--- title: '101 个 vibe code 能造的 AI 应用:五步框架与七类场景' video_id: vMyk77NNJeU url: https://youtu.be/vMyk77NNJeU title_en: "101 AI Apps You Can Vibe Code" channel: Tina Huang published: 2025-09-15 duration: "28:40" topics: - AI 编程与建站 - AI 自动化 noted: 2026-07-08 value: A views: '5万' --- [![封面](https://i.ytimg.com/vi/vMyk77NNJeU/maxresdefault.jpg)](https://youtu.be/vMyk77NNJeU) > Tina Huang · 28:40 · 发布 2025-09-15 · 5万次观看(截至抓取) · [观看原视频](https://youtu.be/vMyk77NNJeU) > 🔥 观众最高回放 [00:51](https://youtu.be/vMyk77NNJeU?t=51) — Tina 在 intro 末尾预告接下来会先讲五步搭建框架、再盘七类 AI 应用,不少观众从此处回看以确认"自己该先看框架还是直接挑感兴趣的 app 类别"。 ## 主旨 Tina Huang 用一支视频演示"不会写代码也能在 2025 年搭出来的 AI 应用"——先给一个五步搭建框架(meta prompt → PRP → 增量实现 → 调试 → 部署),再把全片剩下的时间切成七类应用场景(数据库/数据管理、硬件、仪表盘、聊天助手、个人教练、多模态、自动化/宏),每类都给常见用例清单与通用工作流。 ## 核心论点 1. **vibe coding 不是把传统编程淘汰,而是把它从一个全场景的能力降级成"复杂定制场景才需要"的能力**——多数 AI 应用已经能不用手写代码搭出 80-90%,剩下 10-20% 才是必须写代码的部分。([[#1-introvibe-coding-的边界与本片地图-0000|→ 详解1]]) 2. **五步框架的真正价值是给 vibe coding 装工程纪律**——meta prompt 把想法逼清楚、PRP 把需求规格化、增量实现 + 调试交替推进、部署大多交给工具托管;每一步都对应 vibe coding 易翻车的具体坑。([[#2-五步搭建框架meta-prompt--prp--增量实现--调试--部署-0053|→ 详解2]]) 3. **七类应用的核心区别不是技术,而是数据流向与触发模式**——数据库类靠摄取+索引+查询、硬件类靠实时传感+检测+告警、仪表盘类靠多源聚合+可视化、聊天/教练类靠对话+动作执行、自动化/宏类靠触发器+无人值守执行。(→ 详解3-9) 4. **"Bolt 这类工具把整套堆栈打包成浏览器内一键部署"是 2025 年的可执行现实**——从 idea 到 live product 在分钟内完成,前后端/数据库/对象存储/域名/SEO 一站集成,无需切到 AWS/GCP 拼装。(→ 详解5 内的 Bolt 段) 5. **"agentic component"是聊天/教练/自动化的共同底色**——这一类应用的本质不是 UI,而是 LLM 能调用工具、读/写数据、按用户意图执行动作并记日志;ui 只是与用户对话的接口层。([[#6-聊天助手类应用-1602|→ 详解6]]) 6. **触发器 + 自动执行是自动化类的硬区分点**——云端工作流与本地"宏"的差别在于运行环境(云 vs 本机文件),但共同点是目标都是让 AI 在最少人类干预下跑完整条流水线。([[#9-自动化与宏-2428|→ 详解9]]) ## 知识点详解 ### 1. Intro:vibe coding 的边界与本片地图 [00:00](https://youtu.be/vMyk77NNJeU?t=0) Tina 开篇一句限定:**"Just as a note, I'm not saying that coding is obsolete. It is still very much necessary and useful for more complex and custom apps and features"**([00:09](https://youtu.be/vMyk77NNJeU?t=9))——她明确把"vibe coding 能造"与"传统编程仍必要"画开,vibe coding 接管的是中间一大片"商业软件不覆盖、个人又需要"的场景,不是全部软件。 她随即给出全片地图:**"I'm going to split this video into seven different categories"**([00:20](https://youtu.be/vMyk77NNJeU?t=20))——数据库/数据管理类、硬件类、仪表盘、聊天/助手类、教练/学习类、多模态类、自动化/宏类——七类应用即本片后七节。在进入分类清单前,她要先给一段搭建框架的 crash course:**"I do want to do a quick crash course on my five-step framework for how to approach building AI applications all the way from ideiation to deployment"**([00:38](https://youtu.be/vMyk77NNJeU?t=38))。两件事的顺序是:**框架 → 七类场景**,任何一类应用的搭建都先经过同一套五步流水线。 她还预告赞助:**"A portion of this video is sponsored by Bault"**([00:52](https://youtu.be/vMyk77NNJeU?t=52))(Bolt 平台的早期拼写变体),并把赞助段集中在讲 Bolt 那部分,框架本身的步骤与七类应用的工作流都不依赖任何具体厂商工具。这一节为后面七类应用铺底——后面所有"通用工作流"都是同一套五步的实例化。 ### 2. 