Easy-Vibe 实战：用对话式编程（Vibe Coding）从零构建你的第一款 AI 原生贪吃蛇游戏

• 教程
• 文档

本文基于 Datawhale 开源项目 easy-vibe 的入门章节（docs/en/stage-1/ai-capabilities-through-games/index.md）整理扩写。该章节面向完全不懂编程或只懂基础的人，核心实践是：不装环境、不记语法，用自然语言对话让 AI 写出第一个能在浏览器里运行的程序——一条会"吃字、写诗、画画"的贪吃蛇。读完本文并动手跟练，你将掌握"对话式编程（Vibe Coding）"的完整工作流、能独立用 AI 生成并迭代一个小游戏或 Demo，并理解支撑这一范式的前端基础、模型上下文与指令遵循等关键概念。

写在前面：完成比完美更重要

这是一篇项目制学习教程。我们鼓励你按步骤一步步跟做，尝试复现结果，不要担心犯错或改动内容——完成比完美更重要（Completion is more important than perfection）。

项目的主 README（README.md）将本节定位为"快速获得第一次胜利（I want a fast first win）"路径：通过一个简单、具体、可上手的示例，让你真实感受 AI 编程是什么样的，以及如何通过对话与 AI 协作。整个章节预计耗时约4 小时，可分多次完成，最终交付物是：1 个可玩的 AI 原生贪吃蛇 + （可选）1 个自创的 AI 原生小游戏或 Demo。

章节整体分为四步：

1. 普通人的困境与机会——编程的新可能；
2. 能力探索——60 秒极速开发；
3. 原生实践——构建 AI 原生贪吃蛇；
4. 拓展创作——创造其他游戏。

1. 普通人的困境与机会

很多人脑子里装着一堆产品想法：一个帮助管理财务的小工具、一个记录孩子成长的网页、甚至一个小游戏。但一想到要自己写代码、或者要去找程序员，往往就直接打退堂鼓。

AI 出现之后，普通人第一次拥有了一种全新的可能：你不需要会写代码，只需要学会清晰地告诉 AI 你想要什么。原文档引用的公开数据显示，超过 1500 万开发者正在使用 AI 辅助编程，平均 46% 的代码由 AI 生成，在 Java 项目中这一比例可达 61%。

几项关于效率与采纳率的关键数据如下：

这些数据说明：AI 不再只是"可选功能"，而正在成为开发工作流中不可或缺的助手。对普通人而言，这个趋势的意义更大——如果专业程序员都在重度依赖 AI 写代码，为什么不懂编程的我们不能直接与 AI 对话来实现想法？

本课程的目标，就是帮你练习一种新技能：通过自然语言对话来构建应用。我们会教你如何用计算机语言与 AI 沟通，以及如何让 AI 把脑中的想法变成真正可用的产品。

2. AI 到底能帮你到什么程度

在动手之前，先回答一个问题：如果你完全不会写代码，今天的大模型能帮你到什么程度？

大致可以这样理解当前 LLM 的能力边界：它胜任开发简单的内部工具、数据可视化看板和轻量级小游戏。这些成果一般足够用来做个人自用工具，或从产品经理视角验证需求。但要一键生成一个商业级成熟产品，通常仍需要人工对流程设计和细节进行持续打磨。

接下来，我们以贪吃蛇为例，看看 AI 编程究竟能做到什么。

2.1 60 秒构建一个贪吃蛇游戏

首先打开课程使用的实验站点z.ai（智谱 AI 推出的 AI 平台，由自研 GLM 模型驱动）。该平台包含幻灯片生成、海报设计、全栈开发等多种功能，本教程聚焦其**全栈开发（Full-stack Development）**模块。

什么是"网页在线编程"范式？

过去开发一个 Web 应用，需要：安装编程环境（Node.js、Python 等）→ 配置代码编辑器 → 学习 HTML/CSS/JavaScript → 处理依赖与报错。

