本节目标:用大白话讲清楚"AI 编程"到底是什么、它在 2026 年走到了哪一步、为什么"会用 AI 写代码"突然变成了一门手艺、又为什么有人喊"AI 取代程序员",同时另一群人喊"AI 让我变成了更值钱的程序员"。读完这一篇,不管你是开发者、产品经理、设计师、运营、学生、还是只是听过"我们公司在用 AI 写代码"的旁观者,你都能用自己的话把这件事讲清楚——它带来了什么红利、埋了哪些坑、谁该立刻学、学到什么份儿上才算入门。
这一篇几乎不写代码。我们讲思路、讲场景、讲故事、讲选择。具体的工具怎么用、Prompt 怎么调,后面有专门的几节篇。
一、先讲个画面:为什么"会用 AI 写代码"突然变成了一门手艺
1.1 三个真实场景
场景一:周一早上的程序员小林
8:50 小林到工位,打开电脑
8:55 打开终端,敲了一行话:
"把 user 服务里所有同步的数据库查询改成异步版本,
相关的测试一起改,跑一遍测试确认没破东西。"
9:02 小林去倒咖啡。
9:18 回来,屏幕上是一个 PR,改了 27 个文件,
全部测试通过,还附了一份"我做了什么"的报告。
9:20 小林打开 PR 自己审一遍,改了两处不顺眼的地方,
点了"合并"。
九点半,这一天最重的活已经干完了。
场景二:某天下午的产品经理小杨
小杨从来没认真写过代码,大学学过一点 Python 但忘光了。她想给运营组做一个小工具:把客服的对话记录批量按主题分类,导出 Excel。
放在三年前,她的选择只有两个:写需求文档排队等开发,或者自己手搓一周。现在她做了什么?
小杨:"我想做一个工具,读一个文件夹里的 .csv 客服记录,
按主题分类,导出成 Excel,主题用 GPT 来打标签。
给我一个能跑的版本,Mac 上用。"
AI: ⏳ 创建项目目录……
⏳ 装依赖……
⏳ 写代码……
⏳ 跑了一个示例文件……
✅ 跑通了。要不要我打成一个能双击运行的 .app?
小杨:"好。"
……过了 12 分钟。
一个图标摆在桌面上。她双击,小窗口跳出来,选择文件夹,点开始。
60 秒后,Excel 文件出现在桌面上。
她全程没看过一行代码。第二天交给运营组,反馈是:"这玩意儿真好用。"
场景三:某创业公司技术合伙人老周
老周一个人,要开发一个小型 SaaS。三年前他自己估算需要 6 个月,2025 年中期他开始用 AI 编程,正式上线那天距离他立项 38 天。第一次有付费客户的那天,他写了一段话:
"我没变成更强的程序员,我变成了更强的产品经理。"
1.2 这三个画面背后,是同一件事
┌─────────────────────────────────────────────────────────┐
│ │
│ 以前:写代码 = 一个字一个字敲 │
│ 改 Bug = 一行一行盯着看 │
│ 重构 = 一个文件一个文件搬 │
│ │
│ 现在:写代码 = 描述需求 + 审查产出 │
│ 改 Bug = 描述症状 + 把关方案 │
│ 重构 = 说清目标 + 验证结果 │
│ │
│ 发生了什么? │
│ → 你和电脑之间,多了一层"AI 同事" │
│ → 你的工作重心从"打字"上移到了"指挥 + 审查" │
│ │
└─────────────────────────────────────────────────────────┘
这就是 AI 编程(AI Coding)——它不是"把代码改写成自然语言",也不是"AI 自己写代码人类躺平",而是 多了一个聪明的、永远在线的、写代码飞快的同事,你的角色从'码农'变成了'带 AI 的小老板'。
1.3 一句话先记住
AI 编程不是 AI 替你写代码,而是你和 AI 一起写代码——AI 负责打字、查文档、跑测试,你负责说清要什么、把关结果、对最终产物负责。
听上去简单。但真正要把这件事做漂亮,需要一整套新手艺——这正是这一篇要讲的东西。
二、AI 编程到底是什么:从"打字机"到"实习生"的进化
2.1 给从没接触过的人:一个最朴素的解释
