本周的 Toggl 数据看起来相当健康。在总共记录的 43 小时中，工作稳定占据了 20.4 小时（47.3%），而个人项目达到了 10.7 小时（24.9%）。
个人项目时间的增长，并非完全源于自律，更多是工作项目因合同与发布日期的不确定性，带来了一段“时间真空”。我把这些时间空闲投入到了第一个 Vibe Coding 实验项目上，因此更清晰地触摸到了当前 AI 辅助编程的边界。
这个项目以摄像头为核心，而我很快发现，AI 难以对需要实时与物理世界交互的功能进行有效调试。对于摄像头前后翻转、镜像处理、人体识别这类问题，它似乎难以理解。其结果就是，我花费了整整 5 个小时，消耗了近 200 条 message 额度，却依然没能解决一个关键的人体识别难题。如果再选一次，我应该不会选择一个以摄像头为主的项目，作为探索 Vibe Coding 的起点。
这次痛苦的调试经历，也促使我快速迭代了与 AI 的协作模式，大致经历了三个版本：
V1 - 直接指令式： 直接告诉 AI 我想要什么功能。这种方式很简单，但一旦 AI 的初步理解出现偏差，后续需要花费数倍的对话成本才能将其纠正，效率低下。
V2 - PRD 驱动式： 我开始使用更擅长规划的 Google Gemini Pro 对需求进行系统化分析，产出一份结构清晰的需求文档（PRD）。然后，我让 alex 基于这份 PRD 进行开发，显著提升了需求实现的准确性。
V3 - TDD 流程驱动式： 这是目前的最高阶版本。我编写了一份详细的“项目 Prompt”，其核心是为 AI 定义了一套严格的 TDD (测试(Test)或者说任务(Task)驱动开发) 工作流。从 Tasking 拆解任务开始，每一个 sub-task 都必须遵循“编写失败测试 -> 编写实现代码 -> 通过测试 -> 反思”的循环。这本质上是把我自己的开发方法论“注入”给了 AI。
当我以为找到了与 AI 协作的终极工作流时，却撞上了另一堵墙：成本。TDD 流程虽然能产出逻辑严谨、质量颇高的代码，但它要求高频次、细颗粒度的交互。每一次任务拆解、测试、每一次实现、每一次重构都是一次对话。这种模式导致我的 alex message quota 在短短几小时内就被消耗殆尽。这揭示了一个残酷的现实：在当前阶段，AI 生成代码的“质量”与“成本”依然是强相关的。虽然 AI 可以遵循 TDD，但在经济上，目前至少对我来说或许并非一个可持续的模式。
娱乐
- 《F1：狂飙飞车》 ⭐️⭐️⭐️⭐️⭐️
因为 flypig 的一个评价「这是布拉德皮特自《点球成金》之后最好的作品」跑去看的。体验相当不错，尽管剧本比较老套，但还是看得热血沸腾。 - 《热点》 ⭐️⭐️⭐️⭐️⭐️
来自《重启人生》的原班人马制作，依然是编剧笨蛋节奏的那套日常对话吐槽的感觉。