现在，借助 AI 编程平台，你只需要：打开浏览器访问站点 → 用自然语言描述想要的功能 → 让 AI 即时生成代码并实时预览结果。

这种"对话即编程"的范式，把编码从"写指令"变成了"描述需求"。你不需要关心底层技术细节，只需清晰表达想要什么——这就是 AI 时代的新编程范式：Vibe Coding。

输入下面这条简单的需求，点击全栈开发按钮，就可以看到网页被实时构建出来，通常只需要泡一杯咖啡的时间：

Help me create a Snake game: 1. Control snake movement with arrow keys 2. When it eats food, it gets longer and the score increases 3. Hitting walls or itself results in Game Over 4. Include Start and Restart buttons 5. The UI should be clean and elegant

生成完成后，右侧会出现一个可浏览的网页 UI。可以滚动查看，或点击顶部的 🧭 按钮进入全屏预览。

顶部按钮说明（从左到右）：箭头按钮展开聊天历史；铅笔按钮开启新对话；刷新图标重新构建页面；指南针图标切换全屏；下载按钮下载项目；<>按钮查看代码；发布按钮发布项目。

如果你要检查网页源码，点击右上角的代码图标即可查看整个代码库。

更多 AI 编程工具推荐

除了 z.ai，以下 AI 编程平台也值得尝试：

更系统的横评见仓库附录：7 款 AI 编程工具对比（用同一项目实测），该文用"贪吃蛇 + AI 写诗"这一相同任务实测了 Lovable、Cursor、z.ai、Replit、Minimax、Trae、v0 七个平台，从新手友好度、代码可控性、部署便捷性等维度给出对比，并总结了两个关键提示词经验：把一个大目标拆成可执行的小步骤（如"先做前端 → 再加后端存分 → 再连通前后端"）比期望一次性完美输出更可靠；提示词越清晰越好，明确目标与约束能减少反复修改。

2.2 对话式编程能做什么、不能做什么

本节聚焦一个具体问题：当完全依赖对话式 AI、一行代码都不手写时，一个项目能推进到什么程度？经验上比较一致的结论是：它能帮你完成一件"小而完整"的事情，但"做到多少算够"仍然需要你在每个细节步骤上做个人判断。

擅长"小而清晰"的应用

从贪吃蛇的例子已经能看到典型模式：只要你把 UI 和交互描述清楚，AI 往往只需几轮对话就能拼出一个功能完整、可点击的网页。这类任务通常有三个特征：

• 边界清晰：一个页面、一个简单内部工具、一个小游戏机制；
• 结果可见：能立刻看到是否符合预期；
• 调试直接：可以指出错误并要求修改。

在这些边界内，可以把 AI 视为一个能力很强的"初级助手"（原文给出的经验性评估：AI 处理小规模任务的成功率约为 90%）。

大型项目需要"流程视角"

一旦超出"小而清晰"的范围，单纯靠对话式请求端到端构建复杂系统会很快触顶。大型项目涉及后端数据库、第三方服务、认证、权限、边界情况、状态管理等。此时合理的做法是：定义清晰的流程流程图，把大系统拆成片段逐个处理。

生成与验证的区别

AI 写出来了不代表可以商业上线！必须验证 AI 生成的代码，尤其在安全敏感的系统里。

⚠️使用准则

• 原型 / 工具 / Demo：非常适合早期快速构建与迭代；
• 大型面向消费者的产品：通常需要开发者设计架构；
• 高安全要求系统：不适合直接部署，需要严格审查。

仓库的进阶章节对"从 Vibe Coding 到 Spec Coding"有更系统的论述（见 docs/en/stage-3/core-skills/spec-coding/index.md 对应章节），核心思想正是：越复杂的系统越需要把"随意的对话"升级为"结构化、规范驱动的开发流程"。

