Vibe Coding 是这两年 AI 编程领域出现频率很高的概念简单说就是“用自然语言描述意图让 AI 生成代码”。很多人第一次接触时以为它只是一个提示词技巧实际落地时才发现真正决定成果的是一整套环境、上下文管理和反馈验证的工作流。本文围绕“环境搭建 工作流闭环”这条主线从一个最小可运行项目出发讲解如何把 Vibe Coding 从概念变成可复现的日常开发方式并针对常见报错、上下文丢失、环境依赖不一致等问题给出排查路径。适合的读者有两类一类是刚接触 AI 编程工具、想从零跑通一个项目的开发者另一类已经用 Cursor、Copilot 等工具写过代码但经常遇到“生成的代码能看不能跑”“改了一次又回归”的问题。无论哪类读者读完这篇文章后都应能独立搭建基础环境、设计一份稳定的提示词、让 AI 完成一个可运行项目并且知道生产环境还需要补哪些能力。1. 先搞清楚 Vibe Coding 是什么它和传统编程差别在哪1.1 Vibe Coding 的通俗解释和技术定义用一句话解释 Vibe Coding你不再逐行写代码而是用自然语言描述“我想要什么”由 AI 编程工具生成实现代码。这个表述听起来简单但背后涉及几个关键要素。更准确一点说Vibe Coding 是一种以大型语言模型为基础的交互式软件开发范式。开发者通过自然语言提示词向 AI 描述需求AI 返回代码片段或完整文件开发者再根据运行结果、报错信息和测试反馈继续与 AI 对话形成“描述 → 生成 → 运行 → 修复 → 再生成”的循环。在这个循环里“Vibe”指的是开发者的意图和判断力而不是完全放手让 AI 自由发挥。这个范式解决了传统编程的一个现实问题很多非职业开发者有明确的功能想法但被语法、框架、接口细节卡住。Vibe Coding 把“怎么实现”交给模型把“要不要实现、怎么验证、如何集成”留给人。它降低了编码门槛但同时把门槛转移到了需求拆解、环境配置和结果验证上。1.2 Vibe Coding 不是“不用写代码”而是换了一种写代码的方式一个容易误导新手的地方是很多人以为 Vibe Coding 等于“完全不用看代码”。实际工作中AI 生成的代码经常需要人去读、去改、去补测试尤其在项目进入第三四天之后代码量增大、模块变多AI 对全局的理解会明显下降。举个典型场景如果让 AI 生成一个登录接口需求只写“实现用户登录”AI 大概率会假设数据库、加密方式、Token 机制结果生成的代码可能依赖你没安装的库或者使用了你项目中并不存在的工具类。这不是 AI 能力差而是需求描述里缺少约束。约束越少AI 的自由度越大生成结果越不稳定。所以更准确的说法是Vibe Coding 改变了“写代码”的过程但没有改变“思考代码”的责任。开发者仍然需要知道项目要解决什么问题、数据怎么流转、异常怎么处理、代码如何验证。真正的高手不是会写多精巧的提示词而是能提供高质量的上下文并对 AI 输出做快速判断。1.3 四类容易混在一起的工作流先分清再学习搜索“Vibe Coding”“工作流”相关词条时会碰到四类完全不同但又经常被放一起讨论的概念工作流类型代表工具解决什么问题和 Vibe Coding 的关系AI 辅助编程工作流Cursor、Copilot、Continue在编码过程中用自然语言生成、修改、解释代码本文讨论的主角可视化 AI 应用编排工作流Coze、Dify通过拖拽节点搭建 AI 应用如客服机器人、文档处理流可用于组合 AI 能力其中代码节点也可交给编程 AI 生成图像生成节点工作流ComfyUI用节点连接方式编排 Stable Diffusion 等图像生成模型偏创作方向和软件工程属性不同业务系统工作流引擎Flowable在业务系统中定义审批、任务流转等流程和 Vibe Coding 没有直接关系属于企业级应用开发分清这四类能少走很多弯路。很多初学者以为“学会了 Vibe Coding 就等于会做 Coze 工作流”这是把概念搞混了。Vibe Coding 解决的是“代码怎么写”的问题Coze、Dify 解决的是“AI 应用怎么编排”的问题ComfyUI 解决的是“图像生成管线怎么连”的问题Flowable 解决的是“业务审批流程怎么走”的问题。它们可以组合使用但学习路径完全不同。2. 环境搭建按项目类型准备运行环境而不是先装一堆工具2.1 环境搭建前先回答三个问题很多人在环境搭建这一步就卡住原因不是操作复杂而是不知道当前项目需要什么。如果看到教程就装 Python、Node.js、Java、Go、CUDA最后大概率会得到一台“看起来什么都有但每个项目都跑不起来”的电脑。