我用 Gemini 2.

纯靠“感觉”写代码（Vibe-coding）真的能跑通复杂的金融逻辑吗？昨晚我突发奇想，想尝试用目前最快的 Gemini 2.0 Flash（开启 Medium Thinking 模式）配合 Antigravity IDE 2.0，从零构建一个专门针对澳洲资本利得税（CGT）逻辑的交易撮合引擎。结果非常出人意料，整个逻辑架构、税务计算规则到核心撮合算法，居然在一个晚上就全部跑通了。

以前写这种涉及税务合规（Compliance）和复杂撮合算法的东西，最头疼的就是处理各种边界条件，比如澳洲 CGT 里的持有期折扣计算、成本基数调整等。但在这次实操中，我发现只要给出的上下文足够清晰，大模型的逻辑推理能力在处理这种“规则密集型”任务时非常恐怖。

这里的核心工作流大概是这样的：

开发环境配置

• IDE 环境： Antigravity IDE 2.0（这个集成环境对 AI Agent 的调用非常丝滑）
• 模型选择： Gemini 2.0 Flash (Medium Thinking)
• 核心逻辑： 重点在于将澳洲税务局（ATO）的 CGT 计算规则转化为可执行的 Python 逻辑

实现的关键步骤

1. 规则建模： 我没有直接写代码，而是先丢了一段关于澳洲 CGT 计算逻辑的描述，让模型先输出一套逻辑伪代码。
2. 撮合引擎构建： 利用模型生成的逻辑，直接生成了基于订单簿（Order Book）的撮合算法，并自动处理了交易成本的税务预估。
3. 自动化测试： 让模型根据不同的持仓时长（例如是否超过 12 个月以获取 50% 的折扣）编写测试用例。

# 这是一个简化的 CGT 计算逻辑示例，展示模型如何处理税务规则
def calculate_cgt_liability(cost_base, sale_proceeds, holding_period_days):
    capital_gain = sale_proceeds - cost_base
    if capital_gain <= 0:
        return 0
    
    # 澳洲 CGT 特色：持有超过一年可享受 50% 折扣
    discount = 0.5 if holding_period_days > 365 else 0.0
    taxable_amount = capital_gain * (1 - discount)
    return taxable_amount

这次实战让我意识到，现在的 AI 开发已经从“写代码”进化到了“调逻辑”的阶段。所谓的 Vibe-coding，其实就是开发者把精力从语法细节转移到了业务逻辑的架构设计上。如果你也在尝试构建一些带有复杂业务规则的工具，这种“模型驱动逻辑、IDE 驱动执行”的模式非常值得尝试。