五步搭建框架:meta prompt → PRP → 增量实现 → 调试 → 部署 [00:53](https://youtu.be/vMyk77NNJeU?t=53) Tina 把 AI 应用搭建切成五步并给了顺序:**"The five-step framework is metaprompt, product requirements prompt, the PRP, implementation, debugging, and deployment"**([00:56](https://youtu.be/vMyk77NNJeU?t=56))。这一节按五步顺序展开,每步都对应一个 vibe coding 易翻车的具体坑。 **第一步 meta prompt**——Tina 把这步定位在"ideation phase",作用是逼你回答"做什么 / 给谁 / 核心功能 / 营销对象"。她给一句金句:**"if you don't even know exactly what it is that you're building, it's kind of unfair to expect your AI to figure out how to build it"**([01:20](https://youtu.be/vMyk77NNJeU?t=80))——meta prompt 的本质是**让 AI 反过来逼你把模糊需求逼成清晰需求**,因为 vibe coding 的最大风险不是 AI 写得不够好,而是你自己都没想清楚要什么。她会把这套 metaprompt 挂到 description 让读者复制使用。 **第二步 PRP(Product Requirements Prompt)**——Tina 直接对应传统软件工程里的 PRD(Product Requirements Document)概念:**"the output of this meta prompt is going to be called a product requirements prompt"**([01:33](https://youtu.be/vMyk77NNJeU?t=93))。PRP 是把 meta prompt 输出整理成一份可直接喂给 AI 编码工具的"产品规格说明书"。她给一个期望值:**"Just with a single prompt, you'll probably be able to get like 80 to 90% of your core set of features"**([01:58](https://youtu.be/vMyk77NNJeU?t=118))——单条 PRP 进,工具出 80-90% 核心功能,**这是 vibe coding 在 2025 年的真实水位线**。 **第三步增量实现 + 第四步调试**——Tina 把这两步明确绑在一起:**"step three and step four go hand in hand and that is debugging"**([02:30](https://youtu.be/vMyk77NNJeU?t=150))。增量实现是"对没做对的细节让 AI 继续改"(加点、改 UI、加新功能如音频);调试是"对 AI 出错的部分让 AI 自己修"——她的实操建议是直接用工具提供的"fix it"按钮,或截图/指出"这个按钮坏了",让 AI 自纠。她特别强调这一过程是**循环而非直线**:"you're going to be repeating this process of incrementally implementing a feature and then debugging it, implementing, debugging, implementing, debugging until towards the end, you get to a point in which you're happy with the features that have been implemented"——这一循环是 vibe coding 的核心节拍,不是"扔 prompt 跑路"。 **第五步部署**——Tina 把它交给工具,不展开:**"there are a lot of things that I can talk about in this deployment section, including things like security, risk, version control, or to be hosting things. But the good news is that for most of these VIP coding AI assisted coding tools, they do have their own deployment options"**([03:18](https://youtu.be/vMyk77NNJeU?t=198))。她点出部署真正涉及的安全/风险/版本控制/托管等议题,但**为了 vibe coding 听众,故意收口在"用工具自带部署"**——这把部署从必学降级成"知道存在 + 用工具托管"。 这一节的整体认知:**五步框架不是"五个独立阶段",而是"一个 meta prompt 逼清楚需求 + 一个 PRP 锁定规格 + 一段增量实现与调试交替循环 + 部署交给工具"**——前两步把需求锁死,中段是真正的人工节拍,末段工具接管。 ### 3. 数据库/数据管理类应用 [03:51](https://youtu.be/vMyk77NNJeU?t=231) Tina 对这一类的定义一句话:**"This category of AI applications is all about leveraging AI's incredible ability of turning raw or unstructured data into something that you can search, query, summarize, and extract value from"**([04:01](https://youtu.be/vMyk77NNJeU?t=241))。核心动作是**摄取原始/非结构化数据 → 标签化/索引化 → 装进数据库 → 让用户用自然语言查询 → AI 检索+分析+可视化输出**。 