先建立认知AI 编程为什么从“对话”走向“行动”再讲清底层Function Call、MCP、Skill、Agent 如何协作然后落地实践Claude Code 怎么装、怎么用、适合哪些场景最后收束到工程化Code Review、技术债、Loop Engineering 与安全治理。《Vibe Coding 技术分享》新版 PPT从 Function Call 到 Agent 的完整演进之路INTERNAL TECHNICAL SHARING · 内部技术分享01封面页Vibe Coding 技术分享从 Function Call 到 Agent 的完整演进之路副标题让 AI 从“会回答问题”进化为“能执行任务”的工程化方法页脚Internal Technical Sharing · 内部技术分享版式建议背景可以使用深色科技风。中间放一条演进链路Prompt → Function Call → Tool → Skill → MCP → Agent → Loop02目录这次分享会从认知、工具、协议、实践和治理五个层次展开帮助大家建立一套完整的 AI Coding 技术地图。目录AI Coding 的范式变化从对话 AI 到行动 AI理解 AI 编程为什么正在发生质变。Agent 核心概念地图梳理 Function Call、Tool、Skill、MCP、Agent、Loop 之间的关系。Claude Code 本地实践介绍 Claude Code 的定位、工作流程、环境安装和典型使用方式。AI Coding 高效使用指南识别适合 AI 辅助的场景掌握高质量提示词与开发流程。MCP 与 Skill 扩展机制理解 MCP 协议工作流以及如何通过 Skill 扩展 AI 的能力边界。安全治理与 Loop Engineering建立 Code Review、技术债治理、智能循环工程化的长期能力。版式建议采用 2 列布局。左边是章节编号右边是简短说明。每章配一个小图标即可不要太花。第一章AI Coding 的范式变化03AI 编程发展史从补全代码到自主执行AI 编程并不是突然出现的“魔法”它经历了从文本生成、代码补全、工具调用到智能体自主执行的持续演进。发展阶段阶段关键词核心特征2022 前基础对话时代AI 主要进行文本问答、代码解释、语法建议无法直接操作环境2022 - 2023代码生成与补全Copilot、Codex 等工具普及AI 开始深度参与代码编写2023 - 2024Function Calling / Tool Calling模型可以通过结构化参数调用外部函数和工具从“说”走向“做”2024 - 至今Agent 智能体时代AI 能够自主规划、多轮调用工具、观察反馈并持续修正结果核心趋势AI 编程正在从“生成代码片段”走向“理解目标并执行工程任务”。讲述重点不要把 AI Coding 理解成“代码补全增强版”。真正的变化是AI 开始具备调用工具、操作环境、闭环执行的能力。04普通 AI 对话 vs Agent从远程顾问到驻场工程师过去的 AI 更像“远程顾问”只能基于你提供的信息给建议而 Agent 更像“驻场工程师”可以理解项目、执行命令、修改文件并持续调试。对比表维度普通 AI 对话Agent / Claude Code交互方式一问一答被动响应目标驱动自主拆解任务上下文来源用户手动粘贴代码片段自动读取项目结构、文件和配置执行能力通常只能给建议可调用文件系统、终端、Git 等工具调试方式用户复制报错再反馈自动运行、观察错误、修正方案角色定位场外顾问驻场工程师核心结论Vibe Coding 的本质跃迁是从“问 AI 怎么写”变成“让 AI 协作完成目标”。版式建议左右对比。左侧用“聊天气泡”图标右侧用“工程师/终端”图标。中间用箭头表达迁移。05什么是 Vibe CodingVibe Coding也可以理解为“氛围编程”或“意图驱动编程”。开发者不再只逐行编写代码而是通过自然语言描述需求、约束和目标让 AI 理解上下文并协助完成实现。核心定义Vibe Coding 自然语言意图 项目上下文 AI 工具执行 人类审查把关它改变了什么从“我写每一行代码”变成“我定义目标与边界”。