vibe coding 是什麼?不會寫程式能做 App 嗎:能力邊界與五個卡點
發佈 2026-09-10 · 更新 2026-09-09 · 閱讀約 6 分鐘 · AI 工作術（法芮可有限公司）
vibe coding 是什麼?用白話講清楚定義、和「用 AI 寫程式」的差別,並直接回答不會寫程式到底能做出什麼、做不出什麼。內含能力邊界對照表、新手最常卡住的五個地方、一個週末的實作流程、工具與成本估法,以及什麼時候該停手找工程師。
先給結論:vibe coding 是「你用自然語言描述要什麼,AI 產出程式碼,你主要看結果對不對、而不是逐行讀 code」的開發方式。不會寫程式的人確實做得出能動的東西——內部小工具、表單、抓資料的腳本、給老闆看的原型 demo,一個週末就有成品。這不是行銷話術,是現在的實際水準。
但「做得出來」跟「敢拿去給客戶用」是兩件事。我們自己在營運 AI 工具站、AI 剪片引擎和廣告工具,團隊內部大量用 AI 寫程式,體感很一致:寫出第一版的時間被壓縮到大約十分之一,但除錯、上線、維運的時間幾乎沒變少,有些情況還變多。門檻沒有消失,只是從「會不會寫」移到了「看不看得出它哪裡寫錯」。
這篇講三件事:vibe coding 到底涵蓋什麼、不會寫程式的人實際能做到哪一格、以及最容易卡死的幾個點。看完你會知道要不要投時間下去。
vibe coding 是什麼?跟「用 AI 寫程式」差在哪
這個詞是 2025 年初由 AI 研究者 Andrej Karpathy 在社群上帶起來的,原意有點自嘲:你「順著感覺」把需求丟給 AI,接受它產出的東西,能跑就好,不太去讀那些程式碼。後來被廣泛拿來指稱「以自然語言為主要介面的開發流程」。
關鍵差異在一句話:用 AI 寫程式的人會讀 AI 寫了什麼;vibe coding 的人主要看它跑起來對不對。同樣是打字給 AI,前者是加速,後者是換一種工作方式。
- 傳統寫程式:你決定架構、自己寫、自己除錯。AI 頂多幫你補全。
- AI 輔助開發:AI 寫草稿,你逐段審查、改掉不合理的地方。這是目前多數工程師的日常。
- vibe coding:你描述需求與問題,AI 寫、AI 改、AI 跑測試,你負責驗收行為。程式碼你可能從頭到尾沒細看。
三者不是對立,而是同一條光譜上的位置。同一個人在做內部小工具時可以很 vibe,在改金流時就會退回逐行審查。該用哪一格,取決於出錯的代價,而不是你會不會寫。
不會寫程式,實際能做出什麼?
直接給邊界。以下這張表是我們實際帶過非工程背景同事的結果,不是理論推估。
| 類型 | 可行度 | 說明 |
|---|---|---|
| 單機小腳本(整理 Excel、批次改檔名、抓公開資料) | 很可行 | 當天就能有成果,壞了重跑一次也沒差,是最適合入門的一格 |
| 個人用小網頁工具(計算機、表單、看板) | 可行 | 一個週末做得出來,難點在部署不在寫 |
| 給老闆/客戶看的原型 demo | 可行 | vibe coding 目前最大的價值就在這裡,把想法變成可點的畫面 |
| 內部小工具(團隊 5-20 人用) | 勉強 | 做得出來,但權限、備份、有人用壞了誰修,都要有答案 |
| 對外收費的產品、會員系統 | 不建議獨自做 | 牽涉個資、金流、稽核,錯一次的代價遠大於省下的開發費 |
| 金流、發票、扣款、醫療或法遵相關 | 不要 | 這類系統的難處從來不是把功能寫出來,是把所有失敗情境處理好 |
看得出規律嗎?判準不是功能複雜度,是「出錯之後誰會受傷、能不能補救」。腳本跑錯重跑就好;扣款扣兩次要跟客戶道歉、對帳、退款。前者放心 vibe,後者請人。
真正會卡住的五個地方
下面這五個是我們自己踩過、也在別人身上重複看到的。第一版順到不行的人,幾乎都是卡在這裡。
- 最後 20% 吃掉八成時間。做出「大致能跑」很快,但「所有奇怪輸入都不會爆」很慢。使用者一定會貼進去一個空白、一個全形逗號、一個 3GB 的檔案。
- 陷入改一個壞一個的迴圈。貼錯誤訊息 → AI 改 → 換一個新錯誤 → 再貼 → 繞回第一個錯誤。這是新手最痛的階段,因為你沒有判斷力可以喊停。破解法:出現同類錯誤第三次就停手,把整份檔案和你的目標重新描述一次,讓 AI 重寫,而不是繼續疊補丁。
- 靜默失敗:回報成功,實際什麼都沒做。這是最陰險的一種。AI 很愛寫「出錯就記一筆 log 然後繼續」,結果程式每天回報執行成功,資料一筆都沒進去,兩週後才被發現。我們自己在排程系統上吃過這個虧,所以現在會明確要求 AI「失敗要讓它失敗」。細節可以看 自動化靜默失敗檢查清單,那篇講的三個檢查點對 vibe coding 產出的腳本一樣適用。
- 本機會動 ≠ 別人能用。把東西放到網路上、讓同事連得到,牽涉網域、環境變數、資料庫連線、權限。這一段 AI 幫得上忙,但錯誤訊息通常出現在你的電腦以外的地方,新手很難定位。