她给的标准工作流:**"The general workflow for this type of application usually starts with ingesting a lot of different types of information, labeling it, indexing it, and then organizing it into a nice little database. Then allow users to be able to ask questions and the AI would go and filter all the information in the database to collect the relevant information maybe do some types of analysis if it has to and finally output it in some format maybe like visualizations an email or a report"**——四步:摄取/标注/索引 → 装库 → 自然语言查询 → 分析+可视化输出。这套工作流就是 RAG 的具体场景化版本,但 Tina 不展开 RAG 术语,而是按"用户感知得到的功能"讲。 她的范例清单按"模态 × 场景"矩阵铺:视频搜索数据库(她举例"在数小时讲座里找某个教授讲的某个公式片段"),跨工具企业搜索(Notion/Slack/Google Drive 接 AI 搜索),音频转写+搜索(海量播客/会议片段检索),内网文档语义搜索(报销/合规/政策问答),**数据清洗助手**(用户上传多份混乱 Excel,AI 自动清洗后下载),图像打标/分类(花卉、医疗影像分类),**文件自动注释**(蝴蝶图自动贴标签,医疗影像按风险标注),音频对话式查询("Q2 亚洲销售额是多少"),以及**报表自动生成**——她点名"内部报表自动化被严重低估,因为没人爱做报表"。 这一节的关键认知:**数据库类应用的工作流本质是"RAG + 结构化数据操作"的组合**——前者是非结构化数据的检索增强生成,后者是用户上传结构化文件(Excel/PDF)的清洗与转换。两者共享同一套"摄取-索引-查询-输出"骨架。 ### 4. 硬件类应用 [07:00](https://youtu.be/vMyk77NNJeU?t=420) Tina 把这一类的核心特性明确:**"AI is very much able to interact with the physical world"**([07:16](https://youtu.be/vMyk77NNJeU?t=436))——这与前一代 AI 的纯软件印象拉开距离。她给的工作流比数据库类更紧:**"the workflow for this type of application usually has an emphasis of things being real time and looping"**([07:19](https://youtu.be/vMyk77NNJeU?t=439))——**实时 + 循环**是与数据库类的核心区别,数据库类是"用户问一次答一次",硬件类是"持续采数据流+持续决策+持续告警"。 她给的标准工作流:**传感器/摄像头/穿戴设备采实时数据 → AI 处理分析 → 检测模式/异常/洞察 → 决策(触发告警或调整物理设备) → 汇总报告**。这里"调整物理设备"是关键——AI 不只是分析数据,还要对真实世界施加反馈。 她的范例清单明显比数据库类更"工程":交通事故检测器(摄像头+路况传感器→撞车检测→报警+调红绿灯)、**交通流预测**(历史+实时数据→拥堵预测→重路由建议)、违停检测(摄像头识别违停车辆→找车/告警)、人群管理传感器(检测人流瓶颈→派人疏导)、空气/噪音污染检测(城市传感器+AI→热点识别+城市规划建议)、**安防类**(物体/人/宠物识别、隐私模糊、异常检测+报警)、智能家居(能耗异常检测、语音激活电器、智能冰箱补货、传感器失效告警)、可穿戴聚合器(Apple Health/Whoop/Aurora 数据聚合→健康建议)、**睡眠+饮食定制**(基于生活方式的私人方案)、AI 助听器(选择性放大/过滤声音)、智能眼镜(场景识别)、车载集成(车辆保养提醒)、车队/无人机监控。 这一节的关键认知:**硬件类应用的真正稀缺价值是"打通物理世界"——它把 AI 从屏幕后的分析员升级成能调红绿灯、关电器、叫救援的实体行为体**;纯软件时代你买不到"控制真实世界"的能力,vibe coding 时代的硬件类应用把这件事平民化。 ### 5. 仪表盘类应用 [11:36](https://youtu.be/vMyk77NNJeU?t=696) Tina 给这一类的定位是"对特定信息的实时或 AI 增强总览":**"AI enhanced dashboards are all about having real time or AI enhanced overviews of specific types of information. It allows users to be able to get an overview of certain systems and then also doubleclick and get more detailed information"**([11:49](https://youtu.be/vMyk77NNJeU?t=709))——**总览 + 下钻**是仪表盘的标志性交互模式。 她给的工作流五段:**采集数据源(内部 CSV/数据库 + 外部信息)→ 数据处理与分析(清洗+重组)→ 编译与可视化(把数据装进视图)→ 高亮关键点(AI 帮你标最该注意的)→ 分发(邮件/链接/每日报告)**。其中"AI 帮你标最该注意的"是仪表盘与传统报表的最大区别——传统报表把所有数据并列展示,仪表盘让 AI 主动筛"哪几个数字最该看"。 