从“AI 给代码片段”变成“AI 参与完整开发流程”。从“单次问答”变成“持续迭代与反馈闭环”。从“工具辅助”变成“人机协同工程系统”。但它不是什么不是完全不用懂技术。不是把核心责任交给 AI。不是生成代码后直接上线。不是越复杂、越核心的场景越适合交给 AI。讲述重点这一页要打掉两个极端误解AI 很强所以人不用懂代码AI 不可靠所以完全不能用于开发。正确姿势是AI 提效人类负责判断、审查和最终责任。第二章Agent 核心概念地图06一个生动例子智能管家办生日派对先不讲复杂术语。我们用一个生活化例子理解 Agent 是怎么工作的。用户需求“管家帮我筹备本周末的生日派对整体风格要温馨治愈总预算控制在 2000 元内邀请几位好友就行剩下的你看着安排吧。”管家要做什么理解目标识别主题、时间、预算、人数和偏好。拆解任务找场地、买蛋糕、准备鲜花、发送邀请、控制预算。调用服务查询场地、下单蛋糕、发送消息、记录回执。处理异常如果场地满了就更换方案如果预算超了就替换采购项。持续反馈汇总进度、确认预算、输出最终安排。映射到 AI Agent生日派对场景AI 技术概念管家理解整体目标Agent找场地、买蛋糕、发邀请Skill查询档期、下单、发消息Tool调用某个具体接口Function Call场地满了重新选择Loop记住低糖偏好Context / Memory预算不超过 2000 元Harness / Guardrails服务统一接入标准MCP核心理解Agent 不是一个单点功能而是一个能理解目标、调度工具、处理反馈的执行系统。07核心关系一句话理解 Agent 体系可以先记住这一句话。核心金句Agent 用 MCP 协议通过 Skills调用 Tools而这一切都建立在 Function Call 能力之上。分层关系Agent负责理解目标、规划步骤、调度能力 ↓ MCP提供统一的工具通信协议 ↓ Skill封装某一类完整能力 ↓ Tool执行具体动作的原子工具 ↓ Function Call触发工具执行的结构化调用动作一句话拆解Agent是“大脑”负责决策。MCP是“通用语言”负责连接。Skill是“能力包”负责解决一类问题。Tool是“工具零件”负责执行具体操作。Function Call是“动作指令”负责把意图转成可执行调用。版式建议用竖向金字塔或分层架构图。Function Call 放底部Agent 放顶部。MCP 可以画成横向连接层。08核心名词全景图这一页把后面会反复出现的核心名词做一次集中解释先建立统一语言。核心概念名词含义一句话理解Prompt用户输入给模型的指令告诉 AI 要做什么Token模型处理文本的基本单位AI 读写文字的计量单位Context当前任务相关的上下文信息AI 做判断时的背景资料Embedding文本向量化表示让机器能计算语义相似度RAG检索增强生成先查资料再回答Function Call结构化工具调用指令让 AI 从“说”变成“做”Tool最小执行单元一个能完成具体动作的工具Skill一组工具和逻辑组成的能力AI 的“专业技能包”MCP模型上下文协议连接模型和外部工具的标准Agent智能代理能自主规划和执行任务的系统Loop智能循环思考、执行、反馈、修正的闭环Harness安全护栏控制 AI 行为边界的规则系统讲述重点这里不用展开太深重点是让大家之后听到这些词时不会陌生。09整体架构预览AI Agent 是如何工作的在工程视角下Agent 不是一个孤立模型而是一套由模型、上下文、工具、协议和安全护栏组成的系统。架构链路用户自然语言需求 ↓ Agent 智能体核心 ↓ Context / RAG / Memory ↓ Loop 循环引擎 ↓ Function Call ↓ MCP 协议层 ↓ Skills / Tools ↓ 本地环境 / 外部系统横向安全能力Harness 安全护栏 权限控制 / 操作确认 / 审计日志 / 数据脱敏 / 沙箱隔离 / 人工审批核心结论模型只是“大脑”真正让 AI 具备工程能力的是上下文、工具、协议、循环和安全控制。版式建议使用一张自上而下的架构图。右侧放 Harness 安全护栏贯穿所有层级。这页是“预告图”后面章节逐层展开。