3. 动手实践：你的第一个 AI 原生应用

下面进入实战，为游戏加入真正的 AI 原生集成元素。

3.1 AI 原生贪吃蛇

你只需分阶段提供提示词，让 AI 逐步升级：

💡 示例提示词一：帮我做一个贪吃蛇游戏。

💡 示例提示词二：帮我做一个贪吃蛇游戏，支持：

1. 吃到不同的文字，并把它们收集到一个收藏箱里。

💡 示例提示词三：做一个贪吃蛇游戏，支持：

1. 我可以吃到不同的文字，收集在一个箱子里；
2. 当吃到 8 个字时，用 LLM 用这些字生成一首诗；
3. 诗写完后再调用一个文生图 API 生成图片。

遇到任何问题，直接截图报错信息、或用自然语言告诉机器人哪里不对，它就会迭代修改。调试方式就是"报错描述 + 错误信息 + 关键代码片段"一次性发给 AI，让它以"新手模式"帮你修复。

从仓库的 examples 目录可以看到这类"一句话生成游戏"的真实产物。比如 examples/trae-block-game/prompt.txt 中的提示词只有一句话：

帮我做一个像这样的方块小游戏。人物可以走动，也可以放方块。做好后帮我打开看看。

而 examples/trae-3d-block-game/prompt.txt 则升级为 3D 版本：

帮我做一个像这样的 3D 方块小游戏。 人物可以走动，可以转动视角，也可以放方块。 做好后帮我打开看看。

这两条提示词对应生成的完整项目就存放在仓库中：examples/trae-3d-block-game/src/main.js（约 837 行）是一份基于 Three.js 的体素（voxel）游戏实现，代码开头用对象字面量清晰定义了 6 种方块类型BlockType（GRASS 草方块、DIRT 泥土、STONE 石头、WOOD 木头、LEAVES 树叶、SAND 沙子）及各自的顶面/侧面/底面配色，并集中维护游戏配置CONFIG（世界半径、世界高度、重力、跳跃速度、行走/奔跑速度、玩家身高），这是"对话生成代码"典型产物的缩影——AI 自动替你完成了数据建模、物理参数与渲染逻辑的组织。examples/trae-3d-block-game/package.json 则展示了配套工程化：以 Vite 作为 Web 构建、Electron 封装桌面端，并提供dev:web、dev:electron、build:mac、build:win、build:linux等脚本，说明从"一句提示词"到"可跨平台交付的应用"之间的真实距离。

3.2 给游戏添加新功能

完成基础功能后，可以给程序加一些新花样。如果觉得蛇吃文字的过程有点单调，可以让蛇吃不同颜色的文字，并相应地改变蛇的颜色；也可以给"吃"的过程加特效，或引入魔法词触发特殊效果（如加速、变大）；还可以让模型在每吃一个字时就生成一首诗和一张图，而不是攒够 8 个。

如果觉得有挑战，直接问语言模型要创意建议！下面 8 种玩法方向供参考：

1. "文字解锁世界"机制：蛇每吃一个词，图像模型即时为该词生成一幅小画，逐渐拼出一幅由玩家创造的独一无二的画卷——边玩边画、边"写诗"。
2. "诗谜"玩法：蛇每吃一个词就触发 LLM 生成一句诗、图像模型生成一幅插画，像拼图一样在回合结束时拼成一首 AI 协作的诗与画。
3. "魔法词"与"故事分支"：吃到"风""夜""梦"等魔法词，LLM 改变场景主题，让画面风格切换为夜晚、暴风雨或梦境氛围。
4. "实时交互生成"：每吃一个词，LLM 生成一句对话或描述，游戏中的 NPC 会"开口说话"，环境随之变化。
5. "句子蛇"挑战：反向模式——LLM 给出一句诗或谜语，玩家操控蛇按顺序吃词还原句子；吃错词则触发图像模型生成搞笑的"艺术后果"。
6. "主题关卡"与"风格选择"：开局选择主题（如"童话""科幻""唐诗"），LLM 与图像模型据此调整文字、诗意风格与画面。
7. "现场共创"：吃到特殊词时，LLM 提示玩家输入短语或选择风格，再生成对应诗句与插画，实现真正的人机共创。
8. "成长的故事"：蛇不断长大，LLM 持续续写故事诗，图像模型生成长幅画卷，让玩家同时体验"写、画、玩"。

