关于 vibe coding 的一些比较大的理论问题，感兴趣的佬友可以一起研究

问题描述：

Q1 Vibe Coding 的时代，软件工程中，代码实现应该更耦合还是更解耦？

传统的软件工程教材往往强调解耦，因为要优化人类阅读理解的成本
但是对于 AI 来说“为了人类省事而加的抽象层”是不是都有必要呢
可能性1：由于 AI 足够聪明，很多设计模式都可以被简化，上层的抽象设计更少，整体代码量更少
可能性2：由于 AI 足够聪明且勤奋，更加能够发挥教科书式的设计模式的威力，因此要设计更多抽象、走更多流程

Q2 Vibe Coding 出来的代码库的渐进鲁棒性

是否可能通过精心设计的 harness，在给与其充足的 token，无人干预的情况下，不断迭代优化代码库的质量？是否存在一个代码质量的临界点（这里的指标的选择也是个问题）永远也无法超越？在早期开发中所产生的低质量、错误、冗余代码有多大可能之后的开发中被 Agent 自动清除？

Q3 编程语言的特性如何影响 Vibe Coding

Agent 更擅长写 Python 还是 Rust？语言的类型系统、语言在训练数据中的比重如何影响生成的代码的质量？

网友解答：

---

--【壹】--：

由于上下文限制，更解耦才更好
而且不仅要更解耦，还要更多文档，更分离，就像Skill的设计一样。

---

--【贰】--：

Q1 我倾向于更解耦
因为在 Vibe Coding 时代，AI 更擅长在清晰边界内完成局部实现，而不是在高耦合系统里长期维持全局一致性

解耦的价值不只是可维护性
它能降低 Agent 修改代码时的连锁反应
让问题更容易定位、验证和回滚

Q2 我认为可以通过设计良好的 harness 持续优化代码库，但优化什么必须先由人定义

Agent 能持续提升的，是在给定指标下的质量。

例如测试通过率、重复代码比例、接口一致性、静态检查结果、性能指标等

临界点大概率也不是绝对存在的，它是由评估方式决定的

凡是能被明确约束和验证的部分，Agent 就有机会持续迭代

凡是依赖领域理解、架构判断和长期权衡的部分，就很难完全自动突破。

至于早期产生的低质量代码，理论上可以被后续 Agent 清理

但前提是 harness 从一开始就保留了足够强的测试、约束和重构要求。

不然，早期不好的模式更可能在自动开发中被反复继承