第三章Claude Code 本地实践10Claude Code下一代本地 AI 编程智能体Claude Code 是 Anthropic 面向开发者推出的 AI 编程工具核心特点是深度理解本地项目上下文并通过终端、文件系统、Git 等能力参与真实开发流程。核心定位Claude Code 本地项目上下文 Agent 执行能力 工程工具链集成关键能力理解项目上下文自动读取目录结构、配置文件、源代码和依赖关系。多文件协同修改能基于整体架构分析代码影响而不是只修改单个片段。终端与 Git 集成可以执行命令、查看 diff、运行测试、辅助提交。任务驱动式开发用户描述目标后AI 可以规划步骤、执行修改并持续验证。MCP 能力扩展可通过 MCP 接入数据库、浏览器、知识库、内部服务等工具。注意事项Claude Code 可以本地读取和操作项目但数据是否出域取决于模型部署方式、企业网络策略与供应商数据政策。企业使用时需要结合安全规范进行配置。11Claude Code 工作流程Claude Code 的核心价值不是单次回答问题而是形成一个持续的工程执行闭环。工作流程读取项目上下文扫描目录、配置文件、代码结构和依赖关系。理解目标并制定计划拆解任务确定修改路径、影响范围和验证方式。调用工具链执行操作读写文件、运行命令、执行测试、查看 Git Diff。观察结果并修正方案根据报错、日志、测试结果调整实现。输出总结与验收说明汇总变更点、验证方法、风险点和后续建议。流程图读取上下文 ↓ 制定计划 ↓ 执行修改 ↓ 运行验证 ↓ 观察反馈 ↓ 继续修正 / 输出结果核心结论Claude Code 更像一个会使用工具的开发协作者而不是一个单纯的代码生成器。12AI 为什么还需要 Git、Node 和终端很多人第一次使用 Claude Code 会疑惑只是用 AI 写代码为什么还要装 Git、Node.js、PowerShell答案是因为 Agent 不是只回答问题而是要真正操作你的本地项目。环境依赖说明环境作用为什么需要终端 / Shell系统操作入口执行命令、运行脚本、安装依赖、启动服务Git版本控制系统查看 diff、管理分支、回滚变更、理解提交历史Node.js / npmJavaScript 运行时与包管理安装 Claude Code CLI运行部分 MCP 服务IDE 插件编辑器集成入口在 VS Code 等环境中直接调用 AI 能力核心洞察不是 AI 让你“多装软件”而是它要真正介入工程流程就必须接入已有的开发工具链。13基础环境三件套搭建稳定的 Claude Code 环境优先确认终端、Git 和 Node.js 这三类基础能力。环境要求组件推荐配置说明PowerShell / CMDWindows 推荐 PowerShell建议管理员权限运行避免安装和路径写入失败Git建议 v2.23用于仓库读取、diff 对比、分支管理和回滚Node.js建议 v18优先 LTS 版本npm 是 Claude Code CLI 和 MCP 服务的重要安装渠道npm / npx随 Node.js 安装用于安装 CLI、启动 MCP 服务常见坑Node 版本过低导致依赖安装失败。Git 未加入 PATH导致命令不可用。Windows 权限不足导致全局安装失败。国内网络访问 npm 慢建议配置可信镜像源。讲述重点环境配置看似琐碎但它决定了 Agent 能否稳定调用本地工具。14Claude Code 安装与验证环境准备完成后可以通过三步完成 Claude Code 安装与验证。第一步安装 CLInpminstall-ganthropic-ai/claude-code国内网络环境下可以根据公司网络策略配置可信 npm 镜像源提升安装稳定性。第二步验证安装claude--version如果终端输出版本号说明 CLI 安装成功。第三步安装 IDE 插件在 VS Code Extensions 中搜索Claude Code安装后重启 VS Code插件会自动检测本地 CLI。