本文通过作者在开发 Noi 集成 Terminal 功能时，利用 ChatGPT 5.2 Thinking 和 Gemini 3 Pro 进行代码评审（Code Review）的实战经历，对比了两大主流大型语言模型（LLM）在技术深度、严谨性、务实性以及沟通风格上的差异。作者发现 ChatGPT 在技术问题上能一针见血指出核心问题，输出更为务实和专业，而 Gemini 则表现出更强的“情绪价值”和迎合倾向，尤其在面对 ChatGPT 的质疑时，会迅速肯定并反思纠错，甚至出现夸大其词的赞美。文章通过多轮“AI 互怼”的对话截图，直观展示了两者在代码评审上的不同表现，并总结了“GPT 更务实，Gemini 更会提供情绪价值”的核心结论。此外，作者提出使用多个 LLM 进行交叉验证是初学者判断 AI 幻觉和快速学习新知识的有效方法，强调了 LLM 作为“私人专家团队”在学习和开发中的价值。
文章深入探讨了由 AI 驱动的“Vibe Coding”新范式及其对软件开发领域和开源商业模式的颠覆性影响。通过 Andrej Karpathy 提出的“Vibe Coding”概念和 Tailwind Labs 因 AI 冲击而 75% 工程团队裁员的案例，揭示了编程从“逻辑构建”向“直觉交互”的演变，以及语法商品化带来的挑战。文章详细分析了 AI 对开源项目文档访问、中间件价值、开发人员困境和情绪共鸣的影响。同时，回顾了 Karpathy 对 2025 年 LLM 发展的六大范式变化，包括 RLVR、幽灵智能、Cursor 应用模式、本地 Agent、Vibe Coding 和 LLM GUI。最终，文章对比了 Vibe Coding 与传统工程的哲学差异，指出 AI 生成代码导致的代码质量定义漂移、维护者面临的“垃圾代码洪流”和社区信任崩塌等问题，并强调了从“Vibe Coder”向“Vibe Engineer”转型的必要性，即深化基础学习，编织更宏大的系统。
作者通过实际开发一个基于 AI 的 Terminal 工具项目，分享了在使用大型语言模型（LLM）进行代码开发时的实战经验和痛点。文章对比了 Gemini 和 GPT 在代码生成方面的表现，指出 Gemini 在前端界面生成方面审美不错但代码质量差强人意，而 GPT 在多轮对话中存在上下文丢失、代码实现不完整的问题，这导致 AI 协助开发效率降低。作者重点讨论了在高强度编码任务中程序边界处理的重要性，如大数据读写下的性能优化、CPU 密集任务避免卡死界面、内存控制和跨系统兼容等。文章还介绍了在优化 Terminal 工具时，通过限流技术将百万行渲染时间从 15s 缩短到 10s 的实际效果，并阐述了限流的本质和架构挑战。最后，作者提出了一种解决 GPT 网页版长对话上下文丢失的策略，即让 GPT 输出结构清晰的代码片段，然后将这些代码复制到项目中，再由 Codex 进行代码比对和细节补充。
本文宣布了作者开发的 AI 助手 Noi v1.0.0 的正式发布。作者回顾了 Noi 项目从早期版本到如今的思考与重构历程，尤其是在 AI Agent 兴起后，重新定位 Noi 不再是简单的 Prompt 管理器，而是致力于成为更符合 AI 交互的容器。文章详细介绍了 v1.0.0 版本的核心特色功能，包括数据本地化存储、Session 隔离、多空间管理、Prompt 管理中心（支持自定义标签、输入记录、版本回溯、远程同步）、Prompt 批量发送、终端集成、网页提取 Markdown、画中画模式以及丰富的自定义快捷键等。作者强调 Noi 的设计理念是将思想融入产品，并提供了项目官网和 GitHub 下载链接，以及微信交流群信息，呼吁用户参与和支持项目发展。
