基于vibe coding，1个人的软件工程学(30+万行代码)
一、思维方式
2009年我看过一本书，名字叫《走出软件作坊》。书里具体写了什么已经记不清了，但是书名记忆犹新，这是思维方式的重要启发，是堆人开发软件时代如何像工作流水线一样高效的思考。
过去的软件工程，系统做大之后，就把需求拆给前端、后端、测试、运维、实施，依靠分工和流程来换取产能。
那是一种典型的工业化思路，目标是让软件像流水线一样被稳定生产出来。
过往将近20年，基于AI的vibe coding仍然要走出软件作坊的思维方式，但是和堆人时代的软件开发相比，我们思考的是1个人如何带着N个AI助手进行开发的软件工程学。
你得知道先让 AI 学什么、再让 AI 做什么、最后由谁来验收；你得把经验沉淀成规则、把规则变成文档、把文档变成可执行的开发流程。
vibe coding 不是取消工程，而是把工程压缩进一个人的认知系统里。
图1 《走出软件作坊》相关配图
二、软件工程规模
从工程构成看，iNeuOS包含四部分：
后台服务 iNeuKernel.Core，承担底层运行与服务能力；
后台接口 iNeuOS_V5_Api，负责对外提供业务访问入口；
前端系统 iNeuOS_V5_UI，承接用户操作与业务呈现；
数据库 iNeuOS_DB。
图2 iNeuOS 工程组成示意
从 2009 年开始的个人框架积累，再到 2018 年以后小团队协作推进产品化.
这 30 万行代码背后沉淀了架构决策、业务理解、技术路线和问题处理经验。
图3 iNeuOS 工程代码统计
三、1个人如何管理30万行代码
仅仅使用git、svn等版本控制工具是远远不够的。
更需要对30万行代码的架构设计、模块划分、接口定义、业务功能及流程等方面进行知识体系化管理。使用GPT-4构建智能体、技能和知识库：
第一步，用 copilot-instructions.md 把工程边界、分层规则、开发约束、回归策略讲清楚，让 AI 先理解“什么能做、什么不能做”。
第二步，构建 iNeuOS 知识学习智能体：ineuos-knowledge-builder.agent.md，让 AI 先学会看工程、读架构、串业务等，而不是一上来就改代码。
第三步，通过“iNeuOS 知识学习智能体”的学习结果构建成 ineuos-knowledge知识库，把每次学习的内容分别汇总到系统总览、数据库模型、后台内核服务、接口架构、前端架构、领域模型、功能能力地图、跨层调用链路、学习日志等文档中，形成工程公共认知。
图4 智能体、技能、知识库
第四步，构建功能开发智能体：ineuos-feature-development.agent.md，让 AI 在掌握知识库后再进入开发阶段。这样它输出的不再是孤立代码片段，而是尽可能贴合现有架构的实现。
第五步，给不同任务配技能，把问题评估（ineuos-issue-evaluator）、就绪性检查（ineuos-feature-readiness）、功能开发（ineuos-feature-development）、缺陷修复（ineuos-fix-development）固化成技能模块，每次使用技能的日志写到知识库的日志文档中，使每次都有记录、有回放、有沉淀。
第六步，建立文件映射管理：000-doc-map.md，把文档、模块、功能、流程之间的对应关系连起来，做到“有知识，有入口”。
这六步不是彼此孤立的工具堆砌，而是一套闭环：先定义规则，再建立认知，再沉淀知识，再执行开发，再用技能强化动作，最后映射把全局串起来，每一步操作形成对应的日志。
这种做法最大的价值是把原本只能存在脑子里的经验，变成 AI 可读、可学、可复用的外部工程系统。
支撑 1 个人管理 30 万行代码的，不是靠记性好就行的，而是“把知识变成可以反复调用的工程资产”，这才是 vibe coding 时代的软件工程底座。
四、个人开发的差异在哪
传统软件开发里，个人能力的优势通常体现在：知识结构、掌握的技术栈、积累的代码、对业务的理解、动手的能力、解决问题的能力等方面。
个人在基于AI的vibe coding软件开发中的主要优势体现在：思维体系化能力、对AI工具的使用能力、对AI输入提示词准确表达的能力、对AI生成内容的理解和评估能力、对AI生成内容的整合和应用能力、对AI生成内容的修改和完善能力等方面。
这背后反映的是一个很现实的变化：AI 能放大人的产能，但放大的不是所有人，而是那些能驾驭上下文、规则和目标的人。
不会用的人，AI 只是聊天工具；会用的人，AI 是开发团队。
五、核心是什么
模型是核心和灵魂，智能体（agent）、技能（skill）是思维体系化能力的体现。
模型决定上限，智能体和技能决定落地质量。
需求调研、撰写方案、开发代码、单元测试等，都可以通过 agent 和 skill 沉淀下来。
沉淀得越清楚，AI 的输出越稳定；稳定性越高，开发就越接近真实意图。
从这个角度看，开发者最重要的工作已经不是“手写每一行代码”，而是“设计一套让 AI 能持续产出正确结果的方法”。
这才是 1 个人带着 N 个 AI 做工程时最关键的竞争力。
六、结语
基于 vibe coding 的软件工程学并不是对传统工程的否定，而是一次重组：过去靠多人分工维持的软件生产秩序，正在被“一个人 + 多个 AI + 一套知识化工程体系”重新实现。
但是，也不是每个人都有能力这样做。
参考说明
物联网&大数据技术 QQ群：54256083
物联网&大数据项目 QQ群：727664080
QQ：504547114
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。