此外，还可以让 LLM 直接为你生成项目级提示词。前面我们自己写贪吃蛇提示词，现在试试让 LLM 生成一个带整体框架与实现路径的完整提示词（可直接用 z.ai 生成）：

我想让 AI 生成一个网页版贪吃蛇游戏，需要一个更完整的提示词让结果更惊艳、更有趣。请生成对应的提示词。当前目标是：生成一个实现"吃不同文字生成诗"功能的贪吃蛇游戏，并且要包含文生图模块。

拿到 z.ai 生成的完整提示词后，可以在全栈开发模式下用它重新生成整个项目。关于如何写出更好的提示词，可进一步学习仓库的提示词工程附录。

3.3 尝试做其他小游戏

除了贪吃蛇，大胆发挥想象力——创造任何想创造的东西，甚至可以故意把它搞砸，然后重新开始！

10 个 Web 应用灵感：

1. AI 艺术画廊平台：用户可以上传、浏览、点赞、评论 AI 生成的艺术作品，支持按分类浏览；
2. 复古游戏档案馆：致敬经典游戏的网站，含游戏历史、玩法攻略和可直接在线玩的几款经典复古小游戏；
3. 可持续生活追踪器：碳足迹追踪器，用户填写日常活动即可自动估算碳排放，附环保贴士与每周挑战；
4. 虚拟厨房助手：AI 烹饪助手，用户输入家里有的食材，得到带逐步烹饪说明的菜谱推荐；
5. 地下音乐发现平台：突出独立与新晋音乐人的音乐流媒体网站，支持歌单创建与社区评论；
6. 极简任务管理系统：支持创建任务、设置优先级、拖拽排序、查看完成进度；
7. 科幻写作工坊：提供世界观搭建模板、角色档案卡、故事大纲工具的科幻写作平台；
8. 个人知识图谱：把零散想法变成节点、把相关内容连接成知识网的可视化笔记工具；
9. 虚拟植物园：植物百科网站，含图文档案，用户还能种植虚拟植物观察其成长；
10. 编程挑战竞技场：在线编程竞赛平台，含不同难度算法题、在线代码编辑器、自动评测与排行榜。

10 个游戏灵感：

1. 3D 开放世界 RPG：可自由探索的 3D 开放世界游戏，含昼夜循环、动态天气、任务系统与角色成长；
2. 第一人称射击（FPS）竞技场：快节奏多人 FPS，支持团队死斗、夺旗、多种模式与地图；
3. AI 象棋与多人对战：可与不同难度 AI 对战、也可在线匹配真人的象棋平台；
4. 麻将在线多人：支持多规则、私人房间、自动计分的传统麻将游戏；
5. 回合制策略游戏：网格地图回合制策略，含单位移动、攻击、升级与战争迷雾；
6. 计时竞速赛车：主打计时赛的 3D 赛车游戏，支持多赛道、车辆改装与幽灵回放；
7. 卡牌对战（组卡）：可收集卡牌、自由构筑卡组、参与天梯排位的卡牌对战游戏；
8. 大逃杀（俯视 2D）：俯视 2D 大逃杀，含缩圈、随机掉落与单排/组队模式；
9. 恐怖生存（第一人称）：第一人称恐怖生存，聚焦资源管理、潜行躲避敌人、寻找逃生路线；
10. 音乐节奏游戏（3D）：音符从远处飞向节拍，玩家在正确时机击打得分。

3.4 精选案例：别人用 AI 造出了什么

贪吃蛇只是入门示例——AI 真的能构建更复杂的游戏吗？答案是肯定的。以下是原文精选的 8 个来自网络的真实案例，开发者中既有专业程序员，也有完全没有编程经验的人，共同点是：他们通过对话让 AI 写出了绝大部分代码。