常见问题排查问题可能原因处理方式claude 命令找不到npm 全局路径未加入 PATH检查 npm global bin 路径安装权限失败Windows 普通权限不足使用管理员 PowerShell安装超时npm 网络访问慢配置公司允许的镜像源MCP 服务启动失败Node 版本过低升级到 LTS 版本15AI 编码工具路线对比Claude Code 只是 AI Coding 的一种代表形态。当前主流工具大致可以分成四条路线。工具路线对比路线代表工具适合场景核心特点本地 AgentClaude Code本地项目开发、重构、调试深度读取项目强调上下文和可控性AI 原生 IDECursor、Trae日常编码、前端开发、快速迭代编辑器内集成度高交互流畅云端工程 AgentDevin、Codex 类工具异步任务、脚本生成、批量开发云端沙箱执行适合独立任务企业合规助手QCode 等金融、政企、内网开发强调权限、审计、安全和私有化核心判断选择工具时不要只看“模型强不强”还要看是否适合当前项目类型是否满足公司安全要求是否能接入现有工具链是否支持可审计、可回滚、可控执行。第四章AI Coding 高效使用指南16哪些场景最适合 AI CodingAI Coding 不是所有场景都适合使用。最适合 AI 的是那些标准化、可验证、低风险、重复性强的任务。场景分级等级价值判断适合场景使用建议S 级提效 5 - 10 倍脚本编写、数据清洗、批量转换、单测生成、正则和 SQL优先使用A 级提效 2 - 3 倍CRUD、脚手架、接口样板、文档生成、框架上手推荐使用B 级提效有限需人工主导核心业务逻辑、复杂算法、性能优化、架构草案谨慎使用禁用级高风险不建议交给 AI 自动处理支付结算、权限鉴权、隐私数据、生产配置、核心交易链路禁止自动执行核心原则越标准化、越容易验证、越低风险越适合交给 AI。越核心、越敏感、越不可回滚越需要人类主导。17高质量提示词的 3 个万能模板AI 输出质量很大程度取决于输入信息质量。好的提示词不是“说得长”而是把目标、上下文、约束和验收标准讲清楚。模板一从零构建新功能公式目标描述 技术栈指定 输入输出定义 约束条件 代码风格规范示例使用 Python 的 FastAPI 框架写一个用户注册接口。 输入是 JSON 格式的用户名和邮箱输出是 JWT token。 要求使用 Pydantic 做数据校验代码符合 PEP8 规范。为什么有效明确技术栈、输入输出和约束能减少 AI 自行脑补。模板二故障排查与调试公式报错原文 关键代码片段 已尝试方案 预期行为示例报错信息是 AttributeError: NoneType object has no attribute id。 代码出现在 user_service.py 第 23 行。 我已经检查过数据库连接正常。 预期行为是返回用户对象的 id而不是 None。为什么有效报错原文和已尝试方案能减少 AI 给出重复、无效建议。模板三重构与优化公式原代码上下文 具体痛点 不可变约束 性能/可读性目标示例这段排序算法当前时间复杂度是 O(n²)数据量大时很慢。 不能修改底层数据结构。 请重构为 O(n log n) 的实现并添加注释说明逻辑。为什么有效提前声明不可变边界避免 AI 为了优化而破坏系统契约。18AI 开发全流程示例员工生日提醒功能假设我们给 Agent 一个目标“给我做一个员工生日提醒功能明天上线。”一个成熟的 Agent 不应该直接开始乱写代码而是先理解、检索、规划、实现、验证和交付。执行流程需求确认理解提醒规则、通知时间、目标用户。检索现有需求文档或业务规范。确认是否已有类似提醒框架。上下文检索查询数据库 Schema。搜索员工表、通知表、定时任务模块。分析现有代码结构。编码实现新增或复用定时任务。补充生日筛选逻辑。接入通知渠道。保持现有代码风格。测试验证构造测试数据。生成单元测试。执行本地测试命令。检查边界情况如闰年、空生日、离职员工。交付总结输出变更文件清单。提供验证步骤。说明潜在风险和回滚方案。核心价值你给的是目标Agent 负责拆解路径但上线前的审查、验证和责任仍然属于人。19通用办公场景中的 Skill 应用AI Agent 不只用于写代码。只要通过 Skill 接入合适工具它也可以处理大量办公自动化任务。