Hono.js + Drizzle ORM + PostgreSQL

必須包含：統一錯誤處理 、法自確實是逻辑漏洞不錯的選擇。在 SDD 規範中，别再有趣的吹牛存无是在寫這篇文章過程中，

5. SDD 規範是什麽？

為了讓大家秒懂什麽是 SDD ，但對於長期確實災難 ，逻辑漏洞就是别再代碼不會報錯 ，而非“消失”

Vibe Coding 最大的吹牛存无謊言 ：降低開發難度 = 消除係統複雜度.

真相是：AI 把「開發成本」轉移成了「維護成本」

• 項目從 0→1：速度極快 ，

  這種全局性的法自“遊戲規則”，一次性腳本（項目扔了也不可惜），

  落地建議 ：如何安全使用 AI 編程

  目前階段 ，因為 unique 約束會自動生成索引 
  ，

  接著理清一下 vibe coding 和 SDD 範式的概念，

  Vibe Coding 的正確使用邊界

  它不是魔鬼，

  AI 生成的 Drizzle 代碼
  ：

  export const users = pgTable("users", {   id: uuid("id").primaryKey().defaultRandom(),  email: text("email").notNull().unique(),   // ... 其他字段  (table) => [    index("idx_email").on(table.email), // 致命的“畫蛇添足”  ]});

  問題在哪裏 ？

  在 PostgreSQL/MySQL 中：

  UNIQUE 約束 = 自動創建唯一索引

  AI 額外手動添加了一行索引，RBAC 權限控製模塊等通用能力。販賣焦慮的博主層出不窮。但 AI 依然給安裝到了 "dependencies" 中。甚至放棄「一次性生成任務」（task.md） ，徹底拆解 100% Vibe Coding 的致命漏洞。

  業務背景與 Vibe Coding 範式

  先明確本次實戰的基礎信息，代碼接口規範是什麽等等。一個毫無編程基礎的同學就能實現任何應用。而是高級輔助工具。維護 SDD 這個範式的文檔本身就非常費力了。保持足夠的約束和及時對 Vibe Coding 後的代碼審查
  。必須遵守兩條鐵律：

  1. 測試用例必須全覆蓋

  AI 寫測試用例的速度還是挺快的，

  但當你的項目是大型生產項目 ，隻適合特定場景  。原型 demo 、也不是銀彈，產品經理先出個產品文檔 
  。依然頻繁翻車
   。例如變量命名規範是什麽 ，不符合企業級工程規範。如下
   ：

  export const users = pgTable("users", {   // ...   (table) => [    index("idx_email").on(table.email), // 致命的“畫蛇添足”  ]});

  導致的就是 ：

  • ✅ 代碼不報錯
  • ✅ 功能能跑通
  • ❌ 冗餘索引 → 占用額外存儲
  • ❌ 寫入性能大幅下降
  • ❌ 長期埋下數據庫性能隱患

  然後 ，因為企業級係統 80% 的成本在維護與迭代 。email 字段添加 unique 約束，低效的“新編程語言”。隻用自然語言驅動 AI 生成代碼 ，完整落地了一套企業級 Vibe Coding 項目後，而是放大器：

  • 對資深工程師：AI 是「增程器」
    ，

    最後確認 tasks.md 沒有問題 ，老板要開新業務 ，

    案例 2 ：依賴管理 —— 隱蔽的工程規範錯誤

    我在文檔中明確寫明環境規則
    ：

    • 本地開發 ：使用 dotenv 加載環境變量
    • 生產環境：通過 docker-compose 注入變量
       ，新手也能生成可用代碼
    • 但是項目從 1→100
      ：維護地獄 ，後來他自己也放棄了 Vibe coding，例如對代碼  ：
      • 審查邏輯合理性
      • 審查架構規範
      • 審查性能隱患
      • ...

      100% Vibe Coding = 技術裸奔

      真正高效的模式是 ：Human Intention + AI Execution + Human Review

      最後我想說，在 SDD 規範裏，

      但我在企業真實場景中，這個 task 我都把表結構很清晰的展示出來了。點讚_{也歡迎關注我的公眾號 ：ai超級個人，而是用自然語言寫代碼 。采用小步生成 + 逐次核查，你根本不知道 AI 代碼埋了多少雷。比編程還複雜的自然語言提示詞 
      ：}

    請使用 Drizzle ORM 定義 users 表，接下來就是搬磚了 。Vibe Coding 的邏輯死結出現了 ：

    • 不糾正：線上係統埋雷 ，是允許人類輕鬆說出連自己都未察覺的模糊 、使用 Vibe Coding 一定要有懂代碼和業務邏輯的資深成員在，企業級標準的 Node.js 通用腳手架，計算機科學經典理論，可能埋下三個更深的隱患，不定時分享高級特效源碼哦
      簡單場景 CRUD 等等，但肯定是都是比較明顯的問題。貌似隻需要 AI，得出一個紮心結論 ：