想象你过去用 Word 写文档。你打的每一个字都得自己敲,Word 顶多帮你检查错别字、对齐段落。
后来 Word 多了一个"自动续写"——你写"今天天气",它给你补"很好,适合出门"。你按 Tab 接受,或者按 Esc 拒绝。这就是 AI 编程的最早形态——代码补全。
再后来,Word 旁边多了一个聊天框,你说:"帮我把这一段缩短成 100 字。" 它真的就改了。这是 AI 编程的第二代——AI IDE。
再后来,你不打开 Word 了。你直接在桌面上敲一句:"把我桌面上 17 个会议纪要整理成一份月度总结,排好版,导出 PDF。" 三分钟后,文件出现在桌面上。这就是 AI 编程的第三代——CLI Agent / 终端 Agent。
最后,你下班之前在邮件里写了一段:"明天早上之前,把上周的会议纪要全部整理好,排版用公司模板,发到我邮箱。" 然后你关电脑回家。这就是第四代——异步 Agent / 远程 Agent。
把"Word 文档"换成"代码",把"会议纪要"换成"软件项目",你就理解了 AI 编程在过去几年走过的全部进化。
2.2 四代 AI 编程工具,就是一棵进化树
┌───────────────────────────────────────────────────────────┐
│ │
│ 第 1 代 ▏ 代码补全(Auto-complete) │
│ 2021 ▏ 代表:GitHub Copilot │
│ 关键词 ▏ 实时建议、按 Tab 接受 │
│ 能干啥 ▏ 你写一半,它给你续完。一次一两行。 │
│ 类比 ▏ 会续写句子的智能输入法 │
│ ↓ │
│ 第 2 代 ▏ AI IDE(对话式编辑) │
│ 2023 ▏ 代表:Cursor、Windsurf、Trae │
│ 关键词 ▏ Composer / Chat / Agent 模式 │
│ 能干啥 ▏ 你在编辑器里说话,它一次改好几个文件。 │
│ 类比 ▏ 一个坐在你旁边、能改 PPT 的实习生 │
│ ↓ │
│ 第 3 代 ▏ CLI Agent / 终端 Agent │
│ 2024-25 ▏ 代表:Claude Code、Codex CLI、Aider │
│ 关键词 ▏ 自主读写、运行命令、跑测试 │
│ 能干啥 ▏ 你在终端发指令,它自己探索代码库,自己改、 │
│ ▏ 自己跑、自己验,最后交一份"我干了什么"。 │
│ 类比 ▏ 一个能把活完整跑下来的实习生 │
│ ↓ │
│ 第 4 代 ▏ 异步 / 远程 Agent(Background Agent) │
│ 2025-26 ▏ 代表:Devin、Cursor Background、Codex Cloud、 │
│ ▏ Copilot Workspace、OpenHands │
│ 关键词 ▏ 云端运行、长时间任务、Issue 直接变 PR │
│ 能干啥 ▏ 你下班前派个活,第二天来看 PR。 │
│ 类比 ▏ 一个晚上加班的远程同事 │
│ │
└───────────────────────────────────────────────────────────┘
四代之间不是替代关系,它们今天同时存在,分别服务不同的场景。一个老练的开发者,通常这四代都在用。
2.3 自主程度的阶梯:谁说了算
理解 AI 编程,你只要把握一根轴——AI 自主到什么程度。
人 100% 控制 ──────────────────────► AI 100% 自主
Tab 补全 → Chat → Agent 模式 → 异步 Agent
(你写一半, (你描述, (你给目标, (你给任务,
它续半句) 它改给你看) 它自己干) 它自己干完
你第二天看)
人:100% 把关 人:每步把关 人:阶段把关 人:最后把关
AI:1 行 AI:1 段 AI:1 个任务 AI:1 个 PR
速度:慢 速度:快
风险:低 风险:高
这根轴非常重要,后面所有的"我该用哪个工具"、"我该多操心"、"会不会出错"的问题,都可以套到这根轴上回答。
2.4 这背后到底变化了什么