她给的核心范例:**个人理财仪表盘**(聚合多账户交易+分类+可视化+异常提醒如"你 30% 月预算花在巧克力"+"WhatsApp/邮件/语音简报"),**竞品监控仪表盘**(营销动作/销售预测/竞品新闻/行业动态),**AI 新闻聚合仪表盘**(她自用的,高度定制),**AI KPI 内部追踪仪表盘**(对应一句口号:"there is a saying that what doesn't get tracked doesn't get done"([13:52](https://youtu.be/vMyk77NNJeU?t=832))),客户情感仪表盘(多源评论按产品聚合),**异常检测仪表盘**(支出异常/网站错误/指标突刺),现金流预测仪表盘(实时会计+防超支),**定价情报仪表盘**(抓竞品价+调整定价),销售管道仪表盘(CRM 集成),订阅流失仪表盘(用户行为数据输入),**资源分配仪表盘**(人力/预算/项目),**Bug/错误优先级仪表盘**,**网络威胁仪表盘**(社媒攻击监控),以及她自陈正在做的**投资仪表盘**(跟踪房地产/商品/股票/债券,辅助投资决策与交易策略)。 她中间插一段 Bolt 介绍:**"Bolt is the first unified platform that takes you from idea to live product in minutes. No code required"**([15:04](https://youtu.be/vMyk77NNJeU?t=904))——Bolt 的卖点是"在浏览器里把 idea 直接变可上线产品",从 idea 到 live product 在分钟内完成,**前后端+数据库+对象存储+域名+SEO 一站集成**,可以接 Supabase(数据)与 Stripe(支付),合作伙伴含 Netlify 提供企业级扩缩容。她给出两个真实案例:Ask in Bio(基于公开数据向创作者提问的应用)、儿童个性化图书/有声书生成器——**都跑在 Bolt 上,都 zero code**。Bolt Cloud 当时 private beta,pro 用户 beta 期免费访问。这一段是全片唯一明确的赞助商段落,需在「立场与利益」节打折采信。 这一节的关键认知:**仪表盘类应用与数据库类的区别是"输出形态"——数据库类是"问一句答一句",仪表盘类是"一次性给你完整视图+让你下钻"**;底层数据流可能类似,但用户感知完全不同。 ### 6. 聊天/助手类应用 [16:02](https://youtu.be/vMyk77NNJeU?t=962) Tina 给这一类的关键观察:**"A lot of apps in this category will have a gent components to it"**([16:11](https://youtu.be/vMyk77NNJeU?t=971))(字幕漏字,实为 "agent components")——聊天/助手类应用的本质是 Agent 而非单纯对话 UI。 她给的工作流:**用户输入/请求 → AI 理解意图 → 检索数据库/执行动作 → 回复用户/通知执行结果 → 日志记录**。与教练类比,聊天/助手类的关键是"取数据 + 执动作"——它不只是聊天,是要让 LLM 调用真实工具/数据库。 她给的范例是**会计助手**:**"if you have an accounting assistant, the user can say something like 'Generate an invoice for Lonely Octopus for $5,000.' The accounting assistant would go and classify this request as an invoice creation, pulls the client information for Lonely Octopus, and generate the invoice using some sort of accounting software through their API and then respond to the user"**——一句话需求触发四步动作:意图分类 → 拉取客户信息 → 调用会计软件 API 生成发票 → 告诉用户结果(并问"要不要顺便发邮件给对方?")。这是聊天助手类应用的范本:对话是入口,执行是目的。 她列的清单按场景广度铺:**法律助手**(生成合同+解释条款+标风险)、内部政策助手(HR/合规问答)、合规助手(监控地方法规+告警)、发票助手(从发票/收据抽取信息)、**报销助手**(她自陈"我此刻正在做"——拍照收据自动归档)、**报税助手**、**小企业 CFO agent**(维护现金流+预测 runway+工资预警)、医保助手、福利导航员、用药指南助手、**健康档案组织员**(跨院统一健康档案)、客服 agent(常见问题+复杂升级)、会议跟进助理、**IT 服务台助理**、**预约助理**(能打电话订餐/订医美)、**个人购物助理**(食材/服装/家居)、**订阅管理助理**(她自陈"我太需要这个了"+不想为管理订阅再付订阅费)、**保修/退货助理**(她自陈"我太常因为流程太复杂放弃退换")、**公用事业谈判助理**(谈话费/网费/水费——"长期看能省不少")。 这一节的关键认知:**聊天/助手类应用的本质是"LLM + 工具调用 + 日志"——对话只是入口层,真正价值在调用真实 API 执行动作**;Tina 列出的多数范例都强调"过去因流程太烦而放弃"或"过去因太专业而做不起",AI 把这两类门槛同时拉平。 ### 7. 个人教练类应用 [19:56](https://youtu.be/vMyk77NNJeU?t=1196) Tina 给这一类与聊天/助手类的核心区分:**"this is also a category that has a lot of agentic components to it but it's different from the general assistance like chatbot assistance because there's a bigger emphasis on the learning aspect and and feedback from the user"**——本质区别是**学习与反馈回路**而非单次任务执行。 