Vibe Coding分三步：先定义项目规范（如FastAPI结构、响应格式、错误码等），再分层输入功能需求（单点突破/上下文延续/结构驱动），最后本地运行验证终端输出。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
用自然语言描述“我要一个带搜索框的待办列表，输入文字实时过滤，点击任务可标记完成”，AI就能生成可运行代码——这正是Vibe Coding的核心操作路径，不需要你写任何语法，但必须让AI听懂你要什么、在哪运行、怎么验证。
第一步：明确约束，不写代码先定规矩
打开Cursor或TRAE，在聊天窗口第一句不要说功能，而是输入项目规范：
用Python3.10 + FastAPI构建后端服务，目录结构固定为/api、/model、/utils、/db；所有接口返回统一格式：{"code":int,"msg":str,"data":object|null}；错误码约定：400参数错、401未登录、500服务器异常；密码字段必须bcrypt哈希，空参数必须拦截并返回400。
【不先定义这些，AI生成的代码大概率无法联调】
这一步不是可选项。2026年4月那个凌晨崩溃的登录接口项目，就是跳过了这条规则——AI按默认逻辑写了明文存密码、没做空值校验，前端一提交就500。
第二步：分层喂需求，一次只说一层
等AI确认规范已加载后，再输入具体功能指令：
方法一：单点突破式
在/api/task.py里写一个GET /tasks接口，返回JSON格式任务列表，每条含id、title、done（布尔值）、createdAt（ISO格式时间字符串）；用mock数据初始化5条，其中2条done为True。
FastAPI + Flask 混合部署最佳实践，解决路由定义、API 代理等常见问题，适用于同时运行 FastAPI API 与 Flask 前端的场景。
方法二：上下文延续式
接着上一步说：“现在给这个接口加搜索能力：支持query参数filter，当传入filter=done时只返回已完成任务，filter=pending时只返回未完成，不传filter时返回全部。”
方法三：结构驱动式
直接要求：“按规范生成完整文件：/model/task.py定义Task模型（含id、title、done、createdAt字段），/api/task.py实现GET /tasks（含filter逻辑），/utils/date_utils.py提供ISO时间生成函数。”
三种方式效果不同：方法一最快出可用片段，方法二适合迭代增强，方法三最省后续整理成本——但必须确保AI已记住你前面定义的目录和响应格式，否则会乱建文件。
第三步：本地跑通，只信终端输出
AI生成完代码后，不要直接看内容，先执行它告诉你的命令：
① 在项目根目录运行 pip install fastapi uvicorn python-dotenv；
② 执行 uvicorn api.main:app --reload；
③ 打开浏览器访问 http://127.0.0.1:8000/docs，确认Swagger UI能加载；
④ 点击GET /tasks → Execute，检查返回是否符合你定义的code/msg/data结构，且数据字段类型与模型一致。
只要Swagger里点Execute后出现绿色响应框，且data是数组、每项有id/title/done/createdAt，就代表这轮vibe coding成功落地。如果报错，复制终端红色报错信息，直接粘贴给AI：“启动时报错：ImportError: cannot import name 'xxx' from 'yyy'，请修复依赖导入问题”。