- 安全性是預設不會有的。API 金鑰被寫死在程式裡、資料庫任何人都能讀、上傳檔案沒有檢查。AI 不會主動幫你想這些,除非你問。只要東西會連上公開網路,就一定要單獨問一次「這份程式有哪些安全風險」。
新手的第一個週末:一個能照做的流程
別一開始就做 App。挑一件你每週都要手動做、做起來很煩、做錯了也不會死人的事,例如把幾個 CSV 合併成一張報表。
- 先用文字寫清楚需求:輸入是什麼、輸出長什麼樣、有哪些例外。這一步花 20 分鐘,能省後面兩小時。
- 要求 AI 先講方案再寫 code:「先告訴我你打算怎麼做、需要裝什麼,我確認後再寫。」新手最容易犯的錯是讓它直接噴 200 行,然後你完全接不住。
- 一次只做一小塊:先讀檔案並印出前五筆,確認對了再做下一步。不要一次要求完整功能。
- 每次能跑就存一份:最低限度是複製一個資料夾備份。學得起來的話用 Git,但第一個週末不用勉強。
- 刻意餵爛資料:空檔案、欄位少一欄、中文亂碼各試一次,看它是「明確報錯」還是「安靜地產出空報表」。後者要求 AI 改掉。
- 最後問一次:「這份程式有哪些會安靜失敗的地方?哪裡有安全風險?」這一問常常會挖出三到五個你完全沒想到的問題。
做完這一輪,你對 AI 的能力邊界會有很具體的體感,比看十篇教學有用。
工具怎麼選、成本大概多少
工具分三類,不用全學,依你的目標選一個入門就好。
| 類型 | 適合誰 | 優缺點 |
|---|---|---|
| 對話式(在聊天視窗貼來貼去) | 完全新手、寫小腳本 | 門檻最低、看得懂每一步;但檔案一多就很累 |
| 編輯器/終端機裡的 AI 代理 | 願意花一天學基本操作的人 | 能直接改檔案、跑測試,效率差距很大;要先過環境安裝這關 |
| 全託管網頁生成平台 | 只要一個能給人看的原型 | 部署最省事;客製化到一定程度就會撞牆,搬走成本高 |
模型選哪家可以參考 ChatGPT、Claude、Gemini 的實測比較;想從對話式起步的話,Claude 教學新手指南裡的實戰任務可以直接套用。
成本方面,一般人每月訂閱一到兩個工具就夠用,實際金額請以各家官方價格頁為準(方案調整很頻繁,網路上抄來的數字常常過期)。真正會失控的是用 API 計費的情境:AI 代理每改一次檔案都會把大量程式碼讀進去,token 用量比聊天高一個量級。開始前建議先看 AI token 是什麼、成本怎麼估,並在後台設好用量上限。
另外提醒一句:不是所有需求都值得自己做。我們營運 AI 工具箱 的經驗是,像字幕、剪片、廣告素材這類已經有成熟工具的環節,自己 vibe 一套出來通常撐不過三個月的維護。與其重造,不如把時間花在「只有你懂的那段流程」。
什麼時候該停手,找真的工程師
不是要潑冷水,而是這幾條線踩過去,省下的錢會用別的方式加倍還回來。出現以下任一項,請找人:
- 系統要存別人的個資(姓名、電話、地址、身分證字號)。
- 牽涉金錢流動:收款、退款、發票、優惠券。重複執行會不會重複扣款,這題答不出來就不能自己上線。
- 掛掉會有人打電話罵你,而且你當下修不好。
- 你已經連續兩天卡在同一個錯誤。這時候不是能力問題,是缺少一個看得懂全局的人。
- 要接第三方平台的 webhook 或回呼(物流、金流、社群)。這類整合的難點都在失敗重試邏輯,可以參考 IG 留言自動回覆的實作流程,裡面防迴圈和額度控管的部分很能說明「功能寫得出來、細節才要命」是什麼意思。
反過來說,只要是自己用、內部用、壞了重跑就好的東西,放膽做。這一格的價值被嚴重低估了——很多人每週花三小時做的重複工作,其實兩個小時就能自動化掉。
常見問題
Q:vibe coding 真的完全不用懂程式嗎?
做小工具可以,但你至少要建立幾個基本概念:程式跑在哪裡、資料存在哪裡、錯誤訊息大概在講什麼。這些不用學語法就能懂,大約幾小時的閱讀量。完全零概念的話,你會卡在第一個環境安裝問題就過不去。
Q:AI 寫的程式碼可以商用嗎?會有版權問題嗎?
主要工具的服務條款一般都允許你使用產出的內容做商業用途,但各家條款不同、也會改版,實際請以你所用服務的官方條款為準。真正該注意的是 AI 有時會引入有授權限制的第三方套件,上線前確認一下相依套件的授權比較實際。
Q:一個完全不會寫程式的人,要多久才能做出第一個能用的東西?
如果選對題目(單機小腳本、資料整理),多數人一到兩個週末就會有第一個真的在用的成品。想做到「別人也能連上來用」的網頁服務,通常要再加兩到四週,難的不是寫,是部署跟處理各種例外。
Q:AI 一直改不好同一個 bug,怎麼辦?
同類錯誤出現第三次就停止追加補丁。換做法:開一個全新對話,把完整檔案、你想達成的目標、以及「已經試過哪些方法但失敗」一次講清楚,請它重寫那一段。上下文被錯誤嘗試污染,是這種迴圈的主因。
Q:vibe coding 會取代工程師嗎?
短期內看到的是分工變了,不是消失。寫第一版的能力貶值很快,但判斷「這樣寫上線會不會出事」的能力反而更值錢。實務上工程師省下的時間,大多轉去做架構、審查和救火——這三件事目前 AI 都還不太可靠。