她给的工作流:**用户输入(文本/语音/视频/动作)→ AI 评估/打分/分析 → 反馈与改进建议 → 鼓励强化 → 下一步指导 → 进度追踪**。"进度追踪"是与聊天/助手类的关键差异——聊天/助手是单次任务,教练是长期学习。 她的范例是**关系教练**:用户说"我刚对伴侣发了脾气",AI 反问"你具体说了什么/对方如何反应/你们谈了什么"→评估→给改进建议(如"换更共情的措辞")→建议用角色扮演强化→追踪用户在关系场景里的进步速度。其他范例:**绘画教练**(上传草图/实时素描→改进评论,她自陈已做过)、**运动/体能教练**(上传高尔夫挥杆视频→动作分析→改进建议,适用网球/健身/任意体能类)、**公众演讲教练**(录下你的讲话→实时反馈)、**语言学习教练**(她自陈已做过,"非常棒"——实时对话+反馈)、**职业教练**(模拟面试)、**细分技能教练**(陶艺/音乐等任何"专家级咨询很贵"的领域)。 她给一条核心论断:**"if you just like build an application to do it for the majority of people they can accomplish like 80 or 90% of their learning through the AI app before having to actually go to a human and pay a lot of money to improve"**([20:24](https://youtu.be/vMyk77NNJeU?t=1224) 附近)——AI 教练承接"大多数人的 80-90% 学习",剩 10-20% 才需要付钱请真专家,这是 vibe coding 教练类应用的甜区:把"原本贵到普通人够不着"的私人辅导降级到免费/低成本。 这一节的关键认知:**教练类应用与聊天/助手类的本质区别是"长周期学习 vs 单次任务"——前者要存进度数据、做长期评估、给鼓励强化,后者只管单次执行**。 ### 8. 多模态类应用 [22:16](https://youtu.be/vMyk77NNJeU?t=1336) Tina 给这一类的核心观察:**"Multimodality apps have a big emphasis on generating and remixing different types of content"**([22:36](https://youtu.be/vMyk77NNJeU?t=1356))——**生成与重组**是关键词,数据库类偏"检索",多模态类偏"产出"。 她给的工作流:**用户输入(想法/主题/prompt)→ AI 生成内容草稿 → 用户与 AI 协作(增改/个性化) → 发布与分发(社媒/邮件/newsletter)**。她点出**"AI 协作"是关键环节**——不是 AI 一键生成,是人机往返调整到满意。 她的范例是**PPT 幻灯片生成器**:用户输入"做一份关于电子游戏历史的幻灯片"→ AI 生成核心内容→用户协作改/调/优化→导出 PowerPoint/PDF/邮件。同一工作流适用于 newsletter、视频内容、播客内容、音乐、Instagram 图片、任意社媒帖。她额外列**分析型应用**(分析图片趋势/分析视频/对视频做实时解说,如对足球赛做"红队控球了/Arsenal 0 Western"风格解说——视频里 Tina 真做了这一演示)**模态转换**(视频转文字/文字转图像/图像转视频)**交互式故事**(生成完整故事+配文字+图+视频+音频)。 这一节的关键认知:**多模态类应用的价值是"内容流水线"——AI 接管草稿与生成,人接管方向与终审**;它与教练类的区别是"产出物形态"(内容 vs 学习曲线)。 ### 9. 自动化与宏 [24:28](https://youtu.be/vMyk77NNJeU?t=1468) Tina 给这一类的整体定位:**"there are like a lot of very repetitive things that we do on a day-to-day basis"**([24:41](https://youtu.be/vMyk77NNJeU?t=1481))——自动化类的母题是**重复劳动的消除**。 她给的工作流:**触发器(事件/输入)→ AI 提取信息/执行任务 → 日志记录 → 通知用户(可选)**——并点出与教练类的关键差异:**"Although for this type of app, the goal is to make it as autonomous as possible. So have it run and do things without direct input from the user"**([25:11](https://youtu.be/vMyk77NNJeU?t=1511))——目标是**无人值守**,与教练类要求"用户主动输入+反馈"的方向相反。 她切出两子类:**"Roughly speaking, there's also two different categories of this type of application. The first type is workflows that are automated on the cloud"**([25:20](https://youtu.be/vMyk77NNJeU?t=1520))——子类一是**云端工作流**,子类二是**本地宏**。两者共享"触发→执行→日志"的骨架,差别在运行位置。 云端工作流范例:**客户反馈分类器**——触发器是新评论进 Zendesk/CRM,AI 自动抽取评论内容+用户信息,按紧急度/复杂度/是否需动作打标签,如紧急就提交 Jira 工单给客服修,最后写日志+汇报。**她列的清单**:自动邮件回复、发票处理、**会议调度器**、销售线索富集器(给销售线索加 LinkedIn 等额外信息)、**招聘流水线自动化**(扫描候选人)、代码审查助理、任务生成器(聊天请求→Jira/Trello 工单)、提案生成器、合规检查器、CRM 笔记员(把会议摘要写进 CRM)、会议笔记员、**跨工具同步 agent**(替你在多个应用间同步数据)。 本地宏范例:**文件整理器**——触发器是你下载新文件,AI 自动放到对文件夹并改名(如下载的发票改名后放进公司发票文件夹)。