来源：https://github.com/datawhalechina/vibe-vibe

经过本节学习，你将了解：

• Vibe Coding 不擅长的五大场景
• "70% 问题"和"80% 墙"是什么
• 为什么知道局限性反而让你更有信心

先看数据：AI 生成的代码并不完美

这些是 2025 年的真实数据，不是为了吓你，而是帮你建立正确预期：

最后一条数据特别有意思：开发者觉得自己变快了，但实际上变慢了。这说明 AI 带来的"流畅感"可能是一种错觉。

这不是说 AI 没用，而是说：AI 是工具，不是魔法。需要你来把关。

"70% 问题"：AI 能做 70%，剩下 30% 要你来

Google 工程师 Addy Osmani 在 2025 年提出了一个观察：

AI 可以轻松完成一个项目的 70%——生成样板代码、实现标准功能、处理常规逻辑。但剩下的 30% 才是真正的挑战：复杂的业务逻辑、边界情况处理、系统架构决策、性能优化。

对于基础版学习者来说，好消息是：你做的项目大部分在"70%"的范围内。待办清单、个人工具、简单网站——这些正是 AI 最擅长的。

"80% 墙"：项目做到 80% 后，每一步都变难

另一个常见现象是"80% 墙"：

用 AI 快速做出一个项目的初版很容易，但当你想添加更多功能时，会发现每增加一个功能都比上一个更难。到了大约 80% 的时候，项目会撞上一堵"墙"。

为什么会这样？

这不是你的问题。这是 AI 工具本身的限制——它的"记忆"是有限的，无法像人类一样理解整个项目的来龙去脉。

Vibe Coding 不擅长的五大场景

场景一：复杂业务逻辑

为什么困难：AI 不理解你的业务背景。它能写出"看起来正确"的代码，但逻辑可能是错的。

真实例子：

• 你让 AI 写一个"会员积分系统"
• AI 生成了代码，看起来能运行
• 但它不知道你们公司的积分规则有特殊情况：满 100 积分送 10 积分、生日当天双倍积分、积分有效期 1 年...
• 结果：代码能跑，但业务逻辑全错

场景二：大型项目

为什么困难：AI 的"上下文窗口"是有限的。当项目有几十个文件、几千行代码时，AI 无法同时"看到"所有内容。

会发生什么：

• 代码重复（AI 忘记你已经写过类似功能）
• 命名不一致（同一个概念用不同的名字）
• 结构混乱（没有统一的组织方式）

场景三：安全关键功能

为什么困难：安全漏洞往往藏在细节里，AI 倾向于生成"能用"的代码，而不是"安全"的代码。

根据 Veracode 2025 报告：

• 86% 的 AI 生成代码未能防御跨站脚本攻击
• 88% 的 AI 生成代码未能防御日志注入攻击

典型问题：

• 没有验证用户输入
• 没有正确处理敏感数据
• 使用了有已知漏洞的库

这就是为什么 5.3 节专门讲安全——AI 在这方面需要你来把关。

场景四：性能优化

为什么困难：AI 倾向于选择"最简单"的实现方式，而不是"最高效"的。

真实例子：

• 你让 AI 写一个"搜索功能"
• AI 用最简单的方式实现：遍历所有数据，逐个比较
• 数据少的时候没问题
• 数据多了（比如 10 万条）就会变得很慢

会发生什么：

• 小数据量测试时一切正常
• 上线后用户变多，系统变慢
• 你不知道慢在哪里，因为代码"看起来没问题"

场景五：调试复杂 bug

为什么困难：AI 只能看到你给它的信息，无法像人类一样"追根溯源"。

一个形象的比喻

Vibe Coding 就像有了翻译软件去国外旅游：

翻译软件能让你的旅行更轻松，但如果你想在那个国家长期生活、工作，还是需要学习语言本身。

Vibe Coding 也是如此：它能让你快速做出东西，但如果你想做更复杂的项目，可能需要学习更多编程知识。

本节要点

• AI 生成的代码并不完美：45% 有安全隐患，46% 的专业开发者不完全信任
• "70% 问题"：AI 能完成 70%，剩下 30% 需要人类智慧
• "80% 墙"：项目做到 80% 后，每增加一个功能都变难
• 五大不擅长场景：复杂业务逻辑、大型项目、安全关键功能、性能优化、复杂 bug 调试
• 知道局限性不是坏事——它帮你建立正确预期，在遇到困难时不自我怀疑

→ 5.5.3 什么信号告诉你需要学习更多