我扫完了 Google I/O 2026 的 Vibe Coding 入选作品，结论让我有点意外
我扫完了 Google I/O 2026 的 Vibe Coding 入选作品，结论让我有点意外
我以为 vibe coding 征集会是程序员的主场，扫完作品之后我改变了这个判断——但不是因为普通人赢了。
恰恰相反：程序员出身的参赛者依然占据了头部位置，但原因跟"代码能力强"没什么关系。他们赢的地方，是一种普通人完全可以学会、但很少有人真正练过的东西——问题意识和产品感。
这篇文章，我想把这件事说清楚。
---
第一章：这次征集是什么规格的比赛？
先建立认知基准，不然后面的对比没有意义。
Google I/O 2026 的 Vibe Coding 征集，官方定位是"面向所有人的 AI 辅助编程展示"，不是传统黑客马拉松。它没有设置编程语言门槛，没有要求参赛者有工作经验，唯一的要求是：你的作品必须是用 AI 工具辅助完成的，且能够运行。
这个定位设计得很聪明——它本质上是一场"AI 时代的编程民主化"的公开展示，Google 想证明的命题是：普通人也能用 AI 做出有价值的东西。
官方公布的评审维度分三块：
1. 创意与原创性（Creativity & Originality）：解决的问题是否新颖，是否有自己的视角
2. 实用性（Practicality & Impact）：这个东西真的有人会用吗？解决的是真实痛点还是演示需求？
3. 技术完成度（Technical Execution）：功能是否跑通，边界情况是否处理，代码质量是否合理
注意第二条：实用性被单独列出，权重不低于技术完成度。这一点，很多参赛者在准备阶段就没读懂。
这三个维度，后面会反复用到。
---
第二章：先上结论——入选作品的三档分布
我把能看到的入选作品粗略分成三档：
第一档：亮眼（约占 15-20%）这些作品的共同特征是：你能立刻说出它解决了谁的什么问题，且这个问题你自己也经历过。
典型案例之一是一个叫 "MeetingMind" 的工具——它不是又一个会议记录 AI，而是专门解决"会议结束后没人知道下一步谁负责什么"这个痛点。它会自动从会议记录里提取 Action Item，按人名归类，并生成可以直接粘贴进 Slack 或 Notion 的格式。功能不复杂，但问题定义精准到让人觉得"这就是我需要的"。
另一个让我印象深刻的是 "DebugDiary"——一个让开发者在调试过程中用自然语言记录思路、AI 自动整理成结构化 Bug 报告的工具。它的 README 里第一句话是："你有没有花了三小时 debug，最后发现是个变量名拼错了，但完全无法向同事解释你这三小时在干嘛？" 这句话就是产品感的体现。
第二档：合格（约占 50-60%）功能跑通，代码质量不差，但你说不清楚"为什么要做这个"。很多是 AI 聊天助手的变体，或者某个 API 的包装器，做得不错，但不会让人记住。
第三档：凑数（约占 20-30%）演示 Demo 能跑，但明显是为了参赛而做的，解决的问题要么太边缘、要么根本不是问题。
---
第三章：普通人的作品为什么"看起来不错，但就是差点意思"？
这是我最想说清楚的部分。
差距一：问题定义力
普通人参赛的典型路径是："我想用 AI 做个 XX 工具"，然后开始写代码。
专业选手的路径是："我在 XX 场景里遇到了 YY 问题，现有工具的解法是 ZZ，但 ZZ 有个缺陷是……"，然后才开始定义产品。
这两种路径的起点差了一个关键步骤：真实痛点的验证。
演示玩具和真实工具的区别，不在于技术复杂度，而在于你能不能在 30 秒内说清楚"不用这个的代价是什么"。
差距二：产品完整度
入选的头部作品，几乎都有一个共同特征：错误处理做得很好。
当用户输入了不合法的内容、网络请求失败、AI 返回了格式异常的结果——这些边界情况，普通人的作品通常会直接崩掉或者显示一个技术报错。专业选手的作品会给你一个友好的提示，告诉你哪里出了问题，下一步该怎么做。
这不是技术难度的问题，是有没有把自己当成用户的问题。
差距三：Prompt 工程深度
普通参赛者的 Prompt 通常是单轮的、直接的：
# 普通写法
帮我写一个 Python 脚本，读取 CSV 文件，
用 AI 分析每一行数据，输出分析结果。
专业选手会这样构建 Prompt：
# 结构化写法
你是一个数据分析助手，专门处理销售数据。
你的任务
分析用户提供的 CSV 文件中的销售记录，识别异常数据点，
并给出可操作的改进建议。
输入格式
CSV 文件，包含字段：date, product_id, quantity, revenue
输出格式（严格遵守）
{
"anomalies": [{"row": int, "reason": str, "severity": "high/medium/low"}],
