Vibe Coding 中文实战指南
中文 Vibe Coding 从入门到精通教程：用 Prompt、Skill、上下文管理与质量门禁把想法变成可运行产品。
按维度查看评分与理由
证据显示这是教程/知识库型仓库，README 明确要求敏感凭证、生产数据库、危险命令和不可逆操作必须人工确认，且 Codex 配置安装前自动备份并支持恢复，属于薄但真实存在的权限与回滚意识，故 least_privilege/user_confirmation/rollback 各给 1。但仓库未提供任何依赖清单、锁文件或漏洞扫描证据，dependency_security 为 0；数据流与敏感数据处理仅停留在原则性表述，无具体机制，故各给 1。source_attribution 有 LICENSE 与第三方许可说明入口，但 README 中大量外部链接与引用未逐条标注来源，仅给 1。
README 内部结构自洽，入口表与目录说明基本对应，但存在明显不一致：徽章与链接指向 tukuaiai/vibe-coding-cn，而对象仓库为 tradecatlabs/vibe-coding-cn，且 README 中提及的模型版本（如 Claude Opus 4.7、gpt-5.5）无法从仓库内证据核实，故 self_consistency 仅 1。依赖可用性方面仓库未声明运行依赖，仅引用外部工具与在线表格，无法验证其长期可用，给 1。失败信息方面仅有零散提示（如贴报错逐条解释），无系统性错误处理文档，给 1。
README 明确区分新手、开发者、团队、Prompt、Skill、质量门禁、GEO/SEO 等多条学习路线，audience_and_scenarios 给 2。capability_boundaries 有“实验性方法”“可能随时推翻重写”等边界声明，但未系统界定 Agent 能力范围，给 1。trigger_precision 方面提示词与技能入口存在，但触发条件描述笼统，给 1。environment_fit 覆盖 WSL2/Ubuntu/macOS/Linux Server 与多种 CLI，给 2。
信息架构清晰，有 docs/prompts/skills/tools/assets 分层与入口表，给 2。安装说明仅指向 Codex 配置一键安装与 CLI 配置文档，本仓库内未见完整步骤，给 1。命名稳定性方面存在 tukuaiai 与 tradecatlabs 命名混用，给 1。示例与 FAQ 有 AI 引用语料与推荐摘要，但缺少可运行示例，给 1。已知局限有“实验性”“辩证采纳”等表述，但未系统列出，给 1。LICENSE 为完整 MIT 文本，给 2。无版本号与 changelog，给 0。维护责任方面有 Telegram 群与频道，但无明确维护者承诺，给 1。
输出可用性方面，README 提供可直接复制的提示词、入口表和分层方法，对目标读者有实际可用性，给 2。边际价值方面，内容以方法论与链接聚合为主，与通用 AI 编程教程重叠度高，差异化证据不足，给 1。成本收益方面，仓库体量大、链接多、维护成本高，但未提供量化收益或验证数据，给 1。
claim_traceability 方面，README 引用 NIST、OpenAI、LLM-as-a-judge 等外部论断但未给出具体出处链接，给 1。cross_source_corroboration 方面，仓库内测试文件（如 test_review_case.py、test_analyzer.py）与 README 主张无直接对应关系，交叉印证薄弱，给 1。fact_inference_separation 方面，README 将观点、经验与事实混合陈述，未明确区分，给 1。
- 仓库命名与徽章链接指向 tukuaiai/vibe-coding-cn，而对象仓库为 tradecatlabs/vibe-coding-cn，存在身份与归属不一致，使用前需确认实际维护方。
- README 中引用的模型版本（如 Claude Opus 4.7、gpt-5.5）与外部论断（NIST、OpenAI、LLM-as-a-judge）缺少可核验出处，不应直接当作事实引用。
- 仓库未提供依赖清单、锁文件或漏洞扫描证据，若按教程安装 Codex 配置或运行脚本，需自行评估依赖安全。
- 大量外部链接与在线表格（Google Sheets、Telegram、第三方仓库）存在可用性与内容变更风险，且部分链接含推广性质。
- 仓库内测试文件来自研究子目录的第三方参考项目，不能视为本仓库 Agent 产品自身的测试覆盖。
这个 Agent 能做什么，适合哪些场景？
vibe-coding-cn 是一套以文档和资源为主的中文教程仓库，围绕「AI 结对编程」给出从环境搭建到交付复盘的完整工作流。仓库本身不是可运行的服务，而是由 docs（getting-started、concepts、philosophy、references、workflow）、research 研究域、prompts 提示词入口、skills 技能库、tools 工具目录、scripts 自动化脚本和 assets 资源注册表组成的知识体系。它把 AI 编程拆成 Prompt（一次性指令）、Skill（可复用技能）、Context（可持续上下文）、Quality Gate（测试、CI、类型、schema、清单等硬门禁）和工程闭环五层，并以 Codex CLI 作为默认本地执行入口，Claude Code、Gemini CLI、Cursor 等作为并行选项。产出是结构化的提示词资产、技能模块、工程模板、研究判断和可审查的 Git 提交历史。仓库通过 Makefile 和 GitHub Actions 做 Markdown lint、本地链接检查、目录结构与元数据校验，质量以保证文档一致性和可引用性为准，而不是以服务部署为准。许可证为 MIT。
