为没有完整编程经验、想借助 AI 做出第一个 Web 产品的人设计。课程以 AI 原生贪吃蛇和电商素材工作台为案例，带你走完需求收敛、MVP、AI 协作、调试、Git、质量检查、部署和用户试用，建立一套能检查结果、控制修改风险并持续迭代的 Vibe Coding 方法。
能把首次需求收敛为一个可观察的小变化，并用运行、观察、修改和复验完成一轮 Vibe Coding 反馈循环。
能根据当前任务所需的启动成本、项目上下文、控制力和操作风险，选择浏览器工具、AI IDE 或 CLI。
能把模糊故障改写成可复现的问题描述，并用与故障对应的运行证据判断修改是否完成。
能把宽泛产品点子改写成以用户现状和目标差距为中心、可以继续验证的问题陈述。
能依据共同场景、困难和目标，从宽泛人群中选出一批可接触、可验证的首批用户。
能通过业务追问，把模糊产品要求整理成一条包含输入、处理、输出和关键失败反馈的核心流程。
能围绕一个验证目标，为 MVP 划定首版必需、后续再做和明确不做的范围。
能沿核心流程写出可执行、可观察、可判定通过或失败，并覆盖关键状态的验收条件。
能用项目文件、运行过程、数据保存和外部服务四层模型解释小型 Web 产品，并判断需求会影响哪些层。
能为一个具体代码任务选择并组织足够且相关的上下文，减少 AI 对现状、范围和完成标准的猜测。
能在 AI 动手前审查实施计划的目标理解、修改范围、顺序、风险、停止点和验证方式。
能用对象、属性、状态、关系和动作描述产品业务结构，并用数据示例验证描述是否一致。
能把大需求拆成一个贯通用户输入、最小处理和可见结果的首个纵向切片。
能从真实使用路径识别演示原型的断点，并补齐首版必需的状态反馈和数据保存行为。
能用 Git 为一次 AI 修改建立清楚的前后边界，并在不覆盖用户改动的前提下选择提交、修正或恢复。
能按可复现现象、对应证据、单一假设、最小修改和复验的顺序完成一次 Bug 诊断。
能从产品承诺和风险倒推一组最低质量门槛，并据此作出发布或暂缓决定。
能解释并检查从固定代码版本、构建和环境变量到部署、线上复验与撤回的最小交付链路。
能围绕具体用户任务记录行为事实，区分解释和建议，并把反馈转成下一步可验证的问题。
能把项目经验整理成定义、计划、执行、验证和记录的个人工作流，并按任务风险调整检查深度。
能判断一个重复流程是否值得沉淀为 Skill，并设计可正确触发、执行和验收的最小结构。
