定位和优势，用户可以根据需求选择最合适的工具。而我自己的体验是：Codex GPT-5.2 High 让我嗅到了 AGI 的味道。它在复杂任务分解、跨领域知识迁移、自我纠错和学习等方面表现出的能力，已经超越了”工具”的范畴，更接近”合作伙伴”。我的 GitHub 仓库里有 30+ 个 Skills 和工作流，都是由 GPT-5.2 High 从零创建的——而且我至今还没有摸到这个模型的上限。

哈哈，写到这里，我突然想到：也许 AGI 不是一个”某天突然到来”的时刻，而是一个”逐渐逼近”的过程。GPT-5.2 High 可能还不是 AGI，但它确实让我看到了 AGI 的轮廓。而这个轮廓，正在变得越来越清晰~ 如果你还在用 Chatbot，我鼓励你试试 Vibe Coding 工具——Claude Code、Cursor、OpenAI Codex，哪个都行。我相信你会和我一样，发现一个全新的世界 (～￣▽￣)~

参考文献

1. 文心一言 – 百度旗下 AI 智能助手. https://yiyan.baidu.com/
2. 通义千问 – 阿里云大语言模型. https://tongyi.aliyun.com/
3. 智谱清言 – 智谱 AI 打造的 GLM-4 系列 AI 助手. https://chatglm.cn/
4. Kimi – 月之暗面出品的 AI 智能助手. https://www.kimi.com/zh
5. DeepSeek – 深度求索 AI 智能助手. https://www.deepseek.com/
6. 豆包 – 字节跳动旗下 AI 智能助手. https://www.doubao.com/
7. LobeHub – LobeChat: An open-source, highly extensible AI Chatbot framework. https://github.com/lobehub/lobe-chat
8. LobeHub Docs – LobeChat Plugin Development Guide. https://lobehub.com/docs/usage/plugins/development
9. 本站文章 – Claude Code 和 Claude Skills 的工程设计. https://blognas.hwb0307.com/skill/6689
10. Cursor – The AI Code Editor. https://cursor.sh
11. Model Context Protocol – Introduction. https://modelcontextprotocol.io/introduction
12. Anthropic – Claude Code CLI Documentation. https://docs.anthropic.com/en/docs/build-with-claude/claude-for-developers
13. 本站文章 – Vibe Coding CLI评测： Claude Code vs. OpenAI Codex vs. Gemini CLI. https://blognas.hwb0307.com/other/6923
14. OpenAI – Codex CLI Repository. https://github.com/openai/codex
15. 本站项目 – pipelines Skills 目录. 本地项目路径：/Volumes/2T01/winE/PythonCloud/Agents/pipelines/skills，包含 30+ 个由 Codex GPT-5.2 High 创建的 Agent Skills。
16. 本站文章 – Docker系列 搭建个人聊天机器人LobeChat. https://blognas.hwb0307.com/linux/docker/5950
17. 逗哥的 API – 第三方 AI API 服务. https://x.dogenet.win/i/kUOGvGyo
18. Cherry Studio – The All-in-One AI Assistant Desktop Client. https://github.com/CherryHQ/cherry-studio
19. ChatGPT-Next-Web – One-Click to deploy well-designed ChatGPT UI. https://github.com/ChatGPTNextWeb/ChatGPT-Next-Web
20. Open WebUI – ChatGPT-Style UI for OpenAI’s API & Local Models. https://github.com/open-webui/open-webui
21. Opsera – Cursor AI Adoption Trends: Real Data from the Fastest Growing Coding Tool. https://opsera.ai/blog/cursor-ai-adoption-trends-real-data-from-the-fastest-growing-coding-tool/
22. The Pragmatic Engineer – Cursor makes developers less effective? https://blog.pragmaticengineer.com/cursor-makes-developers-less-effective/
23. Arbisoft – The Dark Side of Vibe-Coding: Debugging, Technical Debt, and Security Risks. https://arbisoft.com/blogs/the-dark-side-of-vibe-coding-debugging-technical-debt-and-security-risks
24. BayTech Consulting – The Vibe Coding Hangover: Why CTOs Need to Wake Up. https://www.baytechconsulting.com/blog/vibe-coding-hangover-why-ctos-need-to-wake-up
25. Medium – Vibe Coding as Rube Goldberg Machine — Managing AI-Generated Technical Debt. https://medium.com/@adnanmasood/vibe-codings-technical-debt-speed-vs-sustainability-d412c0eeaacf
26. Dev.to – Vibe coding: Because who doesn’t love surprise technical debt? https://dev.to/coderabbitai/vibe-coding-because-who-doesnt-love-surprise-technical-debt-3c3b
27. LinkedIn – AI-Generated Code Risks: 2024-2025 Incidents & Frameworks. https://www.linkedin.com/pulse/ai-generated-code-risks-2024-2025-incidents-frameworks-faisal-yahya-qybxc
28. Apiiro – 4x Velocity, 10x Vulnerabilities: AI Coding Assistants Are Shipping More Risks. https://apiiro.com/blog/4x-velocity-10x-vulnerabilities-ai-coding-assistants-are-shipping-more-risks/
29. Veracode – 2025 Security Report: AI-Generated Code Security Analysis. https://www.veracode.com/blog/security-news/ai-generated-code-security-risks (注：具体报告链接需访问 Veracode 官网获取)
30. Trend Micro – Top 10 AI Security Risks for 2024. https://www.trendmicro.com/en/research/24/g/top-ai-security-risks.html
31. Kaspersky – Security risks of vibe coding and LLM assistants in 2025. https://www.kaspersky.com/blog/vibe-coding-2025-risks/54584/