      100% Vibe Coding 不是好不好用的問題，

      企業級實戰：兩個真實翻車案例

      吐槽一下
      ，查到一個很好玩的資料，弱者永遠學不會

      Vibe Coding 不是普惠工具 ，前 Tesla AI 負責人） ，如下:

      CREATE TABLE users (  id UUID PRIMARY KEY DEFAULT gen_random_uuid(),  email VARCHAR(255) UNIQUE NOT NULL,  -- ... 其他字段);

      重點：email 明確標注 UNIQUE（唯一約束）。這在 SDD 規範中叫 tasks.md。永遠隻會「讓代碼跑通」。就是 Vibe Coding 這個詞的發明者 Andrej Karpathy（OpenAI 聯合創始人、規格驅動開發）範式來開發 ，就要開始開發了。

    • 對純新手 
      ：AI 是「陷阱」  ，例如原型 ，

      我嚴格按照 SDD 流程執行，

      其實本質就是不斷拆解你的需求，嚐試改進 SDD 的用法，避免概念混淆 ：

      1. 實戰任務

      為團隊搭建一套可複用 、完整用戶模塊、轉向了一個新的方向叫 Agentic Engineering  。但是開發過程中
      ，有基礎的同學可以省略這部分閱讀 。重複索引會造成性能浪費與存儲冗餘

    這已經不是「描述需求」，

    前言

    如今各大技術平台，集成測試 、我簡單拆解一下它的三部曲 。在 SDD 規範中交 constitution.md。

    本文將結合實戰翻車案例、當你的約束嚴謹到足以讓 AI 不犯錯時，這也是 Vibe Coding 最推崇的標準化流程
    。

    自然語言的天生模糊

    計算機科學祖師爺 Edsger Dijkstra 在 1978 年論文《論 “自然語言編程” 的愚蠢》（EWD667）中早已斷言：

    自然語言的本質，而且準確性很高，

    適用場景（低風險 / 短生命周期），接口測試來完成對 AI 功能的初次校驗 。

  更危險的是 ：大型項目中 ，

  有了產品文檔 ，不聊技術 ，

  2. 必須有資深開發者逐次審查

  沒有人能跳過「理解代碼」這一步。不需要 dotenv
  結果 AI 直接把 dotenv 安裝到了 ：

"dependencies": {   "dotenv": "^17.1.13"}

正確做法應該是：

"devDependencies": {   "dotenv": "^17.1.13"}

明顯 "dotenv" 這個庫我明確說明了線上環境不會用，跟金融相關的或者是長期維護的項目，它隻聚焦用戶價值和業務意圖，MVP 驗證 、

好了正文開始！而是在邏輯上根本無法自洽、一次性腳本，

兩極分化：強者更強，

結果咋說呢, 代碼不報錯, 項目能啟動, 但生產環境打包體積增大，

問題到底在哪？

所有翻車案例，結構化日誌、得先讓它把要做的事寫成任務列表，這叫 plan.md 。讓你永遠不理解底層邏輯，而是 “意圖接管”：

一句話描述就是
：不看代碼 、一次線上故障，想要保證代碼質量
，我舉兩個案例。最終都指向三個底層邏輯死結
。

複雜度“轉移”了 ，沒人能讀懂、擴展 AI 生成的混亂代碼
短期利好
，你的 Prompt 其實已經變成了一套極其臃腫、你用 AI 修複一個問題，

也就是當你追求 100% vibe coding 準確落地時 ，

注
：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結，隻聊“我們要幹什麽”。研發得定框架 、歧義與矛盾。AI 不是全自動開發工具 ，現在交給 AI，

2. 使用工具

Claude Cli

3. 開發範式

嚴格遵循目前最火的 SDD（Spec-Driven Development  ，排查漏洞 。寫技術文檔。且你完全無法識別 。

4. vibe coding 是什麽 ？

這個詞由前 OpenAI 首席科學家 Andrej Karpathy 帶火
。直到沒有錯誤為止。

案例 1
：數據庫表設計 —— 冗餘索引致命隱患

第一個小案例關於建表 ，所以可以借助單元測試 、

以上的案例都有一個特點，你必須用“模糊”的語言去約束一個“極其確定”的結果 。這叫 spec.md。MVP驗證，不理解實現，可維護、

想象你要開發一個新項目
 ，寫代碼變便宜了，能快速實現思路
、它的核心邏輯不是“AI 輔助”，但為錯誤買單的成本，無法成立的問題 。並以“能跑”為唯一標準的開發方式 。後期必出性能問題