五大AI编程范式怎么选？Vibe/Plan/Spec/Glue/Smell Coding 深度解析与落地

近两年，AI编码工具已经从“辅助提效玩具”彻底进化为主力生产工具。开发者的工作模式也随之改变：不再是“人主导编码”，而是“人定义规则、AI 执行编码”。

在这一背景下，行业逐步沉淀出五套 AI 编程范式：Smell Coding、Vibe Coding、Plan Mode、Glue Coding、Spec Coding。

这五套范式并非概念炒作，而是一套从混乱到规范、从个人即兴到企业工程、从低约束到强约束的完整人机协作演进体系。不存在绝对最优的范式，只有最适配当前业务、团队、场景的选择。

一、核心认知：五大范式的层级演进逻辑

区分五大范式的核心标尺只有一个：人类对 AI 的约束强度。约束越弱，开发越快、越灵活，但技术债务越高；约束越强，代码越稳、越规范，但前置设计成本越高。

五套范式从劣到优、从无序到有序的完整层级如下：

Smell Coding（反模式，代码异味）＜ Vibe Coding（即兴氛围）＜ Plan Mode（轻量化计划）＜ Glue Coding（胶水集成）＜ Spec Coding（规范工程化）

简单来说：越靠左越重效率、越靠右越重质量。

层级变化对应的核心规律非常清晰：

• 偏左范式（Vibe/Smell）：极致灵活、零前置成本，适合试错验证，不适合长期迭代与核心业务
• 偏右范式（Plan/Glue/Spec）：强约束、可追溯、可协作，适合规模化落地、长期维护、企业级业务

二、五大AI编程范式深度拆解

1. Smell Coding（代码异味编程）｜ 必须杜绝的AI开发反模式

核心定位：非正向开发范式，是 AI 无约束迭代产生的劣质代码集合，属于需要杜绝的反模式。

产生根源：全程无设计、无评审、无重构、无规范，是过度滥用纯即兴 Vibe Coding 的必然结果。开发者只看“功能能不能跑”，完全忽略“代码能不能维护”。

行业通用代码异味特征：

• 逻辑耦合严重，单类/单方法承载多职责，违背单一职责原则
• 残留大量 AI 迭代冗余代码：注释代码、无效变量、临时调试逻辑、未清理依赖
• 边界校验缺失，无统一异常兜底，参数校验不完整，极易触发线上报错
• 硬编码泛滥、魔法数字、字段硬写，无统一配置管理
• 无单元测试、无业务注释，仅靠人工页面点点验证，隐藏大量隐性 Bug
• 多轮 AI 迭代后代码风格、命名规范、分层逻辑混乱无序

核心危害：短期上线快，长期迭代成本指数级暴涨。代码耦合混乱、隐性 Bug 遍地、新人无法接手、重构成本极高，是线上故障、数据异常、安全漏洞的主要源头。

适用场景：无，属于 AI 工程化开发的绝对禁区。

2. Vibe Coding（即兴氛围编程）｜ 极速试错的轻量化范式

权威溯源：由 Andrej Karpathy 正式提出，是最早普及的 AI 原生编程范式。核心思想：先跑通、再优化，以结果为导向，无前置设计与书面契约。

标准工作流：模糊自然语言需求 → AI 直接生成代码 → 运行验证 → 口头微调迭代 → 功能可用即交付

核心优势：

• 启动成本趋近于零，无需梳理方案、编写文档，极致高效
• 适配探索式开发，适合技术预研、陌生技术栈落地、创意验证
• 低门槛，非专业开发者也可完成简单功能开发

核心短板（致命问题）：

• 约束完全依赖对话上下文，换会话、换人即丢失所有需求约束
• AI 自由发挥空间过大，易出现越界修改、过度开发、逻辑冗余问题
• 无任何资产沉淀，无设计文档、无需求追溯，技术债务持续累积
• 完全不支持多人协作，代码风格与实现逻辑无法统一

精准适用场景：技术 POC 验证、临时脚本、内部工具、个人项目、短期活动功能、UI 快速试错。严禁用于核心业务线上迭代。

3. Plan Mode（计划模式）｜ 效率与质量的最优折中方案

核心定位：介于 Vibe Coding 与 Spec Coding 之间的过渡型可控范式，也是目前中小团队 AI 日常迭代的主流方案，能有效解决纯 Vibe 模式乱改代码、返工率高的问题。

标准工作流：需求梳理 → 生成结构化开发计划（.plan.md）→ 人工审核修正 → AI 严格按计划编码 → 小幅微调交付

核心特征：

• 局部约束：仅锁定单次任务的修改文件、实现步骤、边界场景、禁止改动范围
• 轻量化资产：计划为临时任务文档，无需强制入库，上线后可归档删除
• 高灵活性：需求小幅变更可直接修改计划，无需复杂评审流程
• 防越界：明确隔离公共底层框架、基础组件，杜绝 AI 乱改存量核心代码

核心优势：前置成本极低，仅多一步计划评审，就能大幅降低 AI 乱改、过度开发、逻辑跑偏问题；完美兼容老旧存量项目，无需补全历史规范，适配绝大多数日常迭代场景。

核心短板：计划仅服务单次任务，无法跨会话、跨人员复用；无标准化验收用例，复杂业务仍存在逻辑偏差；无法约束全局架构与统一编码规范。

精准适用场景：线上 Bug 修复、单模块小幅迭代、后台功能改造、老系统边缘功能优化、2 人及以内小团队日常开发。

4. Glue Coding（胶水编程）｜ 系统集成专属专项范式

核心定位：非通用全流程开发范式，而是专门用于系统集成、能力对接的专项 AI 编码模式。核心原则：绝不重复造轮子，只做能力串联与适配。

核心逻辑：基于已有 SDK、第三方 API、内部公共组件、微服务能力，AI 仅负责编写适配层胶水代码，完成参数转换、格式适配、异常转发、流程编排、超时重试与熔断兜底，不触碰、不重构底层成熟能力。

