为什么要写这篇
七月底那篇 2026 开发复盘 写的是「半年五个项目」的长线回顾。而这周的情况很不一样：三个项目几乎同时开工、同时推进、同时收尾，其中两个还涉及我之前完全没碰过的领域。
这篇只讲三件事：做了什么（一句话）、遇到了什么问题、以及 vibe coding 到底靠不靠谱。不想写成功能清单，很多细节也没必要展开。
三个项目，三句话
| 项目 | 是什么 | 主要技术 |
|---|---|---|
| 织词 PromptWeaver | Windows 桌面提示词工作台 | Electron、React、zustand |
| 游戏大厅 Game Hall | 私有 P2P 多人游戏平台 | Next.js、WebRTC、WebSocket |
| 阅海 Yuehai | 飞牛 NAS 图书馆应用 | Kavita fork、fnOS 打包 |
三个项目几乎没有重叠的技术栈：一个桌面端、一个实时联机、一个 NAS 生态。这也是我刻意为之——想看看 vibe coding 在不同领域的表现。
一、织词：桌面端的性能与数据
桌面应用的第一个体会：本地数据越多，越考验工程能力。角色、标签、翻译映射、别名……数据量上来之后，从「能跑」到「不卡」之间隔着一次重构。
遇到的问题：
- 状态管理失控：功能越加越多，一个主组件膨胀到几百行、七八个
useState，改一处崩三处。最后老老实实重构，拆成多个 store 才稳住。 - 渲染性能：列表数据大之后，滚动明显卡顿，不得不引入虚拟滚动。
- 中文搜索远比想象复杂：汉字、拼音、首字母、别名、同义词，每个都要命中；还遇到过某条全量查询耗时 20 秒的超时问题，最后靠给匹配逻辑加门控条件解决。
- 中英双语的一致性：输出是中英双份的，两边经常对不上。后面做了不少数据审计工作，才把差集清零。
心得：数据质量工程（data engineering）的坑，不比写代码少。vibe coding 能很快写出功能，但「数据对不对、全不全、一致不一致」这件事，AI 帮不了多少，得自己一遍遍核对。
二、游戏大厅：P2P 联网是深水区
这个项目的定位很简单：朋友之间通过邀请码注册，建立房间，然后双方设备点对点直连对局，服务器只做控制面。
遇到的问题：
- 库与环境的版本暗坑：密码哈希库在 CI 的 Node 版本下直接报「不是函数」，查了半天是版本兼容问题，升级运行时才解决。
- 白屏问题：为安全加了严格的内容安全策略（CSP），结果某些环境下一打开就是白屏，排查下来是安全策略和浏览器扩展冲突，最后做了权衡调整。
- P2P 连不上：不同运营商、不同 NAT 环境下，直连经常失败。只能做成「局域网直连 → 点对点 → 中继兜底」三级策略，再加网络检测向导让用户自己看链路质量。
- 平台限制：部署平台对 WebSocket 连接时长有硬限制，不得不设计短连接 + 退避重连 + 消息重放的方案。
- 测试不稳定：端到端测试经常时好时坏，同一套用例在本地全过、CI 上随机挂，花了不少时间稳定它们。
心得：联网和安全的坑，vibe coding 只能帮你走到一半。AI 能写出 WebRTC 握手、能写出认证流程，但「为什么这个环境下连不上」「为什么 CI 上测不过」这种需要实机环境反复验证的问题，最后还是得靠人一点点试。
三、阅海：改一个大项目的勇气
这个项目是给 NAS 做的图书馆应用，基于开源的阅读器 fork 改造。这是三个项目里**最「改别人的代码」**的一个。
遇到的问题：
- gitignore 误吞：一次配置失误，把源码文件整个从版本控制里吞掉了，差点丢文件，花了不少力气恢复。
- 安全漏洞：fork 上游的代码里存在认证相关的漏洞，逐项审计修复，顺手把沙箱和内容安全也补上了。
- 上游版本管理：fork 了多个开源项目，版本固定、许可证分层、上游更新跟踪，全是琐碎但必须做对的事。
- NAS 集成：安装向导、权限、数据卷、生命周期脚本，和普通 Web 应用完全不是一个思路。
心得：改别人的大项目，最大的瓶颈是上下文。项目太大，AI 的上下文窗口根本装不下整个代码库，经常「改了这个忘了那个」。只能把改动拆得很碎，一次只动一个点，每步都靠测试兜底。
vibe coding 到底有什么问题
三个项目跑下来，说说我的真实感受：
1. 功能写得快，问题出在后面。 一周能堆出别人一个月的功能量，但随之而来的性能、数据一致性、边界情况，AI 不会替你想到。
2. 测试是唯一的救命稻草。 没有测试，vibe coding 就是给未来的自己埋雷。三个项目都是测试越写越重，到后期几乎改一个点就要跑一遍全量回归。
3. 上下文是硬天花板。 单文件、单模块 AI 很强；整个项目级别的「全局视野」，AI 给不了，得靠人拆分和设计。
4. 安全和隐私不能外包。 代码生成得再快，认证、权限、密钥管理这些还是要自己过一遍，不能假设 AI 写的就是安全的。
5. 数据比代码更费神。 尤其涉及大量结构化数据时，AI 写转换代码很利索，但数据本身的正确性，只能靠审计。
最后
这周最大的收获不是三个项目本身，而是摸清了 vibe coding 的边界：它把「从零到能跑」的时间压缩到极限，但「从能跑到能上线」的每一步，依然要靠自己的判断力。
工具不会替你踩坑，只会让你踩坑的速度更快。想清楚这一点，vibe coding 就是很好的工具；想不清楚，它只是加速翻车的引擎。
