春节期间我vibe coding了一周，做了两个网站——AI资讯速览和AI论文简报。
一个从20多个英文一手信息源筛选AI行业新闻，一个从arXiv每天近300篇论文里选出最值得关注的几篇。
关注本公众号的朋友应该已经在看了，新来的朋友可以直接访问网站（ai-digest.liziran.com / ai-brief.liziran.com），也可以订阅newsletter或RSS。公众号因为要扫码才能推送，更新会比其他方式略晚。
这两个站发布之后，很多人问我是怎么做的。今天聊聊vibe coding。
以前发布一个产品，其实很少有人会问产品是怎么做的。但vibe coding做的东西，大家就会问。
固然是因为vibe coding降低了技术门槛，很多人有求知欲。但也能感受到一种潜台词——vibe coding嘛，我上我也行。
坦白说，大家期待的可能是一个神奇的prompt，一个之前不知道的AI使用技巧，或者什么skills文件。
我一个skills都没用。
但我想先分享一个关于vibe coding的基本判断：
如果给难度打分——做个看起来唬人炫酷的东西，难度是1；做个自用工具，真正实用好用，难度是10；能发布给大家用，大家觉得还不错，稳定不出问题，难度是1000。
我看了不少vibe coding的作品，不挫的很少，大多数称不上产品，只是玩具。
先说背景。这是我的个人项目，不是主力项目，也不是赚钱的项目，我不可能一直投入大量精力。我需要它自动化运行，足够干净，足够简单，容易维护。
它是一个纯粹的信息站，不需要复杂的商业逻辑，不需要动态广告，也不需要推荐算法。所以我选了一个很冷门甚至有些原始的技术栈——Python脚本加Jinja2模板生成静态HTML，部署到Cloudflare Workers。
整个项目的Python依赖只有6个包。现在做个网站经常就几百个包，6个包是非常少见的。我相信依赖越少，项目就越干净，能稳定长久地运行。
以前我招程序员，会考虑什么技术流行——比如React现在流行，那前端就都用React。甚至这样做多了，大家会觉得不用前端框架做网站就不专业。
但AI编程带来一个非常大的变化：AI什么都会写，所以你可以真正从业务需求出发来选技术栈，而不是从「我掌握什么语言什么框架」出发。
因为这套东西很原始，反而有点「反向炫技」。用Next.js的话，路由、构建、图片优化、SEO注入，框架都帮你写好了。现在字体、图片、页面生成、SEO都要自己搞。
这要求我要懂。但首先我懂，其次AI也很懂，它也不在乎工作量大一点。
另外我特别考虑了可维护性。很多人抱怨AI写大项目搞成屎山代码，最后根本维护不了。
所以我的架构里，绝大多数中间输出都是.md格式，每篇文章也是.md文件，最后build的时候把.md变成.html。每一步的输入输出都是人类可以直接阅读的。
可以看到，我不是像很多AI技巧教程里那样只给AI提需求。从项目选型开始，我就把自己的思路贯彻在里面，这样才能保证项目始终可控。
相信大家都见过很多vibe coding的界面——紫色的渐变按钮，圆角卡片，一看就是AI设计出来的。Claude原生的设计审美其实还行，但大家都用默认设计，AI味就很足了。
我没有画设计图，也没有参考图，就是通过自然语言描述想要的风格、元素、样式，让Claude出demo，然后精细调整。这里调一个padding，那里调一个链接样式，调一个对齐，调一个字号。
举个细节：网站中英文的字体逻辑是相反的——中文是衬线体标题、无衬线体正文，英文是无衬线体标题、衬线体正文。为了字体显示效果还做了字体子集化。
现在网站的设计和整体呈现，包括内容，我给自己打70分，还有很多可以调整的。但这些工作出自我的思路，而不是AI的原生设计。
前端其实是整个项目里最简单的部分。技术选型靠的是对技术的理解，前端页面靠的是对设计的理解。这跟AI使用技巧没什么关系。
这两个网站一个做论文，一个做新闻，管线的设计有区别，但比较共通的部分是：抓取、打分筛选、撰写、构建、部署。每个大模块下面又有很多子环节。
拿撰写来举例。撰写分为编辑、写手、审核几个不同的AI角色。编辑读取所有评分后的条目，做编辑决策——选几个故事角度，为每个故事指定核心素材，写好编辑brief。写手拿到brief后并行工作，各写一篇。最后审稿人检查全文质量。
