Vibe Coding 能做大项目吗？量化人替你试过了

Vibe Coding 能做大项目吗？通过几个数万行代码的项目，发现了 vibe coding 的难以克服的问题。编程领域的 Lean 框架，正呼之欲出。

#Agent   #vibe coding   #AI   #coding  

最后更新: 2026-09-08

---

Table of Content

Vibe Coding 确实圆了很多人做软件的梦，包括我们这种古法编程好多年的人，之前也有好多想法，因为人力不足、或者知识储备不足，不敢轻易尝试，现在也不免跃跃欲试了。

我们团队之前开发有zillionaire 2.0 -- 它的定位是私募团队，使用容器 + 微服务架构，行情数据存储使用了 influxdb + redis 缓存；使用东财的交易接口。但一直缺少一个适用于个人的量化交易框架（本地数据存储、更便宜的交易接口、主要以单机方式运行）。

今年是AI coding 突破性的一年，所以，从4月底起，开始尝试用AI coding的方式，开发一个个人版本的量化交易框架 -- Millionaire。

一入 Vibe 深似海，从此周末是路人。

/01 现阶段 AI 可以做什么？

更好的算法实现 任何量化交易框架，都少不了对策略的评估。一些框架会使用固定期限的远期收益来作为评估的输入指标，比如，用买入（ T0 ）时间后的1日，3日，5日的收益来评价策略的有效性。这样要采用固定交易周期，有时候会错过最佳交易机会。即使我们认为择时不可信，我们也会遇到这样的情况，使得固定交易周期方法显得笨拙，即叠加风控策略时，卖出时间不可能是固定的。

比如，我们在回测时，使用 T+3 来计算策略的收益，但在实盘中，可能第二天我们就止损了。如何把风控策略也与基准策略叠加在一起进行回测？ 经过与 AI 一段时间的探讨，我明白了这个风控策略实际上是一种Marcos López de Prado 提出的三重障碍法（Triple-Barrier Method）；由于这是 AI 告诉我的，所以，它已经可以很好地实现了！

另一个例子是 Form 4的研究中，placebo（对照组、安慰剂组）的使用。Form 4是 SEC 用来防止公司董监高利用内幕交易牟利，从而要求他们必须在完成交易日之后的两个工作日以内，必须填写并提交的一种表格。该表格是电子表格，一旦提交，即经 EDGARD 系统公开发布，对所有投资者都公开可见。

作为配套制度，法规还要求董监高在买入之后的6个月内，卖出产生的利润必须上缴归公司所有。两项制度结合起来，就基本堵死了内幕交易的套利空间。

在做完 Form 4的因子回测后，我突然想起该策略具有不重现性 -- 如何证明事件发生之后，资产的波动收益确实是来自于该事件，而不是其它因素呢？这里似乎没有市场因子可以扣除。经过一些探索，最后找到了 placebo 统计方法 -- 显然AI 已经很熟悉这个方法了，实现起来毫无困难。

所以，AI 在现阶段，已经可以帮我们写出来之前我们完全不知道的高效算法 -- 特别是当你把『术语』找到之后。

这些算法有明确、坚实的定义，武无第二，这部分 AI 非常擅长。

/02 AI 还擅长做什么

最初 millionaire 通过 vibe coding进展得很顺利。渐渐地我就发现问题变多了。一些明明记忆中已经提出、甚至已经实现了的功能，测试起来才发现并没有实现；有的是实现了80%，或者20%。

慢慢地我也失去了记忆。我不知道系统该有哪些功能，系统已经有了哪些功能。系统现在呈现出来的功能，哪些其实是我已经否决了，但死代码还在。而这些死代码，还会时时引诱 AI继续往这个错误的方向上走。

让你看到希望，再到失望，直到绝望。这也是现在 AI 擅长的点。在 oh-my-opencode 框架中，有一个主控的 Agent，名字叫西西弗斯。一个人每天滚石上山，每到快要接近时，石头又滚回山底，第二天还得重新往上推。他们给主控 Agent 起这个名字，还是很恰如其份的。

这就是 Vibe Coding 的现状。

即使你使用了 speckit, ralph, 或者 super power。做到最后，项目只要超过几万行代码，在完全没有人工介入的情况下，你得到的就是另一个做到90%的Millionaire: 很多功能已经实现了，AI甚至还多送了一些，比如你要一只手，它多给你送了一个手指；另一些地方，看上去是一只完美的手，但它不能握紧拳头。

但如果你想改动它，你将得到一只脚。

/03 最后的证明

这两天数学家Astra和Fable 先后取得了重大突破。Astra 将孪生素数猜想推进到了186，该记录已尘封十余年。如果Astra 早诞生12年，张益唐将不得不终生洗盘子；Fable 则形式化验证了费马大定理。

这些突破最核心的技术底座，是 Lean的形式化验证。它是 AI 能自主探索数字、并使得结论可以得到验证的关键。

现在，在 AI Coding 方面，我们也差这样一个框架，使得一个用户 Story，在用户协助下，可以分解为 spec，再定出验收标准；接下来就是 AI 去实现它，并通过测试来验证所有的 spec 已被满足。

编程是一个工程问题，它不可能完全、也没必要满足 Lean 这样的形式化验证（尽管个别算法可以）。机器能不能生出来鸭子并不重要，只要的产生，叫起来像鸭子，走路像鸭子，那它就是鸭子。

这就是我正在做的 Agent on Tracks 项目的目标。它目前正在以自举的方式进行迭代开发，差不多要走完 CI 和发布这最后几步。从此以后，你将应该能够写下一个有数十万行代码的软件产品，只需要提供一个个用户故事。

Millionaire将会是它发布的第二个产品。