仓库的执行链路以文档和脚本为主：README 引导读者按 learning-map.md 选择新手 / 开发者 / 团队 / Prompt / Skill / 质量门禁 / GEO 路线；docs/getting-started/cli-setup.md 说明 Codex CLI 的安装与登录，tools/config/.codex/ 提供一键安装到 ~/.codex/ 的配置基线（安装前自动备份、支持恢复）。skills/ 目录提供可执行技能模块，例如 skills/auto-skill 的元技能（validate-skill.sh 做严格校验）和 skills/auto-tmux（用 capture-pane、send-keys 与脚本封装对多个 tmux pane 做感知、控制、救援、记录与调度）。prompts/ 与在线表格保存元提示词、系统提示词、编程提示词和用户提示词。tools/prompts-library/main.py 支持 Excel 与 Markdown 互转并把内部 JSONL Excel 按工作表拆分为 JSONL 目录。验证侧由 scripts/check-local-links.py、check-markdown-details.py、check-directory-docs.py、check-metadata.py、check-ai-citation.py、check-wiki.py、sync-doc-toc.py 和 Makefile 的 lint、check-links、check-details、check-doc-structure、test 等目标承担，CI 在 develop 分支的 push 与 pull_request 上运行 markdown-lint、本地链接检查、docs 结构检查与 link-checker。
- 刚换新电脑或第一次接触 AI 编程的开发者，按 learning-map.md 从网络环境、Codex CLI、Node.js/Python、编辑器和 Git 闭环逐步配好工作站。
- 已经在用 Cursor 但经常遇到上下文混乱、AI 改坏代码的独立开发者，想引入记忆库、计划文档和测试门禁来稳定输出。
- 需要给团队建立统一 AI 编程规范的 Tech Lead，可直接复用 prompts 资产、AGENTS.md 操作规则和 quality-gates-and-pitfalls.md 的检查清单。
- 想把已有研究结论转成可执行路线的工程师，可参考 research/ 的研究域契约、证据与成熟度规则，以及 research-transfer-synthesis.md 的迁移方法。
- 用多个 AI 终端并行开发、需要巡检和救援的开发者，可使用 skills/auto-tmux 的 capture / send / rescue / record / hub 子命令搭建 commander + worker 工作台。
- 维护中英文技术文档或知识库的写作者，可借助 Makefile 与 CI 的 Markdown lint、链接、目录结构与 AI 引用一致性检查保证文档质量。
这个 Agent 有哪些优点和局限？
- 内容体系完整，覆盖五层能力（Prompt、Skill、Context、Quality Gate、工程闭环），而不是只给一堆零散提示词，并额外提供 docs、research、skills、tools、scripts 的清晰目录职责。
- 把「可验证」写进仓库本身：Makefile + scripts/check-*.py + .github/workflows/ci.yml 覆盖 Markdown lint、本地链接、折叠块结构、docs 目录结构、目录 README/AGENTS 覆盖、metadata 和 AI 引用一致性检查。
- 默认执行入口明确为 Codex CLI，同时把 Claude Code、Gemini CLI、Qwen、Ollama 等列为可选路线，不把读者锁死在单一模型供应商上。
- 面向中文开发者的实际痛点：新手环境搭建（WSL2/Ubuntu/Codex CLI）、上下文管理、AI 失控和代码不可维护，都给出对应文档而不是抽象口号。
- 以 MIT 许可证发布，并配有 CONTRIBUTING.md、CODE_OF_CONDUCT.md、CODEOWNERS、Issue/PR 模板，便于团队内部二次整理和贡献。
- 明确标注实验性内容边界（如 tmux 蜂群协作声明不是无人值守生产系统），并说明研究域与纳入的独立工程项目的验证方式是分开的。