关键是关注点分离，编辑prompt专注选题判断，写手prompt专注文字表达，各自可以独立优化。
前面说做一个demo很简单，做一个产品很难。为什么？几个例子。
去重 跨天跨源，松紧难拿捏
让AI做一个抓新闻的demo，可能几个prompt就能做出来。但到第二天、第三天就会出问题。同一条新闻，今天A网站报道了，明天B网站报道了，你的网站可能连续两天头条一样。
而且去重不能去太狠，否则越来越没东西能写。今天报道过的新闻明天可能有了新进展，那当然还要报道。跨天去重、跨源去重，里面的判断逻辑很多。
抓取时机 资讯T+0，论文T+3
不同数据源有不同的抓取方式和时机。某些带投票的网站，抓太早投票数不够，抓太晚投票过期了。新闻主要靠「共识」——几个媒体同时报道一件事，那这件事就是重要的。
但论文怎么办？论文筛选很难，AI筛不好。所以我等几天，看看大家的投票和反馈。资讯是T+0，论文是T+3。慢三天对论文来说无所谓，但这三天可以积累大量人类反馈，这比AI判断论文质量要靠谱得多。
Prompt工程 连续多天不能重复
生成一天的新闻没问题，但连续生成多天就会发现，AI的风格很容易连续几天都很接近，读者会审美疲劳。这里面调了几百行的prompt来声明写作规范。
审核 具体反馈优于抽象指令
我的一个核心思路是：具体的反馈优于抽象的指令。比如篇幅太长，审核不能给「字数太长了，重写」，而是用Python计算实际字数，明确告诉AI你上次写了多少字、这次必须控制在多少字以内，甚至每个段落要删减几句话。
而且作为一个追求全自动的产品，如果审核不过打回重写，重写还是不过怎么办？无限重写？还是质量不行也上线？所以审核的prompt经过了深度优化，确保打回重写能给出足够具体的反馈，让重写大概率能通过。
容错设计 优雅降级，不卡关键流程
超时可控、失败可重试；区分关键步骤失败和软失败——生图失败了不应该卡住发布；审核觉得质量不行应该对应模块重写而不是整篇推倒重来；要有可读日志，出了问题知道出在哪里；文件锁防并发。
还有一个细节：模型输出JSON经常会出错。我的做法是尽量不用JSON，中间步骤用大量.md而不是JSON。同时写了一个容错性超强的字符级JSON解析器。防御性解析，比反复优化prompt去追求百分之百合法JSON输出要实际得多。
社群里有人说希望我开源，换自己的数据源就能有自己的今日头条了。但哪有这么简单。不同抓取方式、不同去重方式、不同业务逻辑、不同的数据筛选评价方式、不同的写作方式，每一个都要针对具体业务来设计。
如果原始资料是英文，AI根据这些资料写中文写得好，还是写英文写得好？
直觉上AI英文语料更多，应该英文更好。但实际上反而是中文容易写好。
AI写中文的时候因为涉及语言转换，必须先理解内容再重新组织，反而写得更好。而写英文就容易偷懒，直接复述原文的表达，更容易陷入套路化写作。
最后说一个我一直在琢磨的事。
AI进步飞快。前年我做产品的时候会用很多结构化的prompt，后来模型能力强了，这些结构化的prompt反而限制了AI的能力。如果prompt写得太死，AI更强了，你的产品也不会更强。
有没有可能做一个产品，将来AI越强，产品能自动变得越强？
这是我在追求的东西。既要留给AI发挥的空间，又要逻辑严谨。
比如我的写作prompt，有一些建议的风格，但没有强迫AI必须选择，而是说如果你觉得有更好的表达方式也可以使用，但要注意不要和之前几篇的表达方式重复。
这样给了AI发挥空间，将来模型进步了，或许就能写出更好的东西。同时审核的AI把这个逻辑兜住——审核有一套固定的标准，如果觉得文章写得不好、风格重复，它有权打回重写。
这样将来AI进步，产品也会自然跟着进步。
这只是一个小例子，我其实做了大量这样的设计。一个视频的时间并不够我讲清楚整个管线，部署的部分也没时间展开，但希望给大家提供了一些思路。
Vibe coding降低了技术门槛，但并没有缩小高手和普通人的差距，甚至是放大了。与其钻研AI的奇技淫巧，更重要的还是对业务的理解、对产品的理解、对技术的理解。
这两个站我给自己打70分，还有很多可以迭代的地方。
大家用起来，有什么建议随时跟我说。