ARTICLE · 人工智能
编程心得：Vibe 上百亿 Token 后，我收获了什么?
一语总结作者分享使用 Codex 消耗上百亿 Token 的经验，分析 AI 辅助编程的技术选型、工作流程及架构实践。
文章详细记录作者在使用 Codex 辅助编程过程中消耗约 440 亿 Token 的体验，指出 Token 消耗更多用于上下文、推理和验证而非直接产出代码。作者分析了 Rust、TypeScript+React+Tailwind、Electron 等技术栈为何适合 AI 高频生成‑修改‑验证循环，阐述了在 Electron 中实现 Chrome 插件兼容层的挑战与 Opsail 项目的实践，并强调在 AI 辅助工作中，人的判断、验证以及工具链协作仍是关键，模型本身无法替代人的决策与方向把控。
- AI 辅助编程的核心是人的判断与验证，Token 消耗不能直接等同于产出价值。
作者指出 AI 生成的内容需经过验证才具可信度，Token 大多用于上下文、推理和验证，而非直接产出可交付代码。
- Rust、TypeScript+React+Tailwind、Electron 等技术栈因其强类型、快速反馈和完整生态更适合 AI 高频生成‑修改‑验证循环。
这些技术提供明确的编译器或类型检查反馈，帮助 AI 在生成‑编译‑修正闭环中快速收敛，降低错误成本。
- 通过 Opsail 项目在 Electron 中实现 Chrome 插件兼容层，展示了复杂运行时适配的工程挑战与解决思路。
Opsail 通过细致的进程、环境、权限和生命周期管理，实现了在 Electron 中加载真实 Chrome 插件的关键路径验证。
- 在高频 Token 使用中，架构演进与 harness 设计比单纯依赖 AI 生成更能降低重复劳动并提升代码质量。
作者通过不断重构 keel 和 coding‑protocol 等 harness，降低了架构重写成本，使 AI 辅助更聚焦于价值工作。
编程心得：Vibe 上百亿 Token 后，我收获了什么?
文章详细记录作者在使用 Codex 辅助编程过程中消耗约 440 亿 Token 的体验，指出 Token 消耗更多用于上下文、推理和验证而非直接产出代码。作者分析了 Rust、TypeScript+React+Tailwind、Electron 等技术栈为何适合 AI 高频生成‑修改‑验证循环，阐述了在 Electron 中实现 Chrome 插件兼容层的挑战与 Opsail 项目的实践，并强调在 AI 辅助工作中，人的判断、验证以及工具链协作仍是关键，模型本身无法替代人的决策与方向把控。
文章金句
"模型强不强是一回事，能不能把它带到正确方向是另一回事。说到底，驾驭 AI 拼的还是人的认知和判断力。
"AI 直接生成的内容不能被简单视为知识，只有经过验证的信息才具有可信度。
"Token 更像“计算与探索消耗”，而不是代码产量；它能证明工作负载极大，但不能直接证明交付价值。
"Sol 的长任务推理能力很强，Computer-Use 很适合 UI/Debug 类任务处理，是解决复杂任务的神器。