开始配置环境前先回答三个问题项目类型是什么是 Python Web 后端、前端页面、数据处理脚本、AI 模型训练还是嵌入式设备开发项目打算运行在哪里本机、公司服务器还是云平台不同位置的运行环境、依赖管理和权限策略差别很大。用哪类 AI 编程工具是 IDE 插件、独立编辑器还是云端 AI 开发平台这三个问题的答案直接决定要安装什么、不需要安装什么。例如做一个 Java Spring Boot 项目重点装 JDK 和 Maven做一个 PyTorch 训练任务重点装 CUDA、驱动和 Python 包做一个 Arduino 设备程序重点是 Arduino IDE 或 ESP32 插件和 Java 环境无关。2.2 通用基础环境Python、Node.js、Git、Docker虽然项目类型不同但大多数 Vibe Coding 学习项目都会用到四类基础工具Python、Node.js、Git以及一个用于隔离运行环境的容器工具。Python 是 AI 生态中使用最广的语言很多 AI 生成的项目示例都基于 Python。建议安装 3.10 或更高版本并在安装时勾选“Add Python to PATH”否则后续在终端里输入 python 会提示找不到命令。Node.js 用于前端项目和工具链建议安装 18 LTS 或更高版本。Git 用于版本管理因为 AI 生成的代码在迭代过程中很容易改坏没有版本回退会很被动。Docker 用于创建干净、可复现的运行环境虽然学习阶段不是必须但如果项目依赖复杂建议尽早使用。安装完成后在终端执行以下命令验证环境python --version node --version npm --version git --version docker --version能正常输出版本号说明基础环境就绪。这里有一个常见坑安装了 Python 但终端不识别多半是 PATH 没有配置或者安装的是 Microsoft Store 版本需要重新安装并勾选添加 PATH。注意环境搭建阶段不要追求“版本最新”。AI 生成的代码往往基于训练数据中的常见版本如果本地版本过新反而可能因为 API 变更而报错。稳定性优先再考虑升级。2.3 AI 编码工具IDE 插件和独立客户端怎么选AI 编码工具大致分三类独立 AI 编辑器、IDE 插件、云端 AI 开发平台。独立编辑器的代表是 Cursor它把 AI 对话、代码补全、多文件修改集成在一个界面里适合新手。IDE 插件则以 VS Code Continue、GitHub Copilot 为代表适合已经习惯现有 IDE 的开发者。云端 AI 开发平台则是浏览器里完成从生成到部署的流程适合做原型验证但要注意上传代码的隐私风险。选择建议新手建议从独立 AI 编辑器开始因为交互简单能直接看到 AI 修改文件的过程。团队项目建议在原有 IDE 基础上安装 AI 插件减少迁移成本。涉及敏感代码或公司内部项目时优先确认 AI 工具的数据使用策略不要直接把核心代码粘贴给公共模型。如果电脑配置较低可以考虑云平台但要注意网络环境和数据合规。不需要同时安装多个 AI 工具。先用一个工具跑通完整流程再根据自己的使用习惯扩展。工具本身不会决定代码质量决定质量的是对上下文的管理能力。2.4 不同项目分支的环境差异以 PyTorch、Go、R、HarmonyOS、ESP32 为例基础环境就绪后需要根据项目方向补充对应环境。下面是一些常见分支的最低要求项目方向必需环境补充说明PyTorch 模型训练Python、CUDA、PyTorch先确认显卡驱动和 CUDA 版本匹配再安装 PyTorchGo 后端服务Go SDK、Go Module配置 GOPATH 或使用 Go Module 管理依赖R 语言数据分析R、RStudio 或 VS Code R 插件Windows 下注意安装路径不含中文和空格HarmonyOS 应用DevEco Studio、HarmonyOS SDK属于移动端开发和 Web 后端环境完全不同ESP32 / Arduino 开发Arduino IDE 或 PlatformIO需要额外安装对应开发板支持包部分还涉及串口驱动这些环境之间互不相通。AI 可以帮你生成 PyTorch 的训练脚本但如果本机 CUDA 版本不对训练代码照样跑不起来。AI 也可以帮你写 HarmonyOS 的页面但如果没装 DevEco Studio连编译都无法完成。Vibe Coding 的一个重要原则是AI 负责生成代码环境是否可用必须由人负责验证。3. 第一条工作流闭环从想法到可运行项目3.1 一个最小案例用 AI 生成一个 Python Web API为了理解整套工作流先从最简单的项目开始。