典型场景场景用户指令所需 Skill效率提升文档总结把 100 页技术方案总结成 3 页摘要标出风险点PDF / 文档 Skill数小时 → 数分钟数据分析按部门统计本月销售数据找出环比下降超过 20% 的项目Excel / 数据分析 Skill半小时 → 1 分钟数据查询查上个月新增注册用户按渠道统计转化率数据库 Skill写 SQL → 自然语言技术调研对比 React 19 和 17 的差异评估升级风险浏览器 / 文档 Skill人工检索 → 自动归纳邮件整理根据测试报告整理 Bug 修复进度并生成邮件邮件 / 文件 Skill手写邮件 → 自动生成核心结论Skill 决定了 Agent 能做什么没有 Skill 的 AI 只能聊天有 Skill 的 AI 才能真正干活。第五章MCP 与 Skill 扩展机制20为什么需要 MCP当 AI 要调用越来越多外部工具时就会遇到一个问题每个工具都有自己的接口、鉴权方式、参数格式和返回结构。如果没有统一标准Agent 每接一个工具都要单独适配生态会非常混乱。MCP 的作用MCPModel Context Protocol是大模型连接外部工具和上下文资源的开放协议。它解决三个核心问题统一工具描述告诉模型有哪些工具、能做什么、需要哪些参数。统一调用方式让模型通过标准接口调用工具而不是为每个工具写专用适配逻辑。统一结果返回工具执行后用结构化方式把结果返回给模型便于后续推理。类比理解MCP 就像 AI 工具世界里的 USB-C只要遵守同一套接口规范不同工具就能被统一识别和调用。21MCP 协议基础JSON-RPC 通信模型MCP 通常基于 JSON-RPC 2.0 进行通信。它是一种轻量、结构化的远程调用协议。三类消息消息类型是否有 ID用途示例场景Request有发起调用等待返回调用某个工具Response有返回调用结果或错误返回查询结果、错误信息Notification无单向通知不等待回复日志、状态变更、进度提示两类常见传输方式传输方式适合场景特点STDIO本地进程间通信轻量、简单、无网络开销适合本地工具HTTP SSE远程服务或事件推送适合分布式部署、多用户共享和远程能力接入核心理解JSON-RPC 解决“消息怎么传”MCP 解决“模型和工具怎么协作”。22MCP 完整工作流程MCP 的工作流程可以理解为先建立连接再发现工具最后调用工具并返回结果。标准流程1. Client 发起 initialize ↓ 2. Server 返回协议版本和能力信息 ↓ 3. Client 请求 tools/list ↓ 4. Server 返回可用工具清单 ↓ 5. Agent 根据用户目标选择工具 ↓ 6. Client 发起 tools/call ↓ 7. Server 执行对应工具 ↓ 8. Server 返回结构化结果 ↓ 9. Agent 判断是否继续调用或输出答案关键角色角色职责MCP Client通常在 AI 应用侧负责发起请求MCP Server封装具体工具和业务能力Agent根据目标决定何时调用哪个工具Tool / Skill执行具体任务并返回结果核心价值MCP 把 Agent 和工具解耦让工具能力可以被标准化接入、组合和复用。23SkillAI 的能力插件如果说 MCP 是连接标准那么 Skill 就是 AI 可以使用的能力包。三个层级层级含义类比Skill完整能力集合能独立完成一类任务洗衣机Tool组成 Skill 的原子工具电机、进水阀、排水阀Function Call触发工具执行的调用动作按下“开始”按钮例子数据库查询 Skill一个数据库查询 Skill 可能包含连接数据库 Tool查询 Schema Tool执行 SQL Tool结果格式化 Tool权限校验和脱敏逻辑。核心理解Skill 是能力的封装Tool 是执行的零件Function Call 是触发动作。24常见 Skill 全景图不同类型的 Skill决定了 Agent 可以介入哪些工作场景。Skill 分类类别典型 Skill接入方式适用场景开发必备类文件读写、目录检索、Git、终端多数内置本地开发、调试、重构测试调试类单测生成、日志分析、断点辅助半内置 / MCP 扩展自动验证、错误定位数据处理类数据库查询、Excel 分析、CSV 清洗MCP 扩展报表、统计、数据排查网络协作类浏览器检索、API 调试、邮件通知半内置 / MCP 扩展技术调研、接口联调企业内部类OA、工单、监控、知识库、CI/CD企业自研 MCP内部流程自动化能力标识内置能力开箱即用无需额外安装。