核心特征：

• 能力复用优先：所有开发围绕现有成熟能力展开，零底层重复开发
• 边界固定：上下游接口契约明确，AI 仅做适配逻辑，无自由发挥空间
• 轻量化代码：以编排、转发、适配逻辑为主，无复杂业务算法
• 依附性强：通常搭配 Plan/Spec 范式使用，极少独立采用 Vibe 模式

核心优势：开发效率极高、底层稳定性强，依托线上验证过的成熟能力；改动范围仅限适配层，无全局故障风险，安全可控。

核心短板：高度依赖上下游接口稳定性，依赖变更易导致适配层批量失效；无规范约束时，极易出现胶水层臃肿、逻辑堆砌，形成隐蔽技术债务。

精准适用场景：第三方接口对接、微服务多接口编排、多数据源聚合、老系统新能力接入、中间适配层开发。

5. Spec Coding（SDD规范驱动开发）｜ 企业级工程化标准范式

权威定义：全称 Spec-Driven Development（SDD，规范驱动开发），是目前行业公认最严谨、最标准化的 AI 工程化范式。核心准则：规范先行、代码后置、契约固化、可追溯可审计。

标准工作流：需求梳理 → 编写结构化 Spec 规范 → 团队评审定稿 → AI 按规范编码 → 绑定验收用例与单测 → 变更必先更新 Spec → 规范与代码同步版本管理

核心特征：

• 强全局约束：显性定义业务背景、接口契约、数据模型、全量异常场景、错误码、性能安全规范，AI 禁止擅自新增逻辑
• 资产化沉淀：Spec 文档纳入 Git 版本管理，作为项目永久工程资产，可跨人、跨会话复用
• 变更受控：所有需求迭代、逻辑修改必须走 Spec 更新 + 评审，杜绝即兴变更
• TDD 绑定：验收用例固化至规范，单元测试与 Spec 一一对应，保障交付一致性

核心优势：代码确定性拉满，核心功能首次交付通过率极高；彻底解决团队认知偏差；全程可追溯、可审计，满足金融、政务合规要求；长期维护成本最低，从源头杜绝隐性技术债务。

核心短板：前置文档成本高，简单小需求存在流程冗余；团队落地有学习门槛；不适合高频试错、快速迭代的探索性开发。

精准适用场景：支付/订单/风控/用户核心业务、中台公共组件、全新系统从零搭建、3 人以上长期迭代团队、需要等保合规审计的政企金融系统。

三、范式横向对比：一张表看懂所有差异

编程范式	前置设计强度	约束范围	文档入库	协作能力	核心风险	核心定位
Smell Coding	无	无任何约束	否	无	代码腐烂、隐性 Bug、线上故障	必须规避的反模式
Vibe Coding	极低	单次对话临时约束	否	单人开发	AI 越界修改、无资产沉淀	极速试错、原型验证
Plan Mode	低	单次任务局部约束	可选临时存储	2 人内小团队	无法跨会话复用、复杂逻辑易偏差	日常迭代、存量改造折中方案
Glue Coding	中	上下游契约约束	按需入库	中小团队	适配层臃肿、依赖变更风险	系统集成、能力适配专项方案
Spec Coding	极高	全局架构 + 业务全约束	强制 Git 入库	大型团队/跨部门	小需求流程冗余、灵活性低	核心业务、工程化落地标准

四、落地方法论：企业分层混合使用策略

没有任何一种范式可以通吃所有场景，成熟的技术团队，都会采用分层匹配、混合落地的策略，在效率和质量之间取得最优平衡：

1. 探索试错场景 → Vibe Coding：技术预研、原型验证、UI 试错、临时工具，优先效率，快速验证想法，绝不直接上线核心业务。

2. 日常迭代/存量改造 → Plan Mode：Bug 修复、边缘功能迭代、老系统小幅改造，用轻量化计划约束 AI 行为，规避乱改代码，兼顾效率与质量。

3. 系统集成/第三方对接 → Glue Coding + Plan Mode：锁定上下游契约，只做适配胶水层开发，通过开发计划约束修改范围，杜绝重复造轮子。

4. 核心业务/长期模块 → 强制 Spec Coding：资金、风控、用户、中台等核心资产，必须规范先行、评审入库，保障可追溯、可审计、可稳定迭代。

5. 全场景兜底规则 → 杜绝 Smell Coding 堆积：所有迭代完成后，必须做代码评审与重构，清理冗余、补齐边界、消除代码异味，从源头遏制技术债务累积。

五、写在最后：AI编程范式的终极选型逻辑

五大 AI 编程范式的迭代升级，本质是人机协作关系的进化：从最初“AI 自由写代码、人类被动接盘”，进化为“人类定义规则、AI 精准执行”。

团队选型无需盲目跟风、追求“最先进范式”，核心只看场景：

• 小、临时、模糊、单人、非核心业务：选用轻量化范式（Vibe / Plan）
• 大、长期、明确、多人协作、核心合规业务：选用工程化范式（Glue / Spec）

真正专业的 AI 开发，不是无脑依赖 AI 自动生成，而是按需匹配范式、精准约束 AI、分层管控质量，用最合适的协作模式，平衡研发效率与工程质量。

如果你的团队还在“一刀切”使用某种 AI 编程模式，必然会出现小需求过重、大需求失控的问题。成熟的 AI 研发体系，一定是多范式混合使用、按场景精准选型：试错看 Vibe、日常看 Plan、集成看 Glue、核心看 Spec、全程杜绝 Smell。