目标是用 AI 生成一个“待办事项 API”技术栈选择 FastAPI因为 FastAPI 代码简洁、自带接口文档适合验证 Vibe Coding 的流程。打开 AI 编程工具输入这样一段提示词请用 FastAPI 生成一个 todo API包含以下功能 1. 新增待办事项字段有 id、title、done 2. 查询所有待办事项 3. 根据 id 查询单个待办事项 4. 修改待办事项的完成状态 5. 删除待办事项。 数据暂时保存在内存列表中不需要数据库。 项目结构保持简单建议所有代码放在 main.py 中。这个提示词看起来普通但它包含了三个关键信息技术栈FastAPI、功能列表5 个接口、边界约束内存存储、单文件。AI 拿到这些信息后生成的代码会比“帮我写一个待办接口”稳定得多。AI 可能返回类似下面的代码from fastapi import FastAPI, HTTPException from pydantic import BaseModel from typing import List, Optional app FastAPI() class Todo(BaseModel): id: int title: str done: bool False todos: List[Todo] [] next_id 1 app.get(/todos, response_modelList[Todo]) def list_todos(): return todos app.post(/todos, response_modelTodo) def create_todo(todo: Todo): global next_id todo.id next_id todos.append(todo) next_id 1 return todo app.get(/todos/{todo_id}, response_modelTodo) def get_todo(todo_id: int): for todo in todos: if todo.id todo_id: return todo raise HTTPException(status_code404, detailTodo not found) app.put(/todos/{todo_id}, response_modelTodo) def update_todo(todo_id: int, todo: Todo): for index, item in enumerate(todos): if item.id todo_id: todo.id todo_id todos[index] todo return todo raise HTTPException(status_code404, detailTodo not found) app.delete(/todos/{todo_id}) def delete_todo(todo_id: int): for index, item in enumerate(todos): if item.id todo_id: todos.pop(index) return {message: deleted} raise HTTPException(status_code404, detailTodo not found)这段代码是教学示例不是生产级实现。实际项目的关键点是AI 生成的代码可能有变量作用域问题、缺少全局声明、甚至拼写错误所以生成之后必须进入验证阶段不要直接复制运行。3.2 需求描述怎么写AI 输出质量最稳定提示词是 Vibe Coding 工作流中最容易被低估的部分。真实场景里写一句话让 AI 生成代码结果往往需要反复修改很多次。想提高第一次生成的成功率建议在提示词里包含以下要素角色希望 AI 以什么身份完成工作例如“你是一名熟悉 FastAPI 的 Python 开发者”。目标要解决什么问题输出什么形式的结果。输入输出输入数据结构、输出格式。技术栈语言、框架、依赖版本如果已知就写清楚。边界约束明确说明不需要数据库、不需要权限、不需要部署防止 AI 过度设计。验收标准希望运行起来后能看到什么效果。一个比较通用的提示词模板你是一名熟悉 {语言/框架} 的开发者。请实现一个 {功能描述}。 输入数据格式{数据字段和类型} 输出要求{返回值格式} 技术选型{框架、库、版本} 约束 - 不需要 {数据库/用户系统/部署} - 代码放在 {目录或文件名} - 依赖清单写入 {requirements.txt 或 package.json} 完成后请给出运行方式和验证步骤。