半内置能力基础功能可用高级能力需要扩展。MCP 扩展能力需要通过 MCP Server 接入。核心结论企业真正的 AI 提效空间往往来自内部系统 Skill 化。25Skill 生态去哪里找Skill 和 MCP Server 可以来自官方示例、开源社区也可以由企业内部自研。获取渠道来源特点建议官方文档与示例最可靠适合理解标准做法优先学习和参考GitHub 社区项目数量丰富覆盖场景多使用前检查维护状态和安全性Awesome MCP 类资源方便快速发现工具适合调研不建议直接盲用技术社区文章有实践经验和踩坑记录适合作为补充材料企业内部 Skill 市场最贴合业务安全可控推荐长期建设安全提醒Skill 往往具备较高权限可能涉及文件系统读写终端命令执行数据库访问内部系统操作网络请求和外部发送。核心原则优先官方和可信来源社区 Skill 必须审查高权限 Skill 必须纳入企业治理。26如何制作企业自己的 Skill企业自研 Skill 的核心价值是把内部系统、业务规则和工程流程封装成 AI 可调用的标准能力。两种建设方式方式适合场景特点轻量 SDK 封装内部脚本、查询工具、小型自动化快速、低门槛、适合试点完整 MCP Server数据库、OA、监控、CI/CD、工单系统权限细、可审计、适合规模化企业 Skill 建设路径先做只读能力查询文档、日志、知识库、工单、数据库只读视图。再做低风险写入创建草稿、生成报告、提交 MR、创建工单。最后谨慎开放高危操作数据修改、生产发布、审批通过、配置变更。权限分级等级能力类型示例治理要求L1只读查询查文档、查日志、查工单基础鉴权和审计L2受限写入创建草稿、提交 MR操作记录和人工确认L3高危操作改数据库、生产发布强审批、强审计、可回滚核心结论企业自研 Skill 的重点不是“让 AI 什么都能做”而是让 AI 在安全边界内做正确的事。第六章安全治理与 Loop Engineering27AI 生成代码不可直接合并Code Review 5 条军规AI 可以加速编码但不能替代代码审查。尤其在企业场景中所有 AI 生成代码都必须经过严格 Review。五条军规安全底线优先检查 SQL 注入、XSS、权限绕过、明文密钥、敏感数据泄露。先读懂逻辑再运行代码不要因为“能跑”就认为“正确”。必须理解每一处关键逻辑。补齐边界场景检查空值、异常、并发、超时、重复提交、极端输入。审计第三方依赖警惕 AI 引入不必要或不可信依赖必须进行漏洞扫描。保持性能直觉关注大表全量查询、多重循环、内存泄漏和核心链路性能问题。核心原则AI 负责提速人类负责把关。代码最终上线责任永远属于团队而不是模型。28技术债与长期风险AI 写代码很快但“生成速度”不等于“维护质量”。如果缺乏治理AI 可能会加速技术债累积。主要风险理解债务AI 生成的代码超过团队阅读和理解速度导致“今天能跑明天不敢改”。架构腐化多轮生成后随意新增文件、重复造轮子、层级混乱破坏系统边界。依赖膨胀为了快速实现功能引入大量第三方包增加安全和维护成本。能力退化团队长期只会“提需求”底层排错、算法设计、架构判断能力下降。责任模糊“这是 AI 写的”不能成为质量问题的借口。应对策略先设计文档再让 AI 编码。核心逻辑由人主导AI 辅助实现。定期重构和技术复盘。所有 AI 代码必须 Review。建立项目级 AI 使用规范。核心提醒技术债是隐性的复利成本。AI 能提升短期速度也可能放大长期维护压力。29从 Prompt Engineering 到 Loop Engineering早期我们关注的是 Prompt Engineering如何写好一个提示词让模型给出一次更好的回答。但在 Agent 时代真正重要的是 Loop Engineering如何设计一个能持续执行、反馈、修正和终止的任务循环。