Vibe Coding 与全栈开发
这篇解决什么问题
AI Coding 让「写代码」变得更像「描述意图、审查结果、迭代系统」。但这不意味着全栈知识过时了。恰恰相反，越依赖 AI，越需要开发者知道系统由哪些部分组成、每一层如何协作、哪里可能出错，以及怎样判断 AI 给出的代码是否靠谱。
这篇是整套知识库的入口：它不追求把所有技术讲完，而是建立一张全栈知识地图。
学完你会掌握
- 为什么 AI Coding 改变的是开发方式，而不是工程基本规律。
- 全栈开发包含哪些层次：前端、后端、数据、基础设施、AI、工程协作。
- 学习全栈时应该怎样安排顺序，避免一开始就被工具名淹没。
- 在 AI 辅助开发中，哪些能力变得更重要。
全栈开发的知识地图
一个真实应用通常不是单点技术，而是一条链路：
用户界面
-> 浏览器或客户端
-> 网络请求
-> 网关或后端服务
-> 业务逻辑
-> 数据库、缓存、消息队列、对象存储
-> 日志、监控、部署、告警
全栈开发不是要求你每一层都成为专家，而是要求你能理解这条链路。当页面报错、接口超时、数据不一致、部署失败时，你知道问题可能出现在哪一层，并能和 AI 或团队成员一起定位。
AI Coding 改变了什么
传统开发更强调语法记忆、API 熟悉度和手写速度。AI Coding 之后，这些能力仍有价值，但优先级下降了。
更重要的是：
- 需求表达：能把模糊想法拆成清楚的目标、约束和验收标准。
- 代码审查：能判断 AI 生成的代码是否过度设计、是否破坏已有模式。
- 系统理解：能知道一个改动会影响哪些文件、接口、数据和部署流程。
- 调试能力：能从错误信息、日志、网络请求、数据库状态中还原事实。
- 工程权衡：能在速度、稳定性、成本、可维护性之间做取舍。
学习路径建议
这套知识库按「从底层到应用，从单机到分布式，从人写代码到 AI 协作」组织：
- 先理解计算机底层：CPU、操作系统、网络、数据结构、编译和类型。
- 再掌握开发工具：编辑器、命令行、Git、调试、配置文件。
- 然后进入前端和后端：浏览器、框架、HTTP、API、认证、缓存、异步。
- 接着理解数据和架构：数据库、数据建模、分布式、高可用、系统设计。
- 最后补齐基础设施、AI Coding 和工程素养。
AI Coding 时代怎么学
不要只问 AI「帮我写代码」。更好的提问方式是：
- 「先解释这个项目的运行链路，再告诉我应该改哪里。」
- 「根据现有代码风格，给出最小改动方案。」
- 「写一个能复现 bug 的测试，再修复它。」
- 「列出这个方案的风险和不该做的扩展。」
- 「帮我检查这段代码是否过度抽象。」
AI 可以加速执行，但学习的核心仍然是建立判断力。
常见误区
第一种误区是认为「有 AI 就不用学基础」。现实是，基础越薄，越难判断 AI 的回答是否正确。
第二种误区是认为「全栈就是每个框架都学一点」。全栈更重要的是链路意识，而不是工具清单。
第三种误区是把 AI 当成搜索引擎。AI 更适合协助你拆解、生成、审查、调试和复盘，但关键事实仍需要通过代码、文档、日志和测试验证。
小结
AI Coding 时代的全栈开发者，不是背更多 API 的人，而是能把问题讲清楚、把系统看完整、把结果验明白的人。这套知识库的目标，就是帮你建立这种工程判断力。