明念

仓颉三方库 Vibe Coding 尝试

9 min

记录一次 Vibe Coding 的完整实践过程，本次开发以 Claude Code 为主要工具（后文简称 CC），采用 Claude Sonnet 4 模型，同时使用了花费150元购买的200刀 Max 订阅额度（通过中转 API 实现）。

这不仅是一次 Vibe Coding 的尝试，也是结合仓颉这门新兴编程语言的实践。过程中还衍生出一个新想法：对于仓颉及领域特定语言（DSL）等新兴编程语言在大语言模型（LLM）中支持薄弱的问题，在语料和训练数据不足的阶段，是否存在折中的优化方案？这一问题暂先搁置，后文再展开探讨。

安装和使用 Claude Code

这部分操作较为简单，此处简要说明：

  1. 确保已安装 Node.js 18+ 环境，执行以下命令安装 Claude Code：

    npm install -g @anthropic-ai/claude-code

  2. 配置中转 API 和中转网址的环境变量：

    export ANTHROPIC_AUTH_TOKEN=sk-xxxx
export ANTHROPIC_BASE_URL=https://xxxx

准备仓颉语料库

如前文所述，目前仓颉语言的资料相对匮乏，导致模型在专业领域的回答准确性较低。例如，向 CC 询问一个简单示例时，得到的代码存在语法错误：

CC 生成的 greet 函数中，默认值的设置不符合仓颉语法规范——在仓颉中，只有命名参数可设置默认值，且命名参数需在冒号前添加感叹号。因此，该代码无法通过编译，更无法配合仓颉工具链进行开发：

基于此，我在项目中集成了仓颉语料库，帮助大模型”即时学习”。具体而言，将仓颉语言的用户指南、标准库 API 及工具链文档统一放入 cangjie_corpus 目录，至此完成所有准备工作。

进入项目根目录后，直接执行 claude 命令启动 CLI 程序。若 API 和转发网址配置无误，即可开始对话。

CC 提供了一些预设命令（详细说明见官网），在输入框中输入斜杠即可调用。

首先介绍 /init 命令：在项目根目录生成 CLAUDE.md 文件（官方称为”记忆文件”），其内容会作为提示词的一部分在对话启动时加载，且后续会由 CC 自动更新。本次开发中，我在让 CC 完成了整体架构设计和学习仓颉语法后才执行该命令。

若需手动更新记忆文件以写入关键要求，可使用 /memory 命令。该命令支持设置两个记忆文件：

  • Project memory：对整个工程生效，用于记录团队共享的记忆
  • User memory：属于个人的差异化记忆（例如我设置的”用中文交流”）

两者存储位置不同（另有第三个记忆文件 CLAUDE.local.md，用法可参考官网）。

规划先行

任何开发前都需对项目进行完整规划。幸运的是，Claude 可充当系统架构师角色。此时可按快捷键 shift + tab 切换至 plan mode（规划模式）——在此模式下，CC 会与你交流，但在获得明确许可前不会开始编码，非常适合制定完整设计方案。另一模式为 auto accept mode（自动接受模式），该模式下 CC 拥有更高权限，可自由修改文件以快速编写代码（无需每次等待确认），但删除文件等危险操作仍需用户许可。

进入 plan mode 后，我给出的第一条指令如下：

## 任务
使用仓颉编程语言开发一个 jsonrpc 2.0 的代码库
## 仓颉语言文档
仓颉语言的相关文档在 @/cangjie_corpus 目录下
## 任务流程
1. 阅读仓颉编程语言的文档，总结文档内容
2. 设计一个 jsonrpc 2.0 协议库的整体架构
3. 设计完成后再开始编码

等待 CC 思考完毕，会得到一份架构设计文档。可通过多轮对话进一步打磨方案，确认后保存文档并执行 /init 命令。

开始编码

架构设计满意后，你可以愉快地对 CC 说：“现在可以开始进行具体代码的开发了！”，（这一刻我感受到了作为一名资本家的快感～），再次按 shift + tab 切换至自动接受模式，可节省大量审核时间。

开发过程中仍需人工监督：若遇到 tokens 上限或 CC 出现”幻觉”，可使用 /compact 或 /clear 命令纠正方向。其中，compact 命令会总结当前上下文以减少 tokens 占用，clear 命令会直接清除历史对话，但重要信息仍会保存在记忆文件中。

经过多轮对话后，代码基本完成，但由于 CC 对仓颉语言的掌握有限，代码质量可能不足。此时可让 CC 进行编译，直至通过所有检查。

如前文所述，CC 学习仓颉文档后，会将 cjpm build、cjpm test 等关键命令记录到记忆文件中，因此它会主动调用 cjpm build 进行编译，并根据报错修改代码。编译器报错可解决约60%的语法错误，但多次尝试未果时，CC 可能会放弃并注释报错代码。此时需人工监督，告知其具体参考文档或直接提供正确语法。

最终目标是完成完整的单元测试和性能基准测试。同样让 CC 先学习相关写法，再生成代码，反复执行”规划→开发→运行→修改”的迭代循环，直至达到预期效果。

验收成果

耗时一天，消耗30万 tokens 额度后，我完成了 jsonrpc4cj 代码库的开发，并使用 CC 辅助完成了 Git 上传等基础操作。

GitCode 仓库地址：https://gitcode.com/oortling/jsonrpc4cj

总结

本次 Vibe Coding 尝试是一次完整体验，我不仅掌握了更多 CC 使用技巧，也对项目整体设计有了更深思考。近期 CC 新增了 SubAgent 功能，支持定义多个代理角色，可组建包含产品、开发、测试的”专家团队”，实现真正意义上的”一人公司”，后续将继续探索。

但还是需要承认，现阶段的 Vibe Coding 尚不能完全替代程序员群体，更适合小项目的原型验证，且需要领域经验丰富的人类进行强化和监督。

To be Continue

回到前文关于”新兴编程语言 LLM 支持薄弱”的问题，整个过程中的痛点是：学习仓颉语言导致上下文过于冗余，以及在不同的会话之间会丢失某些记忆。针对这个问题，我也和 CC 探讨了 RAG（检索增强生成）和 MCP（模型协作处理）两种解决方案，目前已完成 MCP 模式的原型验证：

PS：本人对大模型领域的认知有限，文中若有不当之处，欢迎指正，我会虚心学习。

Vibe Coding