**清单**:PDF/doc 摘要器(右键即可摘要)、剪贴板助理(复制即扩写)、语音命令代理(直接用声音控制电脑)、电子表格宏代理(自动输入常用公式)、**截图分析器**(自动标注+归档)、本地搜索助理(本地文件搜索)、**照片打标器**、演示文稿助手(为安全留在本地)、**安全助理**(上传前扫描本地文件确认无密钥泄露)。 这一节的关键认知:**自动化类的本质是"无人值守流水线",与教练类的"人机协作学习"方向相反**;云端 vs 本地的分法是工程性分法(运行位置),非用户感知分法。 ## 可执行步骤 - [ ] 把要做的应用想法先喂进 meta prompt,让 AI 反过来逼你回答"做什么/给谁/核心功能/营销对象",**至少一周内反复迭代**直到不再有模糊点。 - [ ] 把 meta prompt 的输出整理成 PRP(Product Requirements Prompt),按"用户故事 + 核心功能 + 非功能需求"结构化,作为单条 prompt 喂给 AI 编码工具。 - [ ] 进入"增量实现 + 调试"循环后,每加一个 feature 就跑一次 build+test,出错时优先用工具自带的"fix it"按钮,或截图标注"这个按钮坏了"让 AI 自纠。 - [ ] 七类场景里挑一类你最痛的真实需求(会计/订阅管理/PPT 生成/语音控制电脑/发票归档等),按对应工作流先画一份"用户感知流程图"再开始搭。 - [ ] 数据库类应用的"摄取-索引-查询"骨架可对照 RAG 工程实践;仪表盘类应用的关键差异是"AI 主动标重点+下钻"——不要把它做成只显示原始数据的报表。 - [ ] 硬件类应用必须有实时传感数据流入口(摄像头/传感器/穿戴设备),不要做"上传一段历史视频让 AI 离线分析"——那是视频分析不是硬件应用。 - [ ] 聊天/助手类应用必须给 LLM 真实工具调用能力(API/数据库/文件系统),纯对话界面不算应用;工具调用+日志记录是"agent"区别于"chatbot"的两条线。 - [ ] 教练类应用必须持久化用户进度数据(每节课完成度/累计练习时长/技能曲线),单次交互不构成"教练";考虑 MVP 阶段先用本地 JSON 或 SQLite 持久化。 - [ ] 多模态类应用永远保留"用户协作调整"环节,不要做一键生成的封闭产品——这是 vibe coding 时代的常见失败模式(用户拿到的初稿与终稿质量差距大)。 - [ ] 自动化类的部署区分云端 vs 本地:云端用工具托管+trigger 触发;本地用快捷键/系统钩子触发(如文件下载 hook),触发器位置是核心设计决策。 - [ ] 部署环节优先用 AI 编码工具自带的部署选项,不要在这一步引入 AWS/GCP 拼装——vibe coding 时代的部署复杂度已被工具吸收。 ## 关联 - 进阶:Vibe Coder——Tina 列出 101 个 vibe code 应用场景是 Vibe Coder 用法在"应用类型选型"维度的具体落地;先读 Vibe Coder wiki 理解 vibe coding 与"AI 开发者"的分野,再读本片把 vibe coding 套到具体场景里看能造什么。 - 印证:建造壁垒消失——建造壁垒消失 断言"AI 对话式编程工具把建造应用的技术门槛抹平",本片是这一断言的具体执行版:Tina 用五步框架+七类场景演示"不会写代码的人如何用 vibe coding 搭出可用 AI 应用",并在 Intro 明确"单条 PRP 出 80-90% 核心功能"作为水位线证据——两份独立来源(本片与另一创作者案例)得出同一结论,且本片补足 建造壁垒消失 没讲的"五步工程纪律 + 七类场景选型"两道前置工序。 - 互补:Agentic 工作流——本片 chat/assistant 类与 automations 类应用都强调"agentic component"(LLM 调工具 + 持久化日志);Agentic 工作流 wiki 论证 agentic 工作流作为通用编程范式的横向杠杆;两者重叠但侧重不同:本片侧"按场景选 agentic app 类型",wiki 侧"agentic 工作流作为可复用机制"。看本片选场景,看 wiki 学机制。 - 印证:30分钟搭5个AI应用ChatGPT+Lovable教程 —— 用一个具体的 Meta prompt(让 ChatGPT 扮演 friendly AI product strategist 一次问一个问题的模板)把 PRP (产品需求 prompt) 引导出的完整对话流拍出来,展示"5 个 vibe code 项目"中 Calculator 项目从模糊需求到 Lovable 可粘贴的 PRP 的端到端流程,与本片"五步框架"中的 step 1 互为印证 ## 一手来源与延伸 - Tina 自挂的 PRP metaprompt: https://docs.google.com/document/d/1Ne8T6IBsl35cP2sfaJc0R9z_B6qc3-uVFT0fsA64zJE/edit?usp=sharing ——用于把模糊想法逼成产品需求文档。 - Tina 自挂的 "Building 5 AI Apps In 30 Minutes (ChatGPT + Lovable Tutorial)": https://www.youtube.com/watch?v=dLxz6zDGzUQ ——五步框架的实战演示(用 Lovable 而非 Bolt)。 - Tina 自挂的 AI Agent 入门系列: - https://youtu.be/qU3fmidNbJE?feature=shared - https://youtu.be/_Udb5NC6vTI?feature=shared - https://youtu.be/DV0Ln7HRyJQ?feature=shared - description 提到的 Bolt 平台(赞助): https://bolt.new/?utm_medium=social&utm_source=influencer&utm_campaign=V2&utm_content=tinahuang ——本片演示的"browser 内一键搭+部署"平台。 - description 提到的 28-Day AI Sprint Roadmap 与 AI Agent Bootcamp waitlist: https://www.lonelyoctopus.com/ai-agent-bootcamp ——Tina 的私域课程漏斗。 ## 术语 - **Vibe coding**——Karpathy 2025 年造的术语,指让 AI 写代码、自己不全读代码的编程方式;Tina 把本片定位为"101 个 vibe coding 能造的应用"。 - **Meta prompt**——Tina 把"meta prompt"作为框架第一步的术语,指让 AI 反过来逼你回答需求问题的提示词模板(她把模板挂到 description)。 - **PRP (Product Requirements Prompt)**——Tina 自创术语,对应传统软件工程的 PRD(Product Requirements Document),指把 meta prompt 输出整理成可直接喂给编码工具的产品规格说明书。 - **Agentic component**——本片多次使用的口语表述,指应用含有 LLM 调用工具/数据库/执行动作的"代理"能力,区别于纯对话 UI。 - **Bolt**——本片唯一明确"sponsored by Bolt"的赞助商,web-based AI 编码平台,Tina 用它演示"从 idea 到 live product 在分钟内完成"。 - **Cloud workflow** vs **Macro**——自动化类的两子类,前者跑在云端(典型例子:客户评论→Jira 工单),后者跑在本地(典型例子:下载文件→自动归类改名)。 - **RAG 化**——数据库/数据管理类应用的隐性术语,虽 Tina 未点名,但"摄取-标注-索引-查询-输出"骨架与 RAG 工程实践高度重合。 ## 金句 > Just as a note, I'm not saying that coding is obsolete. It is still very much necessary and useful for more complex and custom apps and features. ([00:09](https://youtu.be/vMyk77NNJeU?t=9)) 一句话把 vibe coding 与传统编程的边界画清楚——前者接管"商业软件不覆盖的中间地带",后者仍是"复杂定制场景"的硬要求;这一句是本片所有应用场景选型的隐性前提。 > if you don't even know exactly what it is that you're building, it's kind of unfair to expect your AI to figure out how to build it. ([01:20](https://youtu.be/vMyk77NNJeU?t=80)) Tina 给 vibe coding 最大风险的命名——不是 AI 写得不好,是用户自己都没想清楚要什么;meta prompt 这一步的真正价值是逼你回答,不是让 AI 替你回答。这一句把"扔 prompt 跑路"型失败模式讲透。 > The first part of the framework is the meta prompt. And this is what I like to use in the very beginning in the ideation phase because it goes through and asks you questions like what's the purpose of the app? ([01:00](https://youtu.be/vMyk77NNJeU?t=60)) meta prompt 的一组经典反问:目的/受众/营销/核心功能——这四问足以把 90% 的 vibe coding 项目从"模糊愿景"逼到"可写 PRP"的状态。 > AI is very much able to interact with the physical world. ([07:16](https://youtu.be/vMyk77NNJeU?t=436)) 硬件类应用一节的破题金句——把 AI 从"屏幕后的分析员"升级成"能调红绿灯/关电器/叫救援的实体行为体";这一句重塑了对 AI 边界的认知,值得记。 > Bolt is the first unified platform that takes you from idea to live product in minutes. No code required. ([15:04](https://youtu.be/vMyk77NNJeU?t=904)) 本片赞助商 Bolt 的官方口号——"在浏览器内把 idea 直接变 live product"是对 2025 vibe coding 水位线的一份可引用承诺;**注意这一句是赞助商原话,采信需在「立场与利益」节打折**。 ## 立场与利益 - 与利益同向(待印证):Bolt 是本片明确"A portion of this video is sponsored by Bault"的赞助商,她对 Bolt 的描述("first unified platform that takes you from idea to live product in minutes"、"no code required"、"from your first user to millions without ever changing platforms")与赞助关系直接绑定;她给出两个真实 Bolt 案例(Ask in Bio、儿童个性化图书/有声书)作为社会证明,以及 Beta 期 pro 用户免费访问的转化钩子。**对"Bolt 是不是 vibe coding 时代最优一站式平台"的采信,折扣应向上调一档,需独立验证**;五步框架本身与 Bolt 无关,但"browser 内分钟级部署"的可行性主张需第三方印证。 - 与利益同向(待印证):description 中挂着 28-Day AI Sprint Roadmap 与 AI Agent Bootcamp waitlist,是她私域课程漏斗;但本片内容核心(五步框架 + 七类场景)与课程无直接绑定,故仅 description 链接层"待印证",不上升至主张层。 - 利益中性:五步框架(meta prompt → PRP → 增量实现 → 调试 → 部署)、七类场景的工作流骨架(数据库的"摄取-索引-查询"、硬件的"实时+循环"、仪表盘的"总览+下钻"、聊天/助手的"意图→动作→日志"、教练的"输入→评估→反馈→追踪"、多模态的"草稿→协作→发布"、自动化的"触发→执行→日志")都是通用方法论,可在其它 vibe coding/AI 编码工具文档与 Tina 自挂的 ChatGPT+Lovable 实战视频里印证。 - 与利益反向(可信度最高):她在 Intro 主动澄清 vibe coding 不淘汰传统编程("not saying that coding is obsolete"),与她"vibe coding 让任何人都能造应用"的传播主调相反;她同样在部署段承认"There are a lot of things that I can talk about in this deployment section, including things like security, risk, version control"——承认部署有真实工程议题,但为 vibe coding 听众收口在"用工具托管"。两句反向承认都削弱"借工具/方案引流"的可疑性,可单独视为可信度证据。 利益证据(影响分档):开场白"A portion of this video is sponsored by Bault";description 含 Bolt 推广链接、AI Agent Bootcamp waitlist、28-Day AI Sprint Roadmap、Affiliate 课程链接(365 Data Science、StrataScratch)。 ## 价值定位 - 适合谁:已有 vibe coding 工具使用经验但不知"该挑什么应用类型开搭"的人;对 AI 应用全景没概念、想要一份"可搭什么"的场景清单作为起步指南的人;想做副业项目或内部工具、想看 vibe coding 能稳定落到哪些现实场景的人。 - 解决什么:给出一个完整的五步搭建框架(meta prompt → PRP → 增量实现 → 调试 → 部署)+ 七类应用场景分类(数据库/硬件/仪表盘/聊天/教练/多模态/自动化),每类都给标准工作流与典型范例清单,读者可按自身痛点直接对号入座挑类别开搭。 - 认知 vs 实操:认知为主——五步框架与七类场景的工作流是知识地图,具体 PRP 内容/工具选择/部署方式仍需按场景判断;她演示的 Bolt 段是全片唯一具体平台范例,其它类别只给概念不展开实操。 - 与 Vibe Coder wiki 重叠:该 wiki 论证 vibe coder 是"只提需求不问机制"的用法模式;本片独有 vibe coder 能搭的 101 个具体应用类型,补足 wiki 没讲的"应用场景选型"那一层。 - 与 建造壁垒消失 wiki 重叠:该 wiki 断言"AI 让不会写代码的人也能造产品";本片独有"不会写代码的人具体能造什么"的七类场景展开,并用单条 PRP 出 80-90% 核心功能的论断给"建造壁垒消失"提供水位线证据。 ## 自检问题 1. Tina 给的 vibe coding 五步框架具体是哪五步?为什么她把第三步和第四步"绑定"在一起? **答案**:五步是 meta prompt(逼需求)→ PRP(产品规格)→ 增量实现 → 调试 → 部署。她绑定 3 与 4 是因为"实现-调试-实现-调试"是循环而非直线,任何一次增量实现都紧跟一次调试,直到功能满意才进入部署。参详解2。([00:56](https://youtu.be/vMyk77NNJeU?t=56)) 与 ([02:30](https://youtu.be/vMyk77NNJeU?t=150)) 2. 数据库类与仪表盘类应用共享哪些底层动作?它们的用户感知差异在哪里? **答案**:共享"摄取数据 → 索引/处理 → 装库"骨架。差异在用户感知:数据库类是"问一句答一句"的检索体验,仪表盘类是"一次性给完整视图 + 让用户下钻细节"的浏览体验——仪表盘还要让 AI 主动标"哪几个数字最该看"。参详解3 与 详解5。([11:49](https://youtu.be/vMyk77NNJeU?t=709)) 3. 聊天/助手类与个人教练类应用的本质区别是什么?为什么 Tina 把它们分成两类而不是一类? **答案**:聊天/助手类本质是"LLM 调工具+日志"的单次任务执行;教练类本质是"长周期学习与反馈回路",必须持久化用户进度数据(技能曲线/练习时长/改进轨迹)。两者都含 agentic component,但教练强调"长周期",聊天/助手强调"单次执行"——方向相反。参详解6 与 详解7。([16:11](https://youtu.be/vMyk77NNJeU?t=971)) 与 ([20:15](https://youtu.be/vMyk77NNJeU?t=1215)) 4. Tina 把自动化/宏类应用切出两子类,这两子类的区分维度是什么?各自举一个她列的真实例子。 **答案**:区分维度是运行环境——云端工作流(跑在云上,典型例子:客户评论进 Zendesk → AI 分类 → 紧急则提 Jira 工单)与本地宏(跑在本地机器,典型例子:下载文件 → AI 自动改名+归档到对文件夹)。两者共享"触发→执行→日志"骨架,差别在运行位置。参详解9。([25:20](https://youtu.be/vMyk77NNJeU?t=1520)) 与 ([25:30](https://youtu.be/vMyk77NNJeU?t=1530)) 5. Tina 给"single PRP 出 80-90% 核心功能"这条期望值,这条数据对应的具体步骤是什么?它的真实含义是什么? **答案**:对应的是第二步 PRP → 单条 prompt 喂给 AI 编码工具 → 工具一次出 80-90% 核心功能。它的真实含义是 vibe coding 在 2025 年的水位线——单次投喂的产出上限,剩下 10-20% 需走第三步增量实现+第四步调试循环补齐。参详解2。([01:58](https://youtu.be/vMyk77NNJeU?t=118))