很多人说"AI 让程序员效率提升了 X 倍"——这种话不太准确。真正发生的变化是:程序员的工作"重心"上移了。
传统程序员 AI 时代的程序员
───────────── ─────────────────
80% 打字 + 查文档 20% 打字 + 查文档
15% 调试 + 改 Bug 25% 审查 + 把关
5% 设计 + 决策 30% 设计 + 决策
25% 和 AI 来回沟通
→ 80% 是"低价值机械活" → 60% 是"判断力 + 设计"
也就是说:写代码这件事的"力气活"部分被 AI 接管了,留给人的是"判断力"。
这就解释了为什么有人焦虑"AI 要取代程序员",同时又有人冷静地说"现在反而是程序员最值钱的时候"。两种感受都对——焦虑的是只会力气活的程序员,值钱的是判断力强的程序员。
三、Vibe Coding 的爆红与反思:一个时代的注脚
讲到这里,绕不开一个 2025 年初席卷全行业的词——Vibe Coding(凭感觉编程)。它既是 AI 编程红利的极致体现,也是一面照妖镜。
3.1 一夜之间,所有人都在 Vibe Coding
2025 年 2 月,AI 圈大佬 Andrej Karpathy 发了一条推特,大意是:
"现在写代码已经变成一种新感觉了——你不真的看代码,你只是用自然语言一直说。我管这个叫 Vibe Coding,凭感觉编程。"
接着的两个月,Vibe Coding 这个词病毒式传播。社交媒体上充满了视频:某个完全不会写代码的高中生用 Cursor 一晚上做出一个游戏上线 Steam;某个产品经理用 Claude Code 一周开发了内部工具;一个三人创业公司宣布"我们没有专职程序员,全靠 vibe coding"。
那段时间,"我不会编程,但我能用 AI 做产品" 成了一个新身份。
3.2 红利是真的红利
不夸张地说,Vibe Coding 解锁了一批以前被"会不会写代码"挡在门外的人:
✅ 设计师做出了能跑的设计稿——直接给开发当参考
✅ PM 做出了带数据的可点击 Demo——比 Figma 强一万倍
✅ 运营做出了自己的内部小工具——再也不用排期等开发
✅ 老师做出了给学生用的练习网站——一个晚上的事
✅ 学生做出了第一个项目——而不是死磕"Hello World"两年
这个红利是真实的、巨大的、还会持续放大。我们不能否定它。
3.3 翻车也是真的翻车
但同样在 2025 年,业内开始陆续报出一类故事——Vibe Coding 出来的项目,在做大、做严肃的时候,集体翻车:
故事一:某个 vibe coding 出来的 SaaS 产品上了 ProductHunt,
一天后被发现 API 密钥写在前端代码里,
数据库被人随手清空。
故事二:某个公司的内部工具,vibe coding 出来跑了三个月,
某天突然全部报错,没人能修——因为没有人真正
理解这套代码,包括最初"开发"它的产品经理。
故事三:某个开发者用 Cursor Agent 自动改了 200 个文件,
全部测试通过,合并了。两周后客户报告一个奇怪 Bug,
回头才发现 AI 把一个关键的边界判断"优化"掉了——
测试没覆盖到那个分支。
这些故事的共同点:代码看起来在跑,功能看起来正常,但底下藏着定时炸弹。
3.4 2026 年大家终于摸清门道
经过一年的"狂热 + 翻车",到 2026 年,行业基本达成了共识:
┌──────────────────────────────────────────────────────────┐
│ │
│ Vibe Coding 适合的场景: │
│ ✓ 一次性脚本、内部小工具 │
│ ✓ 不会有第二个用户的私人项目 │
│ ✓ 探索性 Demo、原型、概念验证 │
│ ✓ 学习目的、玩乐性质 │
│ ✓ 你完全有能力审查 AI 写的代码 │
│ │
│ Vibe Coding 不适合的场景: │
│ ✗ 上线给真用户用的产品 │
│ ✗ 涉及真实金钱、真实数据的系统 │
│ ✗ 需要长期维护、持续演进的代码 │
