YC Vibe Coding 指南

规划流程 (Planning process)

• 创建全面计划： 首先与 AI 合作，在 Markdown 文件中编写一份详细的实现计划。
• 评审与优化： 删除不必要的项；如果功能过于复杂，则标记为“不做”（won't do）。
• 控制范围： 保留一个单独的部分记录“后续想法”（ideas for later），以保持当前工作的专注度。
• 增量实现： 逐个部分进行开发，而不是试图一次性构建所有内容。
• 跟踪进度： 在成功实现一个部分后，让 AI 将其标记为“完成”。
• 定期提交： 在进入下一个部分之前，确保每个可工作的代码段都已提交到 Git。

版本控制策略 (Version control strategies)

• 严格使用 Git： 不要仅仅依赖 AI 工具自带的回滚功能。
• 保持干净的起点： 每个新功能都应从一个干净的 Git 状态开始。
• 卡壳时重置： 如果 AI 开始“自由发挥”或进入错误方向（goes on a vision quest），果断使用 git reset --hard HEAD 回到上一个好的状态。
• 避免问题累积： 多次失败的尝试会堆积层层难以处理的坏代码。
• 干净地实现： 当你最终找到解决方案时，执行重置（reset），然后在干净的代码基础上重新实现它。

测试框架 (Testing framework)

• 优先高级别测试： 重点关注端到端（end-to-end）集成测试，而非单元测试。
• 模拟用户行为： 通过模拟用户点击浏览网站/应用的方式来测试功能。
• 捕获回归问题： 大型语言模型（LLM）有时会对不相关的逻辑做出不必要的更改，测试有助于发现这些问题。
• 先测试再前进： 在开始下一个功能之前，确保所有相关测试都能通过。
• 将测试用作护栏： 一些创始人建议先编写测试用例，为 AI 的工作提供清晰的边界和约束。

高效修复 Bug (Effective bug fixing)

• 利用错误信息： 通常，简单地将错误信息复制粘贴给 AI 就足以让它开始分析。
• 编码前先分析： 要求 AI 考虑多种可能的 Bug 原因，而不要直接跳入尝试修复。
• 失败后重置： 每次修复尝试不成功后，都应从干净的代码状态重新开始。
• 实施日志记录： 在关键位置添加日志记录，以便更好地理解代码的实际运行情况。
• 切换模型： 当一个 AI 模型卡住无法解决问题时，尝试换用其他模型。
• 干净地实现修复： 一旦确定了正确的修复方案，重置代码库，然后干净地实施该修复。

AI 工具优化 (AI tool optimization)

• 创建指令文件： 在特定文件（如 cursor.rules, windsurf.rules, claude.md）中为你的 AI 编写详细、清晰的操作指令。
• 本地文档： 将项目所需的 API 文档下载到本地项目文件夹中，供 AI 参考以提高准确性。
• 使用多种工具： 有些创始人会在同一个项目上同时运行 Cursor 和 Windsurf 等多种 AI 编程工具。
• 工具专长： 了解不同工具的特点，例如 Cursor 可能在前端工作上稍快，而 Windsurf 的“思考”时间可能更长。
• 比较输出： 让不同的工具或模型生成多个解决方案，然后从中挑选最好的一个。

复杂功能开发 (Complex feature development)

• 创建独立原型： 对于复杂功能，先在一个隔离的、干净的代码库中构建原型。
• 使用参考实现： 向 AI 提供一个或多个已有的、功能类似的有效代码示例，让它参照实现。
• 清晰的边界： 保持模块或服务的外部 API 接口稳定一致，允许其内部实现自由更改。
• 模块化架构： 基于服务的、具有清晰边界的架构比大型单体代码库（monorepo）更适合 AI 协作。

技术栈考量 (Tech stack considerations)

• 成熟框架表现更佳： 像 Ruby on Rails 这样拥有长期（如 20 年）稳定约定和大量实例的框架，AI 通常处理得更好。
• 训练数据很重要： 较新的语言（如 Rust 或 Elixir）可能因为训练数据相对较少，AI 的支持效果会打折扣。
• 模块化是关键： 小而清晰的模块化文件对人类和 AI 都更易于理解和操作。
• 避免大文件： 不要维护数千行代码的巨大文件。

编码之外 (Beyond coding)

• DevOps 自动化： 使用 AI 协助配置服务器、DNS、托管服务等。
• 设计辅助： 让 AI 生成网站图标（favicon）、logo 草图或其他设计元素。
• 内容创作： 利用 AI 起草文档、用户手册、营销文案等。
• 教育工具： 要求 AI 逐行解释某段代码的实现逻辑和原理。
• 使用截图： 通过截图向 AI 展示 UI Bug 或提供设计灵感。
• 语音输入： 探索像 Aqua 这样的工具，它们能以高语速（如 140 词/分钟）进行语音输入，提高交互效率。

持续改进 (Continuous improvement)

• 定期重构： 一旦有了可靠的测试覆盖，就应该经常进行代码重构以改善质量。
• 识别机会： 主动询问 AI，让它在代码库中寻找适合重构的部分。
• 保持更新： 积极尝试每个新发布的 AI 模型或工具版本。
• 认识优势： 了解并利用不同模型在不同类型任务上的特定优势。