1. 一个下午复刻 10 款经典街机游戏（WotAI Games）：完全用 Claude Code（Vibe Coding）从零构建的浏览器游戏合集，未使用任何游戏引擎，通过对话让 AI 一口气复刻了 Pac-Man、俄罗斯方块、太空侵略者、贪吃蛇、Flappy Bird、打砖块、Galaxian、Frogger、Doodle Jump、数独 10 款经典游戏，每款都可在线直接玩，还内置了排行榜系统。
2. 零基础者 2 小时做出 2048 风游戏（Blooming Garden）：日本开发者 in0ho1no 完全不懂编程，纯对话（Vibe Coding）用 Claude 约 2 小时做出 2048 风格"花园"游戏：同种植物合并升级、华丽绽放特效、粒子动画、排行榜、音效、移动端适配……全程未手写一行代码。
3. 设计师用 AI 做出 3D 在线多人游戏（Planet Jumper）：设计师 Hammy 用 OpenAI 的 AI，纯对话在 three.js 之上构建出 3D 多人平台跳跃游戏：在小星球表面奔跑、冲刺、跳跃，与陌生人在同一竞技场在线对战。球形重力、网络同步、跳跃手感等并不简单的系统全是用提示词"聊"出来的。
4. 一人用 Vibe Coding 做出 100 个浏览器游戏（2026）：社区开发者 wangzifan396-wzf 开源了 100 个浏览器小游戏，全部为零依赖的单个 HTML 文件，双击即可运行。玩法覆盖动作、策略、塔防、经营、卡牌、物理、推理、竞速、节奏、棋类、解谜等品类，不少已具备多章节战役、成长系统、存档码跨设备同步等完整产品级深度。
5. 为侄子做的《我的世界》复刻（CraftMine，2026）：开发者 Trent Sterling 为了让侄子玩到《我的世界》，打开一个空白 HTML 文件，用 Claude Code 纯对话构建出6820 行单文件网页版复刻：46 种方块、36 种生物、19 种武器、5 种地形、昼夜循环，甚至支持 P2P 多人联机，无构建步骤，打开网页即可玩。
6. AI 实时生成无限关卡的《超级马里奥》（2026）：开发者将开源版《超级马里奥》与 OpenAI 模型结合：可以玩经典原版关卡，也可以让 AI实时生成新关卡——"无限模式"中 AI 随玩家推进动态生成全新场景与敌人，实测可连续游玩 45 分钟；还能直接在游戏里打字让 AI 加敌人、放平台、换主题。
7. 一条提示词让 Kimi K3 做出 3D 游戏（2026）：开发者 Dr. Josh Simmons 只给中国大模型 Kimi K3 发了一条提示词，它就构建出一个可玩的第一人称 3D 游戏：在程序化生成的服务器设施中收集数据核心、躲避巡逻无人机、乘货梯下三层。单次生成即可游玩，两轮对话修完两个 Bug 后即可顺利通关，总花费约2 美元。
8. K399：Kimi 官方游戏平台，几十款 AI 游戏在线即玩（2026）：2026 年 7 月 17 日月之暗面发布 Kimi K3 的同时推出浏览器游戏平台 K399，平台上几十款游戏全部由 K3 模型制作、一键即玩。类型横跨 3D 射击、音游、横版动作、宫斗 AVG、3D 解谜乃至开放世界：既有复刻《塞尔达传说》《黑神话：悟空》《泡泡堂》《吸血鬼幸存者》等经典玩法的作品，也有远超 Demo 完成度的原创游戏。

看完这些案例你会发现：贪吃蛇只是 AI 编程能力的冰山一角。无论经典街机、2048 解谜、3D 游戏、《我的世界》与《马里奥》复刻、百款游戏合集，甚至大模型厂商的官方游戏平台——只要你能清晰描述想法、愿意通过多轮对话打磨，AI 都能帮你从 0 到 1 把它们做出来。接下来轮到你了！

📚 作业：完成你的第一个 AI 原生小游戏

作业一：完整复现 AI 原生贪吃蛇游戏

• 至少实现：蛇能移动、吃到"食物"变长且加分、撞墙或撞到自己游戏结束；
• 复现过程中练习一次性把"错误描述 + 错误信息 + 关键代码片段"发给 AI，让它在"新手模式"下帮你修复。