错误示范是“写一个登录功能”推荐示范是“用 FastAPI 和 SQLite 实现一个基于 JWT 的登录功能包含注册、登录、获取当前用户三个接口密码使用 passlib 哈希存储接口返回 JSON”。后者把技术选型、功能范围、安全要求都写清楚了AI 生成结果的可运行性会明显提高。3.3 生成代码后不要直接信任先按四步验证代码生成后按四个步骤验证缺一不可第一步安装依赖。确认 AI 是否生成了 requirements.txt没有就手动创建并安装 FastAPI 和 uvicornpip install fastapi uvicorn第二步启动服务。在项目目录下执行uvicorn main:app --reload看到类似Uvicorn running on http://127.0.0.1:8000的输出说明服务启动成功。第三步请求接口。用 curl 测试新增和查询接口curl -X POST http://127.0.0.1:8000/todos \ -H Content-Type: application/json \ -d {\title\: \learn vibe coding\} curl http://127.0.0.1:8000/todos预期输出是一个包含待办事项的 JSON 数组。第四步查看日志。服务启动后终端会打印访问日志和错误信息。如果请求 500要回到终端看堆栈把错误信息复制给 AI 修复。3.4 迭代修复把报错信息作为上下文喂给 AI第一次生成代码很少一次通过这是正常现象。最常见的修复方式是把完整报错信息、当前代码、运行环境一起交给 AI让 AI 定位问题。例如遇到ImportError: cannot import name BaseModel from pydantic不要只发“报错了”这句话。推荐这样反馈项目使用 FastAPI pydantic运行 uvicorn 时报错 ImportError: cannot import name BaseModel from pydantic main.py 内容如下 {把代码粘贴过来}带上完整上下文后AI 能判断是 pydantic 版本太旧、导入路径写错还是代码中误用了类名。如果只发“报错了”三个字AI 只能猜修复效率很低。这里有一个重要原则每一次迭代只处理一个问题。很多 AI 会话越改越乱是因为开发者一次性让 AI 修复多个问题AI 在修改过程中引入了新的回归。正确做法是先解决启动错误再解决接口返回错误最后再优化代码结构。4. 把工作流从单次生成升级为项目级闭环4.1 项目级 Vibe Coding 工作流的五个阶段单次生成能跑通最小示例但进入真实项目后必须把流程固化成五个阶段。需求澄清阶段明确项目目标、用户角色、核心功能、验收标准。这一阶段不要写代码先写一份简短的需求说明哪怕只有几行。任务拆解阶段把需求拆成可独立验证的小任务。例如“待办 API”可以拆成“创建工程目录”“实现待办模型”“实现新增和查询接口”“实现修改和删除接口”“编写测试脚本”。生成实现阶段针对每个任务把明确的需求描述给 AI生成对应代码。每次只生成一个任务的代码避免一次性生成十几个文件导致上下文混乱。验证反馈阶段安装依赖、运行测试、检查接口、观察日志。验证通过后再进入下一个任务。这是整个闭环中最关键的一步也是最容易被跳过的。提交归档阶段验证通过后把代码提交到 Git并在 README 中记录运行方式、依赖版本和已知问题。这一步确保后续任务出了问题可以回退。这五个阶段形成一个循环。每个循环处理一个小任务多个循环叠加就是一个完整项目。4.2 Context 管理AI 为什么总记不住前面的需求很多使用 Vibe Coding 的人会在项目进行到第三四个功能时发现AI 开始“忘记”之前的需求。比如你让它修改新增接口结果它把查询接口也改了或者你让它保持单文件结构它却生成了新的目录。根本原因是上下文窗口有限。AI 只能基于当前会话中仍然保留的对话内容做判断当对话变长、文件变多早期信息会被压缩。这不是模型“笨”而是技术限制。项目级工作流的应对方式小步提交每完成一个功能就提交一次代码不把大量修改堆在同一个会话里。关键约束写进文件把技术选型、目录结构、命名规范写进项目根目录的AI_CONTEXT.md每次让 AI 修改前先让它阅读这个文件。新开会话时补上下文如果发现 AI 开始遗忘需求新建一个会话把项目说明和当前要解决的问题重新粘贴进去。使用“让 AI 先总结再修改”的技巧修改前先问 AI“根据当前代码新增 X 功能会涉及哪些文件”让 AI 输出计划确认后再执行修改。