7e26e9533d46e0890c7c95b31b3ff88faca0d956
Add a GitHub stars widget component to display repository stars count with caching Remove social links from config as they're now handled by the new widget Improve font size and line height clamping with null checks
███████╗ █████╗ ███████╗██╗ ██╗ ██╗ ██╗██╗██████╗ ███████╗ ██╔════╝██╔══██╗██╔════╝╚██╗ ██╔╝ ██║ ██║██║██╔══██╗██╔════╝ █████╗ ███████║███████╗ ╚████╔╝ ██║ ██║██║██████╔╝█████╗ ██╔══╝ ██╔══██║╚════██║ ╚██╔╝ ╚██╗ ██╔╝██║██╔══██╗██╔══╝ ███████╗██║ ██║███████║ ██║ ╚████╔╝ ██║██████╔╝███████╗ ╚══════╝╚═╝ ╚═╝╚══════╝ ╚═╝ ╚═══╝ ╚═╝╚═════╝ ╚══════╝
Easy-Vibe: Learn Vibe Coding from 0 to 1
零基础、项目制学习、构建第一个 AI 产品
🚀 项目介绍
当你尝试用AI写代码,出错不断,时常想放弃,不清楚如何将程序真正上线 😢。
本教程专门设计,从0到1,带你逐步掌握 Vibe Coding 技巧:
- 第零阶段:从小游戏快速入门 上手 vibe coding 技能
- 第一阶段:产品经理视角下的 vibe coding 技能和业务理解,实现 Web 应用原型
- 第二阶段:学习前后端开发与 AI 能力相关的 vibecoding 技巧,完成完整应用
- 第三阶段:掌握多平台复杂应用的构建方案,走向生产级应用
我们相信,掌握Vibe Coding并配合系统化训练,一个人就能成为集前后端开发、AI 能力集成、产品设计于一身的开发者。
本项目主要面向三类学习者:
- 新手(普通人 / 产品与运营侧):帮助非技术入门学习者听懂关键概念,完成第一个产品原型。
- 初中级开发者(有一定基础的学生和开发者):掌握前后端 vibe coding 与 AI 能力知识。
- 高级开发者(公司与初创、开源与独立开发者):高级开发技巧、多平台开发。
📖 内容导航
总附录
零、幼儿园
| 章节 | 关键内容 | 状态 |
|---|---|---|
| 前言:学习地图 | 整体学习路径导览 | ✅ |
| 初级一:AI 时代,会说话就会编程 | 通过贪吃蛇等案例初步感受 AI 编程的能力 | ✅ |
一、AI 产品经理
| 章节 | 关键内容 | 状态 |
|---|---|---|
| 初级二:认识 AI IDE 工具 | 学会使用 IDE,在本地制作小游戏 | ✅ |
| 初级三:动手做出原型 | 从需求分析、AI 生成单页面,再到生成多页面产品原型 | ✅ |
| 初级四:给原型加上 AI 能力 | 学会接入常见 AI 能力(文本、图片、视频) | ✅ |
| 初级五:完整项目实战 | 模拟真实场景、接受用户反馈迭代,完整化项目 | ✅ |
| 大作业:做一个完整的 Web 应用原型并展示 | 完整实现应用,展示应用效果 | ✅ |
附录
| 章节 | 关键内容 | 状态 |
|---|---|---|
| 附录A:产品思维补充 | 从零到一做产品需要考虑的思维框架 | ✅ |
| 附录B:常见报错及解决方案 | vibe coding 中的常见错误及排查方法 | ✅ |
二、初中级开发工程师
前端部分
| 章节 | 关键内容 | 状态 |
|---|---|---|
| 前端零:使用 lovart 生产素材 | 学会用 lovart 批量生成人物、场景等视觉素材,为 UI 设计和前端开发提供素材基础 | 🚧 |
| 前端一:Figma 与 MasterGo 入门 | 用设计工具梳理信息架构和页面结构,为前端实现打基础 | 🚧 |
| 前端二:构建第一个现代应用程序-UI 设计 | 基于设计稿完成组件化界面,实现从设计到代码的第一条链路 | 🚧 |
| 前端三:参考 UI 设计规范与多产品 UI 设计 | 围绕统一主视觉扩展多产品界面,练习系统化设计能力 | 🚧 |
| 前端四:一起做霍格沃茨画像 | 从 0 到 1 做出接入 AI 能力的前端应用,串联设计与开发 | ✅ |
后端与全栈部分
| 章节 | 关键内容 | 状态 |
|---|---|---|
| 后端一:什么是 API | 理解 HTTP 接口与请求响应模型,为后端集成与联调做准备 | ✅ |