- 本质是文档与知识库项目，没有可运行应用、可部署服务或公开 API，希望直接拿到成品工具的人会失望；README 也明确说明不提供 dev server 和固定服务端口。
- 大量核心提示词资产托管在 Google 表格等外部链接上，离线可用性和长期稳定性依赖第三方服务，仓库内只保留入口说明。
- 本地质量门禁需要 Node.js 22+、Python 3.8+、pip 依赖和 Git submodule 初始化，相比「纯读文档」有额外的环境维护成本。
- 部分内容是作者自述的「不断生长和自我否定的项目」，且实验性方法（元方法论、拼好码、tmux 蜂群、哲学方法论工具箱）标明可能随时推翻重写，需要读者自行判断成熟度。
- 对具体 AI 模型版本（如 Claude Opus 4.7、gpt-5.5 xhigh 等）的推荐会随模型迭代快速过期，仓库自身也承认这一点。
- 贡献者评审依赖 .github/CODEOWNERS 建立路径级基线，仓库未提供更细的发布版本、CHANGELOG 或兼容性矩阵等采用决策依据。
如何安装或部署这个 Agent？
这是文档型仓库，没有 Dockerfile、docker-compose.yml 或 K8s 部署入口，也没有固定服务端口；所谓「安装」指克隆仓库并配好校验环境。
前置要求：Git、Node.js 22+（用于固定版本 [email protected]）、Python 3.8+。
git clone https://github.com/tradecatlabs/vibe-coding-cn
cd vibe-coding-cn
git submodule update --init --recursive
pip install -r tools/prompts-library/requirements.txt
# 如需运行 prompts-library 的 Google API / JSONL 辅助脚本
pip install -r tools/prompts-library/scripts/requirements.txt如果只是要配置 AI CLI 环境，README 另外提供了一个零依赖入口：把 README「1 分钟快速开始」里的提示词粘贴到 ChatGPT / Claude / Gemini 网页版，由它按你的操作系统生成 Codex CLI 与本地 Agent 的安装步骤；Codex 配置可以按 tools/config/.codex/README.md 一键安装到 ~/.codex/（安装前自动备份，支持恢复）。
如何使用这个 Agent？
- 先跑仓库自检，确认本地环境可用：
make help # 查看可用任务
make lint # 全仓 Markdown lint
make check-links # 本地相对链接检查
make test # 全部本地质量门禁- 按 docs/getting-started/learning-map.md 选一条路线阅读；新手顺序为 learning-map → vibe-coding-experience → problem-solving → glue-coding → quality-gates-and-pitfalls。
- 配好 AI CLI 后，让本地 Agent 读取本仓库文档，按 docs/workflow/development-process.md 推进「需求 → 计划 → 修改 → 门禁 → 提交 → 复盘」。
- 直接取用资源：prompts/README.md 指向在线提示词库；skills/README.md 列出当前保留技能；assets/README.md 与 assets/external-resources/ 是外部资源的本地注册表。
- 提示词格式转换：
cd tools/prompts-library && python3 main.py- 技能严格校验示例：
skills/auto-skill/scripts/validate-skill.sh skills/auto-skill --strict- tmux 蜂群协作（实验性）：使用 skills/auto-tmux 的 capture / scan / send / rescue / record / hub 子命令管理多个 AI 终端；敏感凭证、生产数据库和不可逆操作必须人工确认。
这个 Agent 与同类方案有什么区别？
README 明确提到并对比了几个对象：一是原仓库 EnzeD/vibe-coding（本项目开头有「原仓库翻译」章节，原作者为 Nicolas Zullo，贡献者区同时展示两个仓库的 contributors 图片），本仓库在其基础上扩展为中文体系化教程。二是 Cursor：README 在「为什么现在 Claude Code 或 Codex CLI 比 Cursor 更强」的 FAQ 中给出作者的判断，并指向原指南 1.1 版本作为想用 Cursor 的替代路径。三是 Claude Code 与 Codex CLI 之间的选择，README 认为二者分别更能发挥 Claude Opus 4.7 和 gpt-5.5 的能力。此外 tools/chat-vault 声明支持 Codex / Kiro / Gemini / Claude CLI 的聊天记录保存。