Vibe 直觉是一种"第六感"——你不再需要刻意思考也能判断 AI 正在输出的东西对不对。
刚开始使用 AI 编程时，你可能会怀疑 AI 的每一行代码。"这段代码真的对吗？它不会在某个地方埋了一个 bug 吧？"你逐行检查，不信任任何一段 AI 写的代码。这种感觉很正常——就像你第一次让一个陌生人帮你自己做重要的决定，你一定会反复确认。
后来你开始信任 AI 但偶尔还会翻车。"大部分时候是对的，但上次它在这个地方写过错的，这次要小心。"你的信任建立在经验的基础上——你知道 AI 在哪些场景下值得信任，在哪些场景下需要留意。
再后来，AI 开始生成代码时你就有一种感觉——"这里好像不太对"——然后果然那一段里面有 bug。这种感觉不是你逐行分析出来的——它是瞬间的、直觉性的。你一看那行代码，就觉得"不对劲"，然后仔细一看——果然有问题。
这种感觉就是 Vibe 直觉。它来自于大量 Vibe Coding 实践经验积累的模式匹配。你见过 AI 在哪些地方容易犯错，见多了，就知道在哪些场景下需要特别注意。你的大脑在无意识中建立了一个"AI 错误模式库"——当 AI 的输出匹配了某个已知的错误模式时，你的直觉就会发出警报。
AI 的"胡说"（幻觉）不是故意的——它是模型在生成时概率性地选择了不正确的路径。了解 AI 最常见的错误模式，是培养 Vibe 直觉的第一课。
模式一：虚构的 API。 这是最常见的 AI 幻觉。AI 说出一个听起来合理的库名、函数名或参数，但实际上不存在。
例如：AI 可能写了一个 fs.renameFile()——但 Node.js 的 fs 模块根本没有这个方法，正确的方法是 fs.rename()。外表看起来和真的 API 很像——rename 这个词是对的，但加上了 File 后缀，变成了一个不存在的方法。
另一个例子：AI 用了一个叫 react-use-modal 的库——你搜索后发现根本没有这个库，但有一个类似名字的 react-modal。AI 把真实存在的库的名字和功能做了"拼接"。
如何识别： 当你看到一些"听起来合理但不太确定"的 API 调用时，在脑子里标记一下。如果后续运行时报错"方法不存在"——这就是虚构 API。
如何应对： 告诉 AI "这个函数不存在，请检查真实 API 文档并修正"。通常 AI 会道歉并使用正确的方法。
模式二：过时的知识。 AI 的训练数据截止日期是哪一天，AI 就只知道那一天之前的东西。如果你问的是这个日期之后发布的工具或功能，AI 会尝试用接近的知识拼凑一个看起来合理的答案——但大概率是错的。
例如：你在 2025 年问 AI "如何使用 Next.js 15 的某个新特性"——如果这个特性是在 AI 训练数据截止日期之后发布的，AI 可能会用 Next.js 14 的类似功能来替代，或者直接编造一个不存在的 API。
另一个例子：AI 告诉你用 createReactApp() 来创建一个新的 React 项目——但在 2024 年，官方推荐已经变成了 create-vite。AI 的知识停留在几年前的"最佳实践"上。
如何识别： 如果你问的是一个新技术或者新版本的功能，保持警觉。AI 给出的方案可能基于旧版本的知识。
如何应对： 告诉 AI "这个项目用的版本是 X，请确认你给的 API 在这个版本中可用。如果不确定，请告诉我你的知识截止日期。"——让 AI 暴露它的不确定性，而不是假装一切都对。
模式三：在复杂的逻辑上"抄近路"。 当需求逻辑比较复杂（多条件判断、嵌套状态、异步流程），AI 倾向于用一种"看起来说得通但实际有漏洞"的方式来实现。它可能在正常的路径上表现良好，但在边界条件下暴露出问题。
例如：你让 AI 实现一个"表单验证"功能——要求检查邮箱格式、密码长度、确认密码是否一致。AI 生成了一个验证函数，看起来逻辑完整。但你测试时发现——邮箱格式检查通过了一个明显不合法的地址（如 "test@test" 没有顶级域名），密码长度检查在空字符串时没有报错。
AI 在"正常情况"下的路径跑通了，但在"边界情况"下的处理有漏洞。这不是 AI 故意偷懒——而是因为复杂的逻辑涉及太多分支条件，AI 的概率性生成机制不可能覆盖所有分支。
如何识别： 在"逻辑复杂"的场景下（多条件判断、异步流程、状态转换），对 AI 的输出保持更高的警惕。不要只看正常路径是否跑通，要想一下"边界情况会怎样"。
如何应对： 明确要求 AI "请特别注意边界情况：空值、异常值、极端值"——或者在测试时主动用边界情况做测试。
模式四：自信地给出错误答案。 这是最难识别的——AI 用完全自信的语气表达了一个错误的答案。因为模型的训练数据中充斥着"肯定的表达"，它学会了用同样的语气说话，不管答案是对是错。
例如：你问 AI "Python 的 append() 和 extend() 有什么区别？"——AI 自信地解释："append() 将一个元素添加到列表末尾，extend() 将另一个列表的所有元素添加到当前列表末尾。" 这是对的。
