企业官网建设流程全解析

本文详细介绍了AI写代码的七种模式，从基础的代码补全到复杂的多智能体协作，帮助读者理解不同模式的特点和适用场景。通过分析每种模式中人与AI的分工，文章揭示了AI开发工具的演进趋势，并强调了根据项目需求选择合适模式的重要性。对于想要利用AI提高开发效率的开发者，本文提供了宝贵的指导和建议。

AI 写代码的七种模式，
从补全到多智能体

现在说"用 AI 写代码"，说的可能是好几种完全不同的工作方式。有人在编辑器里敲到一半，等 AI 把函数补完；有人扔一句话过去，等一个能跑的 Demo；也有人先写好规范文档，再让 agent 对着任务清单一条条执行。工具都叫 AI Coding，里头的分工差得很远。

我把各家工具的文档、GitHub Spec Kit 的说明，加上 Martin Fowler 那几篇文章对着读了一遍，能排出一条清楚的演进线。代码补全，对话改码，Vibe Coding，Agentic Coding，Plan 驱动，Spec 驱动，多智能体协作。每往前进一层，AI 多接手一块，人的位置跟着变。

分清这些模式，光背工具名没什么用。Cursor、Claude Code、Codex 的座次几个月换一轮，模式比工具稳定得多。一件开发任务摊开来，有五个位置需要有人站。需求谁来拆，架构谁来定，代码谁动手，做完谁来验，中间哪几步必须人点头。七种模式的差别，全落在这五个位置的排法上。

需求谁来拆，架构谁来定，代码谁动手，做完谁来验，中间哪几步必须人点头。

这七种模式并不互斥，成熟团队往往几种混着用。往前走，它们能排成一条完整的流水线。

图 1 未来成熟的 AI 工程流水线

前两种模式，控制权一直在人手里

最早的是补全。你写函数签名，AI 猜下面几行；你要 boilerplate，AI 铺模板。架构是你定的，测试是你写的，每一行进仓库的代码都从你手里过。AI 干的是 autocomplete 的活，图的就是快。每一步都有人盯着，所以它适合碰最要紧的代码。内核、驱动、camera pipeline、CUDA 这类地方，性能和正确性马虎不得，补全式是让人最放心的用法。

图 2 Copilot 模式，控制权完全在人手里

往上一层是对话改码。“把这个函数改成支持双目输入”，AI 去读相关文件，理解上下文，给出修改，diff 摆在你面前，你点接受，或者打回去。Cursor、Copilot、Claude Code 日常用得最多的是这一种。它比补全多做了一步，AI 开始自己读仓库了。改不改、怎么改，最后仍然你说了算。

图 3 Chat/Edit 模式，人仍在驾驶位

Vibe Coding，分水岭从这里出现

"帮我做一个类似 Notion 的任务管理器。"就这一句话。AI 建项目、写代码、装依赖、跑起来，报错了自己修，修完再跑，直到东西能演示。人全程可以不看一个文件，只看结果满不满意，不满意就再补一句。

图 4 Vibe Coding，把写代码整个外包给 AI

这就是 Vibe Coding，把写代码整个交出去。人的活儿缩成一小段循环，提想法，等结果，看东西，接着提下一句。做 Demo、MVP、内部工具、一次性脚本，它快得离谱。

风险随规模涨。一千行的项目怎么玩都行，到了十万行，系统复杂到超出一个人的认知，AI 改了什么、改坏了什么，看的人已经跟不上。Vibe Coding 的适用边界也就清楚了，东西用完就扔、坏了重做的，它合适；要长期养、要上生产的，别用。

Agentic Coding，AI 接手完整的工程循环

Agentic Coding 和 Vibe 看着像，都是 AI 大量写代码。差别在于 agent 把完整的工程循环接了过去。接到需求，它先在仓库里翻，搜相关的实现，读依赖的模块，摸清现状，然后列计划，动手写，编译，跑测试，错了自己修，修完再跑，一轮一轮转下去，最后交出能通过验证的改动。

图 5 Agentic Coding，探索、计划、编码、测试、修复的完整闭环

各家都在往这个方向压。OpenAI 给 Codex 的定位已经写成 software engineering agent，IDE、命令行、网页、CI 里都能干活。Claude Code 配了 plan mode、权限控制、会话恢复。名字不同，做的是同一件事，让 AI 以工程师的身份完成任务，打字只是其中一小段。