| 后端二:从数据库到 Supabase | 在 Supabase 上落地数据库和 API,打通数据模型与前端页面 | ✅ |
| 后端三:大模型辅助编写接口代码与接口文档 | 用大模型协助生成接口与数据库文档及代码,实现可读可测的后端 | 🚧 |
| 后端四:Git 工作流 | 在 Git 工作流中管理代码,进行版本控制和协作 | ✅ |
| 后端五:Zeabur 部署 | 将应用部署到 Zeabur 上线 | ✅ |
| 后端六:现代 CLI 开发工具 | 使用 CLI 类 AI 编程工具加速开发与调试,形成个人工程化工作流 | ✅ |
| 后端七:如何集成 Stripe 等收费系统 | 接入支付系统,完成收费链路与基础结算流程 | 🚧 |
| 大作业 1:构建第一个现代应用程序-全栈应用 | 综合前端、后端与支付模块,完成可上线的全栈 Web 应用 | 🚧 |
| 大作业 2:现代前端组件库 + Trae 实战 | 使用现代前端组件库与 Trae,独立完成可登录注册并支持收费的产品 | 🚧 |
AI 能力附录
| 章节 | 关键内容 | 状态 |
|---|---|---|
| AI 一:Dify 入门与知识库集成 | 用 Dify Workflow 与基础 RAG 搭建工具类产品,为后续应用升级打样 | ✅ |
| AI 二:学会查询 AI 词典与集成多模态 API | 学会查找合适的模型与 API,并把文本、图像等多模态能力接入产品 | 🚧 |
三、高级开发工程师
| 章节 | 关键内容 | 状态 |
|---|---|---|
| 高级一:MCP 与 ClaudeCode Skills | 通过 MCP 与 Skills 扩展 IDE 能力,把外部服务接成工具 | 🚧 |
| 高级二:如何让 Coding Tools 长时间工作 | 设计和配置长时间运行的任务,让 Coding Tools 更稳定可靠 | 🚧 |
| 高级三:多平台开发:如何构建微信小程序 | 了解微信小程序生态,从官方模板到上线完成一个前端小程序 | ✅ |
| 高级四:多平台开发:如何构建微信小程序-包含后端 | 在小程序中接入数据库与后端逻辑,打通完整业务闭环 | 🚧 |
| 高级五:多平台开发:如何构建安卓程序 | 使用 Expo 等工具,完成 Web/原生一体化的安卓应用开发 | 🚧 |
| 高级六:多平台开发:如何构建 iOS 程序 | 使用 Expo 等工具,完成 Web/原生一体化的 iOS 应用开发 | 🚧 |
| 高级七:如何构建属于自己的个人网页与学术博客 | 从选型、搭建到部署,构建展示个人项目与学术成果的长久在线主页 | 🚧 |
AI 能力附录
| 章节 | 关键内容 | 状态 |
|---|---|---|
| 高级 AI 一:什么是 RAG 以及它如何工作 | 系统理解 RAG 原理与常见架构,为复杂应用提供知识检索基础 | ✅ |
| 高级 AI 二:中高级 RAG 与工作流编排:以 LangGraph 为例 | 使用 LangGraph 等工具设计多步工作流与中高级 RAG 系统 | 🚧 |
🛠️ 如何学习
- 根据个人能力,选择性地阅读和实践相关章节,如果有问题欢迎 issue 提问。
💻 本地启动本课件
现代方案
在 AI IDE 对话框(vscode、cursor、trae 等)中,输入下列提示词启动本课件:
请你帮我运行这个项目的本地服务
旧方案
- npm install
- npm run dev
- 打开浏览器访问
http://localhost:3000即可查看。
🤝 参与贡献
- 如果你发现了一些问题,或者觉得任何可以改进本项目的地方,可以提 Issue 进行反馈。如果提完没有人回复你可以联系保姆团队的同学进行反馈跟进~
- 如果你想参与贡献本项目,可以提 Pull Request,如果提完没有人回复你可以联系保姆团队的同学进行反馈跟进~
- 如果你对 Datawhale 很感兴趣并想要发起一个新的项目,请按照Datawhale 开源项目指南进行操作即可~
🙏 感谢每位贡献者
- 散步-项目负责人 (Datawhale成员)
- 方可-指导老师(Datawhale成员, 清华大学)
- Yerim Kang(实践项目部分-清华大学)
- 赵芷霖(实践项目部分-清华大学)
- 李亦萱(页面美术设计-清华大学)
- AI Vibe Coding 101 内测群完整给建议体验的小伙伴们
特别感谢
- 感谢 @Sm1les 对本项目的帮助与支持
- 感谢所有为本项目做出贡献的开发者们 ❤️
📧 联系我们
📄 LICENSE
Star History
Description
Languages
JavaScript
89.3%
Dockerfile
6.5%
Shell
4.2%