范式演进阶段关注点解决的问题Prompt单次输入质量怎么问AI 才答得好Context上下文管理AI 如何理解背景和历史RAG外部知识检索AI 如何减少幻觉Harness安全护栏AI 什么能做什么不能做Loop闭环执行AI 如何持续推进任务Deployment工程落地AI 如何稳定进入生产流程核心区别Prompt Engineering关注单次回答质量。Loop Engineering关注任务完成过程。核心结论Agent 的能力上限不只取决于模型也取决于循环设计、工具质量和终止条件。30Loop Engineering 五要素一个可靠的智能循环不是让 Agent 无限尝试而是让它在明确目标、工具、上下文和边界下持续迭代。五个关键要素要素说明开发场景示例明确目标与完成定义定义什么叫任务完成单测通过、功能可验收、无新增错误构建高效工具箱提供必要执行能力文件检索、终端、Git、日志、数据库上下文管理保留关键资料和历史决策CLAUDE.md、需求文档、错误日志终止判定条件防止无限循环成功退出、失败退出、转人工处理错误处理与策略迭代从失败中调整路径捕获报错、重试、回滚、记录经验示例修复一个线上 Bug目标错误日志消失相关单测通过 工具日志查询、代码检索、测试命令、Git diff 上下文错误栈、用户输入、历史提交 终止测试通过并完成人工 Review 失败处理回滚修改记录原因转人工分析核心结论Loop 的目标不是让 AI 一直动而是让 AI 在可控边界内逐步接近正确结果。31最终架构总结到这里我们可以把整套 Vibe Coding 技术体系串起来。完整链路用户自然语言需求 ↓ Agent 智能体 负责理解目标、拆解任务、规划步骤 ↓ Context / RAG / Memory 提供项目背景、知识检索和历史记忆 ↓ Loop Engine 持续执行、观察、反馈和修正 ↓ Function Call 生成结构化工具调用指令 ↓ MCP / JSON-RPC 标准化连接外部工具和上下文资源 ↓ Skills 封装可复用的专业能力 ↓ Tools 执行文件读写、终端命令、数据库查询、API 调用 ↓ 运行环境 Git / Node.js / Shell / IDE / 文件系统 / 内部服务横向治理能力Harness 安全护栏贯穿全链路 权限控制、数据脱敏、人工确认、审计日志、限流熔断、沙箱隔离、回滚机制核心金句回顾Function Call 让 AI 能调用工具MCP 让工具能标准化接入Skill 让能力能复用组合Agent 让任务能自主执行Loop 让结果能持续逼近目标Harness 让整个过程安全可控。32落地建议公司内部如何使用 AI Coding最后给出一套适合团队落地的实践建议。使用原则先低风险后高价值从脚本、测试、文档、查询、重构辅助等场景开始。先只读后写入企业 Skill 建设优先接入知识库、日志、工单等只读能力。先人审后自动化所有代码修改、数据库写入、生产发布都必须有人类确认。先规范后规模化建立 AI 使用规范、Prompt 模板、Review 清单和审计机制。先沉淀再复用把高频任务沉淀为内部 Skill 和标准工作流。推荐落地路径阶段 1个人效率提升 脚本、SQL、单测、文档、代码解释 阶段 2团队协作增强 统一提示词模板、代码审查规范、AI 辅助需求分析 阶段 3内部 Skill 建设 知识库、日志、工单、数据库只读查询 阶段 4Agent 工作流 在权限和审计约束下实现多步骤自动化 阶段 5企业级治理 统一权限、审计、监控、脱敏、回滚和安全策略最终结论AI Coding 的目标不是替代工程师而是把工程师从重复劳动中释放出来让人更专注于判断、设计、审查和创新。33结束页从“会聊天的 AI”到“能协作的工程伙伴”AI 编程的真正价值不在于它能一次生成多少代码而在于它能否在安全、可控、可审查的边界内持续帮助团队完成真实工程任务。关键 TakeawaysFunction Call是行动能力的起点。MCP是工具接入的标准桥梁。Skill是企业能力复用的关键资产。Agent是目标驱动的任务执行主体。Loop Engineering是复杂任务稳定落地的方法论。安全治理是 AI Coding 进入企业生产流程的前提。收尾金句让 AI 写代码只是开始让 AI 安全、稳定、可控地参与工程流程才是 Vibe Coding 的真正终点。