它和 Vibe 的分界，一张表摆清楚。

任务一大 agent 就失控，所以先要计划

Agentic Coding 有个绕不开的问题。任务一小，agent 表现很好；任务一大，它就开始漂。AI 还有个出名的毛病，局部全对，全局坏掉。让它一次改六个文件，算法确实变好了，顺带把 API、数据集、配置全动了。改完单看每一处都有道理，拼在一起跑不起来。

Plan 驱动就是冲着这个来的。动手之前，先让 AI 把需求拆成计划，计划再拆成任务，每个任务小到能单独验证。然后一个一个来，做完一个，测一个，提交一个，再开下一个。人卡在两个位置，计划要人点头，结果要人验收，中间的执行整段交给 AI。

图 6 Plan/Task 驱动，把复杂问题压缩成可验证的局部问题

计划真正干的活，是把一个大问题压成一串能逐个验证的小问题。AI 并没有变得更聪明，但每一步都在人的视线里，错了也只错一小块。

Spec 驱动，把需求写成工程约束

再往上一层，需求的形态变了。Prompt 是一次性的，“帮我实现一个双目手部跟踪系统”，说完就完了。Spec 更像软件的合同，写清楚做什么，做到什么程度，受什么约束，怎么算验收。

双目手部跟踪 Spec

Goal 0.3 到 1.0 米内重建手部 3D 关键点

Input 左右目图像、相机内参外参

Output 21 个手部关键点

Accuracy 5mm 以内 @ 0.5m

Constraint 不改 Camera HAL，复用现有标定，

30FPS，不新增 GPU 内存拷贝

Acceptance 验收标准逐条列出，测试对着它写

这份东西 AI 每一步都要回来对。选型对着它选，实现对着它写，测试对着它出。GitHub 把 Spec 叫作项目的 source of truth，要求它跟着需求一直演化。流程也倒了过来，以前先写代码再补文档，现在 Spec 和 Plan 在前，代码在后，测试甚至可以提到代码前面。

GitHub 的 Spec Kit 把这套做法正式化了，Specify、Plan、Tasks、Implement、Converge 五步，支持几十种 coding agent。验收不过，就退回计划层重新来。

图 7 Spec 驱动全流程，每一层产物都是下一层的输入

项目再大，角色拆开，交给多个 Agent

单个 agent 的瓶颈出在上下文和注意力上，项目一大就顶不住。Multi-Agent 把软件工程的角色一个个摆上台面。需求一个 agent，架构一个，实现按前端、后端、数据再分几个，测试一个，安全一个，Review 一个。人退到最后面，当总架构师和拍板的人。

Agent 之间靠产物交接。需求 agent 交出 requirements.md，架构 agent 接着写 architecture.md，实现层拿 tasks.md 干活，测试层交 test-report.md。每一份产物都是下一个角色的输入，出了问题，能定位到哪一环交出的东西不合格。比起让几个 agent 自由对话，这样可控得多，每一步也都审计得了。

图 8 Multi-Agent，角色显式化，产物交接加关口控制

顺带回答一个老问题，TDD 还要不要

测试驱动开发在 agent 时代有三种玩法。人写测试，AI 照着实现；AI 写测试，人审完再让 AI 实现；或者让 agent 在自己的循环里把写测试、实现、修复全包了。第三种听着最自动化，目前的实验还没能证明把 TDD 硬塞进 agent 循环就一定比普通工作流好。AI Coding 不等于必须上 TDD，这件事上不用急着站队。

挑哪种模式，看五个位置

工具榜单每个月都在变，挑模式的依据倒是稳定，就看五个位置各交给了谁。

ContextAI 知道多少。从一个函数，到一个文件、一个模块、整个仓库，再到整个系统。

AutonomyAI 能自己干多少。给建议，改代码，执行命令，跑测试，自己 debug，一口气干到底。

Planning有没有计划，任务拆得够不够细。

VerificationAI 靠什么知道自己做对了。人工 review、单测、集成、端到端、评估集、线上遥测。

GovernanceAI 到底能碰什么。读源码可以，改源码可以，跑测试可以，commit 要人批，push 禁止，删文件禁止，动线上禁止。

现在各家 coding agent 花大力气做的 permissions、sandbox、rules、AGENTS.md、CLAUDE.md，补的都是最后这一项。前四项决定 AI 能干多好，最后一项决定你敢不敢让它干。

图 9 AI Coding 成熟度阶梯，理解框架而非行业标准

落到自己的项目上，混着用

我做的底层智能设备项目，代码一半 C++ 一半 Python，底层要碰 HAL 和标定，上层是算法和管线。这种项目拿纯 Vibe 去跑，等于把身家交给运气。实际可行的是混着来。