4.3 可视化工作流工具和 Vibe Coding 的配合方式前面提到 Coze、Dify、ComfyUI 是不同类型的工作流工具。在实际项目中它们可以和 Vibe Coding 配合使用。以 Dify 为例如果要在 Dify 中搭建一个客服机器人通常需要编写自定义代码节点来处理输入输出格式。这个代码节点可以直接让 Vibe Coding 工具生成生成后粘贴到 Dify 的代码编辑器里。换句话说Vibe Coding 负责生成代码片段Dify 负责把 AI 能力串成应用服务。Coze 类似平台内置了很多可视化节点但遇到数据清洗、接口调用等复杂逻辑时仍然可能需要写 Python 代码节点。这时用 Vibe Coding 生成代码能节省大量时间。ComfyUI 则更偏图像生成。它本身有节点式工作流但有时需要写自定义节点来处理图像数据这部分也可以借助 Vibe Coding 生成但需要对 ComfyUI 的 API 有一定了解。至于 Flowable它是纯业务系统的工作流引擎和 AI 无关。如果在 Flowable 项目中想使用 Vibe Coding实际上是让 AI 生成 Flowable 的流程定义 XML、Java 委托类或表单配置属于“AI 辅助企业级开发”的范围。4.4 团队协作时的代码交接和评审Vibe Coding 单独使用时问题不大但在团队项目中AI 生成的代码会影响其他成员。团队协作至少要补三件事第一代码评审。AI 生成的代码需要有人负责审查重点检查安全漏洞、异常处理、依赖引入和性能问题。不要因为 AI 生成的代码可以运行就直接合入主干。第二注释和文档。AI 生成的代码往往没有注释或者注释写得像废话。可以让 AI 补充模块说明和关键函数注释但最好在评审时修改为真正解释业务逻辑的注释。第三可复现环境。AI 生成的代码依赖了哪些库、什么版本要在requirements.txt或package.json中固定最好配合 Dockerfile 保证其他成员能在相同环境运行。否则会出现“我这边能跑你那边不行”的经典问题。5. 常见问题排查AI 写代码最容易卡的六个地方5.1 提示词写了但 AI 生成的代码一直报错现象AI 生成的代码无法运行反复让 AI 修复还是报错。可能原因提示词里技术栈不明确、功能范围过大、上下文缺失或者 AI 使用了你本地没有安装的库。检查方式先看报错信息的第一行确定是导入错误、语法错误还是运行时逻辑错误再看 requirements 或 package.json 中是否包含报错涉及的依赖。处理建议如果报错来自缺失依赖先安装依赖再运行如果报错来自代码逻辑把完整报错和当前代码粘贴给 AI 修复如果多次修复无效回到第 3 节将任务拆得更小再重新生成。5.2 环境装好了运行还是提示缺少模块现象代码里明明 import 了某个库运行却提示 ModuleNotFoundError。可能原因终端使用的 Python 环境和安装依赖的环境不一致。最常见的是安装了库但没激活虚拟环境或者pip install装到了系统 Python而项目用的是另一个 Python。检查方式which python which pip python -m pip list | grep 包名处理建议使用虚拟环境在项目目录下执行python -m venv venv # Windows venv\Scripts\activate # macOS / Linux source venv/bin/activate pip install -r requirements.txt确认终端提示符前面出现(venv)之后再运行项目。5.3 AI 生成代码风格混乱、过度设计现象AI 自动创建了多个目录、引入了不需要的依赖、封装了多层抽象代码量比预期大很多。原因提示词里缺少“简单优先”的约束。AI 在训练时见过大量企业级代码默认会生成“看起来完整”的工程结构。处理建议在提示词中明确写“保持简单”“不需要额外封装”“所有代码放在单个文件”“不要引入未要求依赖”。如果 AI 已经生成了过度设计代码直接删除不需要的文件保留最小可运行部分再继续迭代。5.4 代码能跑但不知道它到底做了什么现象项目可以启动接口也能返回数据但自己解释不清楚每一段代码的作用。原因跳过了阅读和验证阶段直接把 AI 生成的代码当作黑盒。这在学习阶段危害最大。处理建议让 AI 为每一段关键代码添加中文注释并让它用几句话解释整体流程请阅读当前项目代码解释 main.py 中的请求处理流程 包括数据校验、存储和异常处理分别在哪几行完成。阅读完 AI 的解释后自己再对照代码确认。