作业二（可选）：创作 1 个原创的 AI 原生小游戏或 Demo

• 可以是任何涉及文字、图像、音乐、节奏的轻量玩法，如"吃字写诗""节奏点击""生成式跑酷"等；
• 重点不在于画面多炫酷，而在于能清晰说明：AI 具体帮了什么忙、解决了什么"难手工做/繁琐"的部分。

附录：理解 Vibe Coding 的四个关键概念

学习过程中如果遇到"什么是前端""Vibe Coding 到底是什么"这类问题，可随时回到本附录查阅。

附录 1：我们需要前端知识吗？

一句话总结：你不需要写代码，但理解基本概念有助于你更准确地向 AI 描述需求。

一个应用由两部分组成：

• 前端（Frontend）——用户能看到和点击的一切：页面标题、文字、图片、按钮、输入框、下拉菜单、游戏界面、动画效果；
• 后端（Backend）——服务器上运行的不可见数据处理：用户分数存储、登录账号验证、关卡内容分发。

前端三件套：把网页想象成一栋房子，三类"代码"各管一件事——

• HTML：决定页面上有什么（先画房屋蓝图）；
• CSS：决定长什么样（刷墙、摆家具）；
• JavaScript：决定如何响应（像电灯开关：按一下就亮）。

浏览器用 HTML 搭骨架、用 CSS 装饰、用 JavaScript 通电——三步走，网页就出现了。而 React、Vue 之类是"搭建复杂页面的预制工具"，更快更可靠，你不需要学它们，知道它们是帮手即可。

在 Vibe Coding 中：不写代码，只做描述。用大白话和 AI 交流即可，例如：

"用 React 做一个排行榜页面，右侧有分数列表。点击一行，下方显示玩家详情。风格简洁现代。"

想深入了解可查阅网页基础附录与前端框架演变附录。

附录 2：Vibe Coding 到底是什么？

计算机科学家 Andrej Karpathy（OpenAI 联合创始人之一、前特斯拉 AI 负责人）在 2025 年 2 月创造了Vibe Coding一词。这个概念指一种依赖 LLM 的编程方法论：程序员通过提供自然语言描述来生成可用代码，而非手动编写代码。

字面上，Vibe Coding 可以理解为一种"靠说话来开发"的方式。核心变化是：你不再需要逐行写代码、查语法、自己调试，而是直接用自然语言描述你想要什么，例如：

• "我需要一个登录页，有手机号输入框和验证码输入框。"
• "登录成功后跳转到首页，并在右上角显示用户名。"
• "给我一个可以用键盘方向键控制的简单贪吃蛇游戏。"

LLM 会自动把这些描述翻译成真实可运行的代码，生成对应页面、逻辑与数据结构。看到结果后，你可以用自然语言提出修改："按钮大一点""背景换深色""记录分数并显示排行榜"，AI 会继续按你的要求调整实现。

这种模式下，你不需要先学会编程语言再写代码，而是把主要精力放在：说清楚想做什么 → 看结果判断"哪里不对" → 提出新修改。AI 负责把高层想法落地为具体实现，显著减少机械、重复的编码工作。

如何假装自己是 Vibe Coding 大师？

实践中，真实的 Vibe Coding 通常用不到复杂提示词。可能开头需要一条具体且中等复杂度的提示词来规划整个程序，但之后每一步只需要这类提示：

"代码有 bug，帮我修复。" "我不要部分代码，给我完整的修改后代码。" "你的代码还有问题。" "再改一次，给我完整的修正代码。" "之前还能用，现在为什么不行了？" "你是不理解我的意思吗？不要改动我原来的代码。" "不要加任何调试功能。" "不要做我没让你做的事。" "我让你实现的功能在哪里？" "你能听懂我说的话吗？" "我只想要一个功能。" "我说了参考我之前的代码。" "请不要加多余的注释。" "请不要修改我原代码的基本逻辑。" "帮我修改代码。" "基于我的代码修改……" "不要改我的变量名！！！" "不要改原来的函数名！" "别动我的变量。" "不要加多余的功能。" "不要只生成骨架，生成完整代码。"