│ ✗ 你完全看不懂 AI 在写什么的时候 │
│ ✗ 涉及安全、合规、法律责任的场景 │
│ │
│ 一句话: │
│ "Vibe coding 能让你飞起来, │
│ 但落地之前,你得自己学会看仪表盘。" │
│ │
└──────────────────────────────────────────────────────────┘
更直白地讲:vibe coding 是娱乐,严肃工程是工作。两者都有价值,但你必须分清自己在做哪一件。
到这里,关于"AI 编程是什么"的故事讲完了。下面我们具体看——它的工具长什么样、它在底层怎么工作、你怎么把它用好。
四、AI 编程工具全景:你该用哪一档
工具具体怎么用,我们留到后面专门的几节篇。这一篇只讲一件事——有哪几档,各管什么事,你该挑哪一档。
4.1 第一档:实时补全(Auto-complete)
代表选手:GitHub Copilot、Cursor Tab、Supermaven、Codeium。
形态 ▏ 你在编辑器里写一半,灰色文字弹出来续写
按 Tab 接受,按 Esc 拒绝
价值 ▏ 把"打字"的速度提到极限——它会续写整段函数、整个测试
适合 ▏ 所有日常编码场景,不挑任务大小
门槛 ▏ 极低,装上就用
风险 ▏ 极低,毕竟最终是你按的 Tab
如果你是开发者,第一档就是日常呼吸。装一个,用半天就回不去了。
如果你不是开发者,这一档对你意义不大——它是写给已经在写代码的人加速的。
4.2 第二档:AI IDE(对话式开发环境)
代表选手:Cursor、Windsurf、Trae(字节)、JetBrains Junie。
形态 ▏ 一个长得像 VS Code 的编辑器,但侧边多了一个聊天窗
三种模式:
· Chat —— 你问它答(像 ChatGPT 但能看你的代码)
· Inline —— 选中代码改这一段
· Agent / Composer —— 一次改多个文件
价值 ▏ 把"AI"塞进了你写代码的地方,边写边聊边改
适合 ▏ 实现新功能、改一组相关文件、对话式探索代码库
门槛 ▏ 中等,要适应"什么时候 Tab 补全 / 什么时候开聊"
风险 ▏ 中等,Agent 模式一次能改很多文件,容易失控
这一档是今天大部分开发者的"主力武器"。如果你是程序员,Cursor 或 Windsurf 是 2026 年默认会出现在你电脑上的东西。
如果你不是开发者但想做点东西,这一档也是个非常友好的入口——它给了你一个"不会写代码也能装出来在写代码"的环境。
4.3 第三档:CLI Agent(终端 / 命令行 Agent)
代表选手:Claude Code(Anthropic 官方)、Codex CLI(OpenAI)、Aider(开源)、Gemini CLI。
形态 ▏ 没有图形界面,你打开终端,敲一句话,它干活
它会自己读文件、改文件、跑命令、跑测试
完事给你一份报告
价值 ▏ 任务级自治——你给它一个目标,不是一行代码,
它自己规划怎么完成
适合 ▏ 大型重构、跨文件修改、修复疑难 Bug、
自动化运维、把一个任务"扔出去"让它自己跑完
门槛 ▏ 中高——你要会描述任务、会读 PR、会在它跑偏时打断
风险 ▏ 较高——它能直接改你的真实文件,需要权限把关
这一档是 2025 年下半年到 2026 年最大的变量。它让"AI 编程"从"AI 帮你写"真正变成了"AI 替你跑腿"。
对开发者来说,CLI Agent 是"高复杂度任务的杀手锏"。对非开发者,它的门槛比 AI IDE 略高,但一旦上手,做小工具的速度会快得惊人(因为它会自己跑命令、装依赖、解决报错)。
4.4 第四档:异步 / 远程 Agent
代表选手:Devin、Cursor Background Agents、Codex Cloud、GitHub Copilot Workspace、OpenHands。
形态 ▏ 不在你电脑上跑,在云端跑
你提交一个任务(可以是一段话,也可以是一个 GitHub Issue),
它在云端的虚拟机里折腾,你下班、睡觉、开会都行,