普通代码放开手，让 agent 高度自动化。仓库探索、代码搜索、boilerplate、多文件修改、测试、debug、重构、文档，这些活 AI 又快又稳，走 AI 编码、自动测试、自动修复、提交这条流水线。关键底层收紧，Camera HAL、Gralloc、EGL、OpenXR runtime、SLAM 这些地方，每一层都加人工关口，AI 出计划，人批准了才动手，写完人再验一遍。

图 11 混合模式，普通代码自动化，关键底层人工把关

任务和模式的对应，照着选就行。

小改动Chat / Edit 足够

要 DemoVibe Coding

普通任务Agentic Coding

复杂功能先 Plan 再拆任务，agent 逐个执行

长期项目Spec、Plan、任务、agent、测试、review 一步步走完

大组织Spec 加 Multi-Agent，产物交接、人工关口、评估、CI/CD

从补全到多智能体，还有一条变化不容易注意到。过去开发链条很短，人写代码，代码变成软件，人一直盯着代码这一环。现在链条拉长了，人说出意图，意图落成 Spec，Spec 拆成 Plan，agent 动手实现，测试和验收跟在后面。人的位置从代码那端挪到了意图那端，AGENTS.md、CLAUDE.md、Spec、Plan、Eval 越来越受重视，原因都在这里。

图 10 软件开发的控制平面正从 Code 转向 Intent

工具的座次过几个月就换一轮，模式稳定得多。往后再花时间，值得花在给自己搭一套工作流上。SPEC、PLAN、AGENTS.md 各自分什么工，哪一步允许 AI 直接改代码，哪一步必须人点头，commit 按什么粒度切，测试卡在哪些关口。每个问题都具体，都有现成做法可以参考，改成自己的，比追新工具划算。

大模型的知识又多又杂，到底怎么学？

做这行久了，被问最多的问题就一个：大模型的知识又多又杂，我到底先学啥？翻了一堆资料，看啥都像重点，结果啥都没学进去。今天把我自己一路摸出来的顺序捋一遍，零基础、应届生、转行的都适用。跟着走，至少方向不乱、不瞎忙，学完拿得出手。

第一阶段（10天）：初阶应用

这一阶段就一个目标：把大模型真正"玩明白"，不是只会聊天那种，而是能调教它、能用代码把大模型和业务接起来。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

这阶段正式进实战，目标很实在：做出两个能拿出手的东西——一个私有知识库，一个 agent 对话机器人。

• 为什么要做 RAG

• 搭建一个简单的 ChatPDF

• 检索的基础概念

• 什么是向量表示（Embeddings）

• 向量数据库与向量检索

• 基于向量检索的 RAG

• 搭建 RAG 系统的扩展知识

• 混合检索与 RAG-Fusion 简介

• 向量模型本地部署

• …

走完这 30 天，Python 或 JavaScript 背景的基本能独立做一套 RAG 应用，简历上也敢写"大模型应用开发"了。

第三阶段（约20天）：动手微调

学到这，你已经开始 “造” 模型了 —— 通过微调，搞出垂直领域的专用小模型。

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你从 “只会用” 变成 “能造” 的 AI 小子。那么你还想往下探索吗？

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

第四阶段（20天）：商业闭环，部署落地

技术学完，落地才算数。这阶段带你搞明白大模型怎么真正跑起来、用起来。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

想要入坑大模型的朋友，给大家准备了一份2026 年最新 AI 大模型全套学习资料：

1、大模型系统化学习路线

2、大模型学习视频教程

3、大模型学习书籍&电子文档

4、AI大模型最新行业报告

5、大模型项目实战&配套源码

6、2026大模型大厂面试真题

7、为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

8、适合谁学？

• 传统后端 / Java / 前端开发，想转型 AI 应用
• 大学生、应届生，想拿更好的 offer
• 产品经理、运营，想武装职业竞争力
• 技术负责人，想给团队落地提效

学习是反人性的，但回报是真金白银。技术会更新，赛道会切换，但只要你先动手，机会就永远站在你这边。

9、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

想要入局AI大模型赛道、抢占行业红利的朋友，微信扫描下方CSDN官方认证二维码，即可100%免费领取全套学习资料！

好了，就写到这。路线是死的，人是活的，卡住了随时来问我。觉得有用就点个收藏，别让它进收藏夹吃灰——动起来比啥都强。