Logbook Evan の Logbook
✨ Updates
🎨 Style Guide
Font · 字体记录手册🧠 Creative Resources
Name · 名以载道🗒️ Mind Notes
Quote · 字里行间🧭 Knowbase
Biorxiv 与预印本
H-1B 签证📘 SOPs
🩺 Medical Research
BioRender 使用与订阅笔记🛠️ Tech Chronicles
自定义 Bash 提示符（PS1）
Linux 系统介绍
Linux grep 工具笔记
Linux sed 工具笔记
Linux awk 工具笔记
CSS 笔记
文件夹前加点的意义
HTML 格式笔记
XML 格式笔记
TOML 格式笔记
PR 模板解读与最佳实践
YAML 格式笔记
JSON 格式笔记
YouTube 使用笔记
Writage 使用笔记
Pandoc 使用笔记
Chrome 使用全攻略
Vibe Coding：一种新的编程氛围？💰 Fortune Blueprint
📈 R Visionary
R 的 future 包（异步与并行）
R 中加载与使用系统字体
R 中的数据类型完整指南
R 与 RStudio 安装笔记
make_date() & make_datetime()：从字段构造时间对象
分类变量处理 - forcats
pmin() & pmax()：向量按元素逐位比较
geom_tile()：构建热图 / 网格图的砖块图层
facet_wrap() 与 facet_grid() 用法解析
三种 geom_smooth() 写法解析
ggplot2 的 shape 限制与解决方案
R语言字符串大小写变换
R语言数字取整与格式化。
gtsummary 回归模型
gtsummary + gt：R语言三线表实践
select()：灵活选择列
dplyr包的distinct()函数
ggthemr：为 ggplot2 一键换肤
ggthemes 常用主题
SMR 共定位分析
R集合操作与典型用法
R apply函数速查与典型用法
R变量命名规范与覆盖机制
R设置CRAN与Bioconductor镜像速查
R版本升级与包迁移实用指南
R查询当前环境和包信息（sessionInfo）
创建文件夹与目录管理基础
RStudio常用快捷键与界面恢复技巧
提取字符向量子串的实用技巧
高效读取表格与大文件：fread与自定义read_table_flex
foreach包批量循环
R基因ID转换与批量注释
R批量获取和筛选文件名
R常用序列与模拟数据生成
R数据框（df）条件筛选实用技巧
R Visionary - Introduction📊 Statistics
Survival Analysis
方差分析（ANOVA）
多因素逻辑回归
单因素逻辑回归
R语言中的常见统计分布及其应用
数据分析的可复现性：原则与实践
如何规范报告统计结果？
相关性检验
多重检验（Multiple Testing）
t 检验（t-test）
置信区间 (Confidence Intervals)
卡方检验（Chi-squared Test）
统计功效（Power）与样本量（Sample Size）
假设检验 & p值
频率表、比例表与列联表
t-test: Principles and Application in R🖼️ BioVis
Vibe Coding：一种新的编程氛围？
type
status
date
slug
summary
tags
category
icon
password
comment
最近在不同的平台上都接触到 Vibe Coding 这个词，不少关注的博主都推崇备至，认为它可能会改变未来。出于好奇，我进一步了解了一下，决定写一篇笔记来讨论这个时兴的概念。
初次听说时我很疑惑：这是一种新的编程语言吗？还是某个 IDE 的新功能？结果查阅资料后才发现，它更像是一种“编程方式”。这个概念是在今年年初由 Karpathy 提出的，大意就是：通过自然语言和 AI 对话，把代码的细节交给 AI，开发者只需要关注需求和感觉。
初学者的共鸣