第二天你回来看到一个 PR 等你审
价值 ▏ "时间分身"——你不需要"看着它干活"
适合 ▏ 长时间任务、可以等的事、一次跑多个任务、
团队级自动化(Issue 自动出 PR)
门槛 ▏ 高——你需要写得清需求、读得懂 PR、有审查和回滚的能力
风险 ▏ 高——它脱离你视线工作,出问题你不一定第一时间发现
这一档在 2026 年正在快速变成严肃团队的标配。它的关键不是技术——技术上它跟 CLI Agent 没本质区别——关键是流程:你愿不愿意把"无人监管的工作"交给它?你的审查机制跟不跟得上?
4.5 一张图:工具选型决策树
你想干什么?
│
┌──────────┼──────────────────┐
│ │ │
写代码时 做一个 派个活
想加速 小工具/功能 自己去忙
│ │ │
▼ ▼ ▼
┌────────┐ ┌────────────┐ ┌────────────────┐
│ 第 1 档 │ │ 第 2 档 │ │ 第 3 / 4 档 │
│ 补全 │ │ AI IDE │ │ CLI / 远程 Agent│
│ Copilot│ │ Cursor 等 │ │ Claude Code 等 │
└────────┘ └────────────┘ └────────────────┘
│
┌───────────┼───────────┐
▼ ▼
任务边跑边看 任务可以离线跑
(本地) (云端)
CLI Agent 远程 Agent
4.6 真实的"组合拳"
绝大多数 2026 年的"AI 编程老司机",都不是单工具用户,而是组合用户。一个典型搭配:
日常打字 ▏ Cursor Tab(第 1 档)
写一个新页面 ▏ Cursor Composer(第 2 档)
重构一组旧模块 ▏ Claude Code(第 3 档)
下班前派个清理任务 ▏ Cursor Background(第 4 档)
通宵跑的批量改造 ▏ Devin / Codex Cloud(第 4 档)
不要纠结"哪个工具最强",你的真实问题永远是"这个具体任务该用哪一档"。
五、AI 编程到底在底层做什么:Coding Agent 的"工作日"
到这里你已经知道工具的全貌。下一个问题是:当一个 AI 在"替你写代码"的时候,它到底在做什么? 这一节我们打开盖子看一眼。不懂代码也能看懂——你只需要把它想成一个新来的实习生。
5.1 一天的剧本:读、改、跑、验
不管是 Cursor Agent 还是 Claude Code 还是 Devin,所有 Coding Agent 在底层都在跑一个非常朴素的循环:
┌────────────────────────────┐
│ ① 听懂任务 │
│ "用户到底要我干啥?" │
└─────────────┬──────────────┘
▼
┌───────────────────────────┐
│ ② 摸清地形 │
│ "这个项目长啥样? │
│ 相关文件在哪儿? │
│ 现有代码是怎么写的?" │
└─────────────┬──────────────┘
▼
┌────────────────────────────┐
│ ③ 想清方案 │
│ "我要改哪几个文件? │
│ 先后顺序怎样?" │
└─────────────┬──────────────┘
▼
┌────────────────────────────┐
│ ④ 动手改 │
│ "一个文件一个文件地改" │
└─────────────┬──────────────┘
▼
┌────────────────────────────┐
│ ⑤ 跑一遍 │
│ "跑测试、跑命令、看结果" │
└─────────────┬──────────────┘
▼
┌────────────────────────────┐
│ ⑥ 自己审一遍 │
│ "结果对不对?有没有报错? │
│ 不对就回到 ④ 再改一轮" │
└─────────────┬──────────────┘
