AIEd 知识库AIEd KB
本页内容

本页面已译为中文。文章页面仍以英文撰写。 阅读本页的英文版本

概念

氛围编程

创建 2026-09-08 · 更新 2026-10-09

本页是英文页面的机器翻译，尚未经母语者审校。

氛围编程 — 通过迭代式地向大语言模型发出提示、并依据由此产生的行为作出判断来构建软件，而不直接阅读或编辑底层源代码。这一工作流由 Andrej Karpathy 在 2025 年推广，其要旨是"忘记代码的存在"，它是自然语言编程与终端用户开发（在本知识库中，这两种框架如今被当作同义词）的 LLM 原生实现——在这种实现里，散文成为首要的编程界面。

值得思考的问题

  • Karpathy 最初的框架说你应当"忘记代码的存在"。在往下读之前先自问：看不见代码是一项特性（它降低了门槛），还是一种风险（你无法验证或修复你看不见的东西）？答案对谁应当被允许做氛围编程意味着什么？
  • 关于谁能在氛围编程中成功的研究发现，即便用户从不碰代码，传统的计算机科学学业成就仍然预测成功。如果这让你意外，CS 训练可能在培养什么散文无法捕捉的隐性技能？
  • 同一研究发现，写作能力预测氛围编程表现，很大程度上是因为它产出更高质量的提示。如果提示真的是瓶颈，正确的补救是教人们更好地提示——还是重新设计工具，使它们更少地依赖散文能力？
  • 氛围编程常被颂扬为让"任何人"都能成为开发者。但如果写作技能和 CS 知识都塑造结果，氛围编程是拓宽了构建软件的准入，还是仅仅把技能门槛从代码搬到了散文？
  • 一些开发者区分"纯"氛围编程（从不读代码）与 AI 辅助编程（你审阅并编辑模型写的东西）。你认为真正的学习——相对于过度依赖——更可能发生在哪里，为什么？

引言

氛围编程描述了一种由 LLM 集成开发平台（Replit、Lovable、Cursor 等）所启发的交互风格：用户用自然语言描述一个程序，模型生成一个可工作的系统，用户基于观察到的行为迭代，而不是通过编辑源码来迭代。这一术语由 OpenAI 联合创始人 Andrej Karpathy 在 2025 年 2 月提出，用以捕捉对模型的依赖达到"代码"从意识中淡出这一程度的体验。氛围编程处在本知识库已经追踪的数条线索的交汇处——它是应用于编程的生成式 AI，是提示驱动工作的一种极端形式，是人机协作的一个具体实例，也是非程序员与终端用户构建自己软件（终端用户开发）迄今最清晰的一条路径。

它也有很深的根。用日常语言编程的想法远早于 LLM——从 COBOL 立志成为"一套面向非专业程序员的英语编程系统"，经 Donald Knuth 的文学化编程，到对以受限英语子集进行自然语言编程的研究。只有到了 LLM，把真正对话式、欠明确的指令映射为可运行代码才变得可行。氛围编程是其中的一个特定变体：用户刻意不检查或编辑生成的源码，完全依赖迭代提示与行为评估。

界定构念："纯"氛围编程与代码可见的氛围编程

氛围编程的定义仍在变动之中。有些人宽泛地用这个词指任何 AI 引导的编程；另一些人坚持它严格指"用一个不审阅其所写代码的 LLM 构建软件"。Google Cloud 区分了"纯"无代码版本（与 Karpathy 的定义一致）和一个用户理解并精修生成代码的版本。这一区分对研究很要紧：对氛围编程熟练度的对照研究需要一个界定清晰的构念。CHI 2026 那项氛围编程熟练度预测因素研究刻意瞄准"纯"无代码变体——参与者不能查看或编辑生成的源码，因此测得的表现反映的是仅通过散文与观察到的输出来指定、精修和调试行为的能力（见Thorgeirsson 等人）。

谁在氛围编程中成功：证据

一项预注册的横断面研究（N = 100 名高等院校学生）提供了关于哪些技能预测氛围编程成功的第一份受控的、参与者层面的证据。书面沟通熟练度（r = .29）与计算机科学成就（r = .39）都显著预测了在经专家审定的、面向 GUI 的氛围编程任务上的表现，而 CS 成就在控制了一般领域认知技能后仍然显著（偏 r = .281）。在联合模型中，CS 成就贡献的独立方差约为写作技能的两倍，但两者都增加了独立的预测价值。关键在于，人工评定的提示质量中介了写作→表现的关联，这给出了回应过程的证据：清晰的散文是通过产出更好的提示来起作用的。由于环境隐藏了源代码，CS 知识只能间接地起作用（通过问题分解、算法思维和控制流的心智模型）——因此作者论证，他们的 CS 估计值是用户也可以直接编辑代码的 AI 辅助编程情形的一个下界（Thorgeirsson 等人（2026））。