但你问一个 AI 训练数据中覆盖不充分的问题——"你能解释一下 Rust 的 borrow checker 在异步上下文中的限制吗？"——AI 开始自信地解释，但如果你仔细检查，会发现它的一些说法是错的，或者过于简化了复杂的概念。
如何识别： AI 用极度自信的语气说话时，不代表它是对的。对于那些你不太了解但感觉"这听起来太简单了"的答案，保持怀疑。
如何应对： 让你对 AI 的输出做"交叉验证"——对于重要的信息（特别是涉及安全、性能、架构决策的），让 AI "提供官方文档的链接或引用来源"。如果 AI 无法提供可靠的引用，它的答案可能不完全正确。
随着你做的项目越来越复杂，还有一个更现实的挑战：怎么在和 AI 的多轮对话中不偏离最初的目标。
一个常见的场景：你开始一个对话，目标是"做一个博客系统的文章管理功能"。10 轮对话后，你和 AI 已经在讨论"要不要加一个标签云"、"评论系统的审核流程怎么设计"、"文章的 SEO 标题怎么自动生成"。你突然发现——最初的目标"文章管理"才做了一半，你已经被带偏了。
这不是 AI 的问题——AI 只是在你每次提出新想法时积极响应。你需要自己保持主线。
技巧一：高频确认。
每完成一个子任务，让 AI 帮你总结一下当前的进展和下一步计划。这能确保双方对"我们在哪"的认知一致。
具体做法：在每个功能点完成后，说"总结一下我们做了什么，下一步要做什么"。AI 会给出一个简短的状态更新。你发现"哦，AI 理解的下一步和我预期的不同"——立刻纠正，而不是等到 AI 做错了再回头。
技巧二：把大需求拆成小提示。
与其一次性告诉 AI "帮我做一个小型 CRM 系统"——这太大了，AI 生成的代码一定会有很多你不需要的东西——不如拆成 "先做客户列表页面" → "再做添加客户表单" → "再加搜索功能"。每一步都在控制范围内。
这样做的另一个好处是：即使 AI 在某个步骤上出了问题，损失也被限制在那一小步内。你不必为一个"整个 CRM 系统"的错误输出而沮丧。
技巧三：做决定的时候，不要急着让 AI 代劳。
当遇到一个关键设计决策时——"用户数据存在哪？用 SQLite 还是 PostgreSQL？""认证方案用 JWT 还是 Session？"——先停一下，问 AI 给你分析它们的区别，然后你来做出选择。
主动决策，而不是被动接受 AI 的默认选择。因为 AI 的默认选择不一定是适合你的——它可能基于"最常见"的用法，而不是"最适合你当前项目"的用法。
技巧四：设定"边界规则"。
在对话开始时，告诉 AI 一组"边界规则"：
这些边界规则帮助 AI 保持在自己的轨道上，不会擅自扩展范围。
最后，Vibe 直觉不是"天生的"——它可以刻意练习。就像音乐家的"绝对音感"是通过训练获得的，Vibe 直觉也是通过大量有意识的练习形成的。
练习方法一：每次 AI 犯错时，记录它犯错的"类型"。
是 API 名称写错了？（模式一：虚构 API）是用了过时的语法？（模式二：过时知识）是逻辑有漏洞？（模式三：抄近路）还是自信地给了错误答案？（模式四：自信胡说）
你不需要真的记笔记——在脑子里标记一下就行。做了 10 次这样的标记后，你会发现自己的大脑开始自动识别这些模式。
练习方法二：在读 AI 的输出前，先预测它会犯什么错。
在你发出一条提示词，等待 AI 回复的间隙——这通常有几秒到十几秒的时间——先在脑子里预测："在这个问题上，AI 最可能犯什么类型的错误？"
如果预测对了（AI 确实犯了那类错误），你的识别能力就得到了验证。如果预测错了（AI 完美回答了），你也知道了"原来在这个问题上 AI 已经能处理得很好了"。
练习方法三：做"Vibe 检查"。
在你和 AI 的每一段回复中，养成一个习惯：在读完回复之前，先问自己一句：
"这里我有没有觉得哪里不太对？"
哪怕你没有发现任何问题，这个习惯本身就训练你的 Vibe 直觉。你在刻意思考"哪里可能不对"——即使什么都没发现，你也在强化自己的警觉性。
当你发现自己能预测"AI 在这类问题上大概会犯错"时，你的 Vibe 直觉就已经形成了。它不再是刻意的分析——而是一种自动化的判断，一种"第六感"。
练习的频次和效果：
这就是从"新手"到"直觉高手"的路径——不是靠天赋，是靠有意识的练习积累。
在你和 AI 的下一段对话中，有意识地做一件事：
每段 AI 的回复，在读完之前，先问自己一句："这里我有没有觉得哪里不太对？"——哪怕你没有发现任何问题，这个习惯本身就训练你的 Vibe 直觉。
然后做一个"错误类型练习"：
回顾你最近和 AI 的 5 次交互，尝试把 AI 犯过的错误（如果有的话）归类到本节提到的四类错误模式中：
1. 虚构的 API
2. 过时的知识
3. 逻辑抄近路
4. 自信胡说
如果你发现 AI 没有犯过任何错误，就在下一个对话中主动做一些"测试"——问 AI 一个边界比较模糊的问题，看看它的回答是否完全准确。
当你能够迅速判断"AI 正在犯第几类错误"时，你的 Vibe 直觉就已经形成了一半。剩下的一半，是在实际项目中用这种直觉来指导你的决策——"这里 AI 可能有问题，我需要仔细检查"或者"这里 AI 通常靠谱，我可以放心让它去做"。