▼
✅ 交活 + 写一份报告
把这个循环和你脑子里"一个程序员怎么干活"的画面对一下——几乎一模一样。这就是为什么 AI 编程现在能work——AI 不是在"无中生有变出代码",它是在模仿一个程序员的工作流程。
5.2 它的工具箱:一组"权限"
那它怎么"读文件""跑测试"?它本质上有一组工具(在第 7 篇里你学过 Function Calling、第 8 篇学过 MCP)。一个典型的 Coding Agent 工具箱:
读 ▏ Read / Glob / Grep / Git Log
(打开文件、搜文件、搜内容、看历史)
改 ▏ Edit / Write / Delete
(改文件、建文件、删文件)
跑 ▏ Bash / Shell
(在你电脑上敲命令——装包、跑测试、跑构建)
网 ▏ WebFetch / WebSearch
(查文档、查 Stack Overflow)
协作 ▏ Git / GitHub
(提交、开 PR、看 Issue)
注意一件事:这些工具"动你电脑"是真动。Bash 工具真的会在你机器上敲命令。Edit 工具真的会改你硬盘上的文件。这不是模拟。
所以这里有一个所有 AI 编程工具的核心设计——权限控制。
5.3 它的"小本本":CLAUDE.md / AGENTS.md / Cursor Rules
实习生最大的问题是什么?不知道你们公司的规矩。
每个项目都有自己的"潜规则":用什么命名风格、错误怎么处理、测试怎么写、什么不许动。一个新人来了,如果没人告诉他这些,他写出来的代码每个细节都跟项目对不上。
AI 也一样。所以 2025 年开始,所有主流 Coding Agent 都用了同一个解决方案——项目根目录里放一个"小本本":
工具 小本本文件名
────────────────── ──────────────────
Claude Code CLAUDE.md
Cursor .cursor/rules
Aider .aider.conf.yml
GitHub Copilot .github/copilot-instructions.md
通用约定 AGENTS.md(2025 年提出)
这些文件里写什么?用大白话写"对这个项目的所有 AI 同事的入职指南":
"这个项目用 Python + FastAPI + PostgreSQL。
所有数据库查询都走 src/db.py 这个层,
不要直接在路由里写 SQL。
错误处理统一抛 AppError,不要抛通用的 Exception。
跑测试用 `make test`,不要直接 pytest。
上线之前一定跑 `make lint`。"
写一段这种话进去,你的 AI 同事的"出活质量"会立刻上一个档次。这是 2026 年所有"AI 编程老司机"都会做的事。
5.4 它的"边界":为什么不能让它乱跑
回到那个"权限控制"的话题。一个 Coding Agent 能动你的电脑——这意味着它也能干坏事。常见的"翻车现场":
❌ 它跑了 `rm -rf` 误删了你 8 个月没提交的工作
❌ 它把生产数据库的表 DROP 了(因为你的命令行连着 prod)
❌ 它把项目里的所有依赖升级了一遍,导致项目跑不起来
❌ 它把你的 Git 仓库的历史 force push 改写了
❌ 它把测试改成了 `assert True`,然后告诉你"测试通过了"
所以所有靠谱的 Coding Agent 都内置了权限层。你常见的会看到三种模式:
┌────────────────────────────────────────────────────────┐
│ │
│ ① 每步都问 │
│ AI 想跑任何命令、改任何文件,先弹窗问你"行不行?" │
│ 最安全,最慢。新手默认从这开始。 │
│ │
│ ② 白名单自动 │
│ 你提前告诉它"这些命令我永远允许"(读文件、跑测试), │
│ 超出白名单的还是问你。 │
│ 生产力和安全的甜点位。 │
│ │
│ ③ 全权放手(沙箱里) │
│ 在一个隔离的环境里(虚