氛围编程作为终端用户开发与教师工具

氛围编程的一个重大承诺是，它让非程序员——包括教师和领域专家——构建自己的软件，这是 LLM 时代的终端用户开发。一项GAIDE 框架研究显示，K-12 教师（非程序员）在为期八周的研讨会上用氛围编程创建了 AI 驱动的学习工具，提升了他们的AI 素养，并展示了"做中学"作为一种专业发展模式。在高等教育中，一位教师在数天内通过氛围编程快速构建了一个由 IDE 活动日志生成的编程过程可视化器，使学生的编程过程对教学和学术诚信审查可见。这些案例把氛围编程定位为不仅是一种学习者技能，而是一种重塑谁能创造教育技术的创作能力。

设计同质化：有准入而无多样性

氛围编程的终端用户开发承诺是关于谁能构建，而不是关于构建出什么。在一门课程的部署中，73 名学生在同一个氛围编程平台上为不同企业构建网站，产出了大约十几种不同的设计，而所感受到的作者身份并不与测得的原创性对应（Boussioux 等人（2026））。降低构建的门槛可能会使产出标准化——这是准入承诺没有标价的一项成本。

学习、能动性与过度依赖的风险

氛围编程重新打开了关于当 AI 自动化了实现时学到什么的核心问题。由于用户不读代码，他们必须信任模型的行为——这使得氛围编程成为学习者自主性与过度依赖之间张力的一个高风险案例，这种张力贯穿于 AI 辅助编程之中。课程正在回应，从教实现转向教如何指挥、验证和审计 AI 生成的产物（见重塑本科 CS 教育与智能体软件工程）。氛围编程也改变了学习者的认识论位置：成功更少依赖于写代码，而更多依赖于精确地表达意图并对照目标评估行为，这些能力更接近计算思维与结构化写作，而不是传统的语法掌握。

第二个限制出现在构建过程本身：移除编码门槛可能让诊断负担原封不动。两项工程案例研究中，一位教师在几小时内用自然语言提示 Gemini，构建了电池热管理系统和三个 ARQ 协议的可工作网页模拟（Tarasak 等人（2026））。随后一个重复分组错误在反复提示下仍然存活，其中包括一条陈述了所需行为的提示。只有当教师从协议行为推理到超时间隔不足时才被修好，而该参数从未在界面中暴露。两项模拟对学习的影响都没有被测量，因此该叙述确立的是可行性，而非有效性。

与相关概念的联系

氛围编程与提示工程（提示质量是散文驱动开发的机制）、计算机科学教育（作为该技术使用最多、争论最多的领域）、计算思维（即使没有代码访问也预测成功的心智建模）、写作（写作成为一种编程技能）和智能体式人工智能（指挥一个模型生成产物而非手工构建）有天然的联系。它也与AI 素养和教学相交，因为构建自己工具的能力改变了教师和学习者能做的事。最后，它提出了与 AI 代码生成在整个计算机教育中所提出的完全相同类型的学术诚信与考评问题。

本知识库中的一项教师层面案例研究提供了组织层。Zimmer（2026）描述了AI 内部创业——教育者自己构建工具而不是等待机构采购——包括一位不写代码的作者用 Claude Code 为一个含 321 条课程链接的检查器构建工具。决定性的使能因素是组织性的而非技术性的：工作自由度、奖励和时间的可得性，其中时间被描述为在学术场景中最为明显地处于赤字，并被晋升与终身教职制度削弱。安全图景保持清醒，因为 Veracode 的 2025 年分析发现只有 55% 的 AI 生成代码是安全的，因此氛围编程的课堂工具在处理学生数据或接入 LMS 之前仍需经过一轮审查。

关联概念

关联文章

相关资源

  • Vibes DIY
    一个用大白话构建应用的工具：用文字描述一个小工具，就能得到一个可用的、可分享的 Web 应用，其底层的 React 包与 CLI 以 Apache-2.0 许可发布。

元数据

学科Cs Education, Writing Education
层次Higher Ed, K 12
目标读者Instructors, Curriculum Designers, Researchers, Software Developers
技术与方法生成式人工智能, 大语言模型（LLM）, 提示工程
教育中的人工智能基础智能体式人工智能, AI 素养, 计算思维, 人机协作, 教学
SourceHistoryEditChat

嵌入此页

复制下面的代码，将本页嵌入学习管理系统或其他网站。嵌入版本只显示页面内容 — 网站的页眉、导航和页脚会被隐藏。