说实话，我看到这个定义时就忍不住笑了——这不正是我现在的编程方式嘛？作为一个初学者，我并不具备完整的语法体系，也不可能靠死记硬背来掌握所有函数和库。更多的时候，我是带着问题去“对话”：
- 我想画一个图表，
- 我想处理一组数据，
- 或者我想生成一份结果。
然后我把这些想法告诉 AI，它就会给我一段代码。我的角色，更像是审稿人或者导演，而不是亲手一行一行去敲代码的工人。
这种体验其实挺神奇。一方面它让我感觉“自己在写代码”，因为最后产物确实是一段能运行的 R 脚本或 Python 程序；另一方面又很清楚，这些代码并不是我打下来的，而是我和 AI 一来一回“谈出来”的。换句话说，代码更像是对话的副产品。
学习方式的转变
当我意识到这就是 Vibe Coding 时，心里多少有点共鸣。它把我原本“偷懒式学习”的体验，正儿八经地包装成了一种理念：不是埋头在语法细节里挣扎，而是顺着感觉走，去描述你真正想要实现的东西。
当然，我也曾顾虑过：会不会因为依赖 AI 而导致基础薄弱，只是“照单全收”，没有真正理解底层逻辑。比如，代码能跑，但某些参数、函数怎么来的，我并没有完全掌握。
但转念一想，传统学习方式也未必能保证“理解透彻”。很多人花了很久啃语法书、做练习题，依然在实际写程序时卡壳。相比之下，Vibe Coding 至少让我在真实场景中动手：遇到问题，先用 AI 给我一个能跑的方案，再去琢磨细节。学习的路径不同，但动力和效率却可能更强。
这让我联想到学外语。过去是“先学语法 → 再开口说”，现在更像是“先说起来 → 在对话中纠正”。Vibe Coding 就是这种“先做再学”的编程方式。
风险与挑战
这种方式也不是没有风险：
- 依赖性：AI 不在时容易寸步难行；
- 浮于表面：学会了“用法”，却没理解“原理”；
- 缺少磨炼：失去了独立 debug 的机会。
不过对我来说，它带来的收获更大。LLM 更像是一个耐心的 master，宽容地回答我各种初级问题，还能提出不同的解决方案，让我打开眼界。以前我经常卡在 Stack Overflow 或文档里，现在只需一句话就能得到即时反馈。
最重要的是，我逐渐意识到：编程的学习可以是“协作式”的。不是我一个人苦熬，而是和 AI 一起探索。写代码不再只是目的，而是一种表达方式。
实践中的体会
在实际使用中，我发现 准确表达需求 是一个关键挑战。需求模糊时，AI 往往会“跑偏”；需求过于复杂时，模型也难以一步到位。于是问题就变成了：如何把需求拆解成更小的步骤，让 AI 一次次逼近目标。
另一个挑战是 bug 的处理。现在的 LLM 代码很少能一次就完美执行，往往需要不断试错：跑一段代码 → 出错 → 反馈给 AI → 修改 → 再跑。这其实和人类 debug 类似，但因为 AI 可以同时提供不同的思路，过程更像是“多线程尝试”。
我自己的一个小窍门是 跨模型协作。比如用 ChatGPT 生成代码，让 Gemini 来解读逻辑，再请 Grok 提出新的思路。不同模型的回答风格各异，但正因如此，常常能在碰撞中得到意外的收获。这种体验很像是一场“AI 团队头脑风暴”，而我自己则是那个做判断和取舍的导演。
我的理解
实践下来，我越来越觉得：Vibe Coding 的核心不在于“写出完美代码”，而在于“快速试错 + 持续优化”。
就像音乐里的即兴演奏，先把旋律弹出来，再慢慢调整节奏和音色，最终才会形成完整的作品。
对我而言，Vibe Coding 不仅仅是一种新的编程方式，更像是一种鼓励：
- 先跑起来，不要被卡在门口；
- 保持兴趣，把问题当成探索；
- 把编程当作沟通，而不是负担。
这或许正是 Vibe Coding 真正的价值所在。
结语
Vibe Coding 也许还只是一个新兴的概念，但它揭示了一个清晰的趋势：编程正在从“写代码”走向“写意图”。
对初学者来说，它降低了门槛，让更多人能够参与到创造中；对有经验的开发者而言，它则提供了一种全新的协作方式，让人把注意力放在更高层次的设计和判断上。
未来，编程可能不再是一门“谁会语法、谁就有优势”的技能，而是一门如何表达、如何沟通的艺术。至于我们会不会完全转向这种方式，还需要时间去验证。但至少此刻，我已经在享受这股新的“vibe”。
Prev
R 中的数据类型完整指南
Next
R 与 RStudio 安装笔记
Loading...