本地VibeCoding非常有趣..
摘要
一位程序员分享了使用本地LLM进行编码(VibeCoding)的个人实用规则清单,强调实验、任务分解、安全测试以及理解模型能力。技术栈包括llama.cpp和Qwen模型。
大家好!我不认为自己是一名专业人士,尽管我目前的职位官方名称是“程序员”。我写代码已经很多年了,使用过不同的语言和技术,其中大部分我已经忘记了) 我决定整理(为自己明确)一份在使用LLM过程中总结出来的实用规则小清单。这是一个开放的清单——只是一些通用想法(相当简单和显而易见),可能对其他人有用。
**测试模型,并尝试自己理解它的能力和局限。** \- 用模型做实验。使用不同的提示,从简单的到疯狂的(做一个贪吃蛇游戏,做一个下载YouTube视频的程序,给我做一个新版本的Windows)。在大模型上尝试有趣的提示,并与本地模型的结果进行比较。这不仅适用于代码。这将让你对质量和能力有一个总体的了解。不要偷懒,花点时间做这个——这很有趣!
**尝试将任务设定在模型实际能力的80%左右。** \- 在这种情况下,模型有时会给你带来惊喜) 这将给你更可靠的解决方案选择。不要期待奇迹。模型还没有准备好从头到尾编写复杂的项目,但它们作为助手已经非常出色了。
**将任务分解成更小的部分。** \- 每个任务越小越简单越好。你不能一口吞下一头鲸鱼,但你可以一口一口地吃,一块一块地吃。
**尽量具体地解释每个任务。** \- 你可以用简单的语言来表达任务——不一定需要使用复杂的提示工程——但你的提示必须让最笨的人(包括你自己)都能毫不含糊地理解。
**按照预先计划的策略逐步进行。** \- 千里之行,始于足下。
**始终审查代理编写的代码。** \- 你必须清楚了解每一步发生了什么。通常,模型会产生冗余代码,可以通过删除或替换几行多余的代码来轻松简化。有时模型会偏离轨道——代码会运行,但很久以后你会遇到架构上的困难。
**始终进行安全测试!!!** \- 做一个偏执狂。自己测试安全性,在单独的会话中使用模型,并让它想出绕过安全防护的方法。尽可能经常这样做,始终思考这个问题,永远不要忘记!!!
**你必须始终理解你在构建什么以及如何构建。** \- 与第一点不同,你总是需要具备足够的能力。学习新东西(技术、架构、自己和别人的错误等),为小部分创建不同的原型,并测试想法——不要偷懒。逐步深入问题,但要足够深入以便实际应用。学习编程是很好的大脑锻炼!
**我当前的VibeCoding技术栈:** llama.cpp, Qwen3.6-27B-Q4\_K\_M, Qwen-coder-cli
欢迎添加你自己的规则,并批评这份清单或这种方法本身。祝大家和平与美好!
相似文章
Vibe Coding 吃掉了我的作业:对AI方法在新建软件工程与编程中的评估
本文评估了‘vibe coding’(即使用自然语言提示通过AI智能体生成代码而无需人工审查)在新建软件工程任务中的可行性,并分析了现有用于衡量LLM编程能力的基准测试。作者开发了一套针对简单Python编程任务的评估套件,以提供有针对性的见解。
在单个16GB GPU + 64GB RAM上的本地LLM自动补全与代理式编码
使用 llama.cpp 在单块 16GB GPU 及 64GB+ 内存上设置本地 LLM 自动完成(Qwen2.5-Coder-7B)与代理编码(Qwen3.6-35B-A3B)的技术指南,包含命令与性能基准。
如何用'氛围编码'做科研:早期采用者分享技巧
科学家们正采用'氛围编码',这是一种对话式方法,利用LLM等AI工具生成用于数据可视化和分析的代码,从而加速研究,但需谨慎使用。
使用OpenCode、Llama.cpp和Qwen3.6在您的代码中查找错误
本文介绍了如何使用编码代理OpenCode结合llama.cpp和Qwen3.6模型在代码中查找错误,同时强调了防止LLM访问敏感数据所需的关键安全措施。
Cohere的未发布编码模型(localllama早期访问)
Cohere发布了一款早期访问编码模型BLS-Mini-Code-1.0,这是一个30B参数的模型,可在Hugging Face上进行测试。