听起来有点夸张，但这些确实是日常工作里可能用到的提示词。由于大模型的上下文长度限制，或有时指令遵循能力不够强，模型可能忘记对话前文内容。所以在 Vibe Coding 中，我们倾向于使用长上下文和强指令遵循的模型，可以通过这两方面的榜单或指标来判断模型好坏。另外，受训练数据风格影响，不同模型回答风格差异很大：有的很严肃，有的喜欢堆砌修饰，有的喜欢给代码加大量注释或多余模块——这些都是正常现象。

附录 3：模型上下文（Context）

模型上下文可以理解为 AI 的短期记忆：指模型在单次对话或任务中能"看到"和"记住"的全部文本内容，包括你之前的问题、系统提供的指令、相关资料等。

正因为有上下文，AI 才能理解你是在延续之前的内容，实现一轮又一轮连贯自然的对话。没有上下文，你说的每句话对模型而言都是一个全新问题——它不知道你之前说过什么，对话无法继续。

每个模型都有自己的有效上下文长度（context window），通常以 token（可粗略理解为"词片段"单位）衡量，目前主流模型大多在32k 到 128k token之间。上下文越长，模型一次能"读"的内容越多，例如：

• 一次读完一篇很长的论文或报告；
• 在同一对话中引用多份资料与案例；
• 记住几轮之前复杂讨论的结论。

当输入接近或超过上下文上限时，常出现这些现象：

• 模型开始忘记长文本前期的细节或关键信息；
• 随着对话推进，话题逐渐偏离最初目标；
• 围绕同一材料的不同问答中，引用的内容前后不一致。

这些现象不代表模型突然"变笨"，而是上下文容量被用尽或接近用尽时的自然结果。实际使用中，我们希望上下文越长越好，同时要意识到：上下文越长，消耗的计算资源越多，对应 API 费用也越高。因此在设计 AI 应用时，需要在"让模型看到足够信息"与"控制成本、提高效率"之间平衡。例如：

• 把真正需要长期保留的信息提炼后再喂给模型；
• 避免把不再需要的细节信息反复塞进上下文；
• 用外部知识库等方式把"长期记忆"交给系统，而不是硬塞进模型上下文。

附录 4：指令遵循（Instruction Following）

指令遵循指：模型理解你的指令后，能否按你的要求准确、完整地执行。它不仅包括回答问题，还包括按指定格式、风格、步骤完成任务。例如以下都是对模型有明确要求的指令：

• 把这篇文章总结成三个要点；
• 用正式、礼貌的语气写一封回复邮件；
• 把这个词翻译成英文，并为每个词造一个例句；
• 从文章中提取作者、时间、主要事件。

指令遵循能力强的模型通常具备这些特征：

• 按要求的数量输出：要求总结三个要点，不会给五个；
• 覆盖所有指定要素：要求提取作者、时间、事件，不会遗漏；
• 遵循指定格式与语气：要求正式语气，不会输出过于口语化；
• 不做多余的扩展：只要求翻译和造句，不会输出一大段无关解释。

实际应用中，强指令遵循能力之所以重要，原因在于：

• 稳定性更高：同一指令在不同时间、多次运行时输出结构与行为模式更一致，更不容易跑偏；
• 可复现性更好：把提示词配置进产品或工作流后，能大致预测模型的响应，测试与迭代更容易；
• 系统集成更顺：模型输出符合预期格式时，更容易与后端程序、工作流或其他工具自动对接。

因此，选择与评估大模型时，除了关注"聪不聪明、知识面广不广"，还要特别关注其指令遵循能力。对工业级应用而言，能稳定、准确地执行指令，往往比偶尔给出惊艳回答更重要。

至此，完整的教程就结束了。你可能需要约4 小时来完成全部内容并做出自己的贪吃蛇游戏。不必着急——多探索、多实验、享受过程。如果遇到不理解的附录概念，建议对照上文各附录链接查阅 easy-vibe 仓库中对应的完整章节继续深入。

• 教程
• 文档