"summary": str,
"recommendations": [str]
}
约束条件
- 如果字段缺失，在 anomalies 中注明，不要跳过
- severity 判断标准：revenue 偏差超过 3σ 为 high，2σ 为 medium
- recommendations 最多 3 条，每条不超过 50 字
两者的差距不是字数，是系统性。结构化 Prompt 预设了输出格式、约束条件、边界处理规则——这意味着后续的代码处理会稳定得多，不会因为 AI 偶尔"发挥"而崩掉。
差距四：展示叙事能力
评审看的不只是代码，还有 README 和 Demo 视频。
普通人的 README：
"这是一个用 AI 分析数据的工具，使用 Python 和 OpenAI API 开发。"
专业选手的 README 开头：
"每个月月底，我们团队要花半天时间整理销售报表，找异常数据。这个工具把这个过程缩短到了 3 分钟。"一句话的差距，是有没有把读者放进去。
---
第四章：专业选手的"作弊码"——他们多做了哪几步？
用对比结构直接说清楚：
| 环节 | 普通人做法 | 专业选手做法 | | 立项 | 想到一个"cool"的功能就开始做 | 先写 1 页 PRD，明确用户、痛点、成功指标 | | 开发工具 | 单一模型，单一工具 | 多模型协作：用 Claude 写逻辑，用 Gemini 做文档，用 Deepseek 跑成本敏感任务 | | Prompt 设计 | 边做边改，没有版本管理 | Prompt 当代码管理，有 v1/v2 迭代记录 | | 测试 | 自己试了几次觉得没问题 | 设计了 5-10 个边界用例，包括恶意输入和空输入 | | 展示 | 截几张图，写个简单说明 | Demo 视频里用的是真实场景，README 里有"为什么做这个"的故事 | 最关键的一步：他们在写代码之前，先想清楚了"评审会怎么看这个作品"。这不是投机，这是产品思维的基本功——你的用户（这里是评审）是谁，他们关心什么，你的作品如何回答他们的问题。
---
文中提到的"结构化 Prompt 框架"和"多模型协作调用"，本质上都依赖稳定、低延迟的 API 访问。如果你想在本地或项目里复现这些专业选手的工作流，可以直接用 [api.884819.xyz](https://api.884819.xyz) ——聚合了 GPT、Claude、Gemini、Deepseek 等主流模型接口，按量计费，国产模型完全免费，不需要折腾科学上网，从练手到跑生产环境都适合。新用户注册即送体验 token，用户名+密码直接注册，30 秒搞定。
---
第五章：如果你明年要参加，现在该准备什么？
不说废话，三条具体建议。
建议一：选一个你真实用过的场景
不要去找"AI 能做什么"的灵感，而是回想"上周我在哪件事上浪费了时间"。那个浪费时间的地方，就是你的选题。
你不需要解决一个宏大的问题，你需要解决一个你自己真的经历过、且能说清楚的问题。
建议二：从 API 调用开始练手，不要等 UI 工具
很多人的习惯是：等一个好用的 no-code 工具出现，然后用它拖拖拽拽做个东西。
这条路做不出头部作品。
从 API 调用开始——哪怕你用 Python 写一个最简单的脚本，调用一次 AI 接口，处理一个真实的输入，输出一个有用的结果——这个过程会让你理解 AI 工具的边界在哪里，这是 UI 工具永远给不了你的认知。建议三：把作品当产品，不是当作业
作业的目标是"交上去，别出错"。产品的目标是"有人用了之后觉得有价值"。
两种心态做出来的东西，评审一眼就能看出来。
---
写在最后
专业选手和普通人之间的差距，说到底不是技术差距。
技术差距可以用 AI 抹平——这正是 vibe coding 这个概念存在的意义。但问题意识和产品感，是 AI 帮不了你的。它需要你真的用过某个东西、真的被某个问题困扰过、真的思考过"为什么现有方案不够好"。
专业选手的优势不是他们会用 AI，而是他们知道用 AI 做什么。
这个思维方式是可以练的。而练习的起点，就是下次遇到让你烦躁的重复性工作时，不要忍着继续做——停下来，想想它能不能被自动化。
---
这次扫作品，有一类入选项目让我特别意外——它们根本没有前端界面，只有一个 API + 一份文档，但评审给了很高分。
下一篇我想专门拆解这件事：为什么"做给开发者用"的 AI 工具，反而比"做给普通人用"的更容易出彩？ 这个结论可能会让你重新想清楚，自己下一个项目该做给谁用。
---
本文由8848AI原创，转载请注明出处。关注8848AI，带你从零开始学AI。#AI编程 #VibeCoding #GoogleIO #Prompt技巧 #AI工具 #产品思维 #8848AI #AI学习