如果解释和代码不一致说明 AI 开始产生幻觉这时候以代码实际行为为准不要相信文字说明。5.5 Windows 下中文编码和路径问题现象代码中包含中文提示文本运行时出现UnicodeDecodeError或者文件路径包含中文导致找不到文件。原因Windows 控制台的默认编码和 Python 的编码设置不一致旧版本 Python 默认使用 GBK 读取文件。处理建议所有 Python 源文件保存为 UTF-8 编码在读取文件时显式指定编码with open(data.json, r, encodingutf-8) as f: data json.load(f)如果控制台输出中文乱码可以在运行前设置set PYTHONUTF81项目目录和安装路径尽量避免中文和空格这一步能减少大量与 AI 无关的环境问题。5.6 所谓“七天学习路线”应该怎么排很多教程声称七天从入门到精通实际上很容易让人陷入“第一天装环境、第二天卡环境、第三天放弃”的循环。这里给一份更稳妥的五步路线不强行限定天数但足够紧凑阶段目标验证标准第一步理解 Vibe Coding 的循环模型能说清“生成、运行、反馈、修复”四个动作第二步搭建基础环境本机能运行 Python 和 Node.js命令行能识别 git第三步跑通最小闭环用 AI 生成并运行一个 FastAPI 接口第四步完成一个三功能小项目生成、运行、提交 Git并在 README 中记录运行方式第五步补生产意识和排错能力能处理缺少依赖、端口占用、编码问题三类常见错误“七天”在这里不是承诺而是一种学习节奏。只要每一天都完整走完“描述 → 生成 → 验证 → 记录”这个小循环比看再多教程都有效。最容易失败的做法是第一天把所有工具都装一遍剩下几天什么都不写。6. 从学习项目走向生产项目安全、质量和回滚6.1 生产环境不能直接信任 AI 生成的代码学习项目跑通后直接把 AI 生成的代码部署到生产环境是非常危险的做法。学习环境里“能运行”和生产环境里“可交付”是两回事。下面是学习环境与生产环境的差异维度学习环境生产环境数据存储内存、SQLite数据库集群、数据备份、迁移策略异常处理报错后人工修复日志采集、告警、兜底返回安全不需要考虑密钥管理、权限控制、SQL 注入与 XSS 防护部署本地启动容器化、CI/CD、灰度发布、回滚监控无指标、链路追踪、错误日志、资源告警依赖最新版即可锁定版本、漏洞扫描、许可证审查AI 生成代码最容易在生产环境暴露的问题包括把数据库密码写死在代码里、接口缺少鉴权、使用不安全的加密方式、异常信息直接返回给前端泄露内部结构、依赖版本过老存在已知漏洞。这些问题在本地很难被发现但一旦上线就会造成事故。6.2 AI 辅助开发的最佳实践清单把密钥和配置放在环境变量或密钥管理服务里不要写入代码更不要让 AI 把密钥粘贴到项目里。依赖版本要固定Python 项目生成requirements.txt时带上版本号Node.js 项目使用 lockfile。AI 生成的代码必须经过评审评审重点不是代码格式而是逻辑正确性、安全性和异常处理。小步提交每次修改只解决一个问题。发现 AI 改乱时及时git checkout回退。数据库字段类型、接口协议、枚举值这类契约性内容优先人工确认不让 AI 自由发挥。让 AI 生成测试用例但要人工确认断言是否正确AI 生成的测试可能只是“让代码通过”。定期让 AI 解释项目整体结构发现 AI 解释和代码不一致时说明项目复杂度已经超出上下文管理范围需要补充文档或重构。使用AI_CONTEXT.md这类文件维护项目关键约定每次新会话开始先让 AI 阅读。6.3 下一步可以扩展的方向Vibe Coding 的下一步不是“让 AI 写更多代码”而是让 AI 更完整地参与软件生命周期。值得投入的方向包括测试生成让 AI 根据接口定义生成单元测试和集成测试扩展验证半径。代码评审让 AI 对代码做初步审查标记可疑的安全问题和性能隐患再由人来确认。文档维护让 AI 根据代码变更同步更新 README、接口文档和部署说明。多 Agent 协作让不同 AI 角色分别负责需求分析、代码生成和代码审查形成互相校验的流程。可观测性建设把 AI 生成的代码接入日志、指标和链路追踪让运行时状态可查。这些方向的核心逻辑是一样的AI 负责生成和初筛人负责决策和兜底。掌握 Vibe Coding 最值得练习的能力是快速构建可验证的反馈闭环。对新手来说最有效的练习不是收藏更多教程而是选一个足够小、足够明确的项目比如本文的待办事项 API从环境搭建到提交 Git 完整走通一次。走通之后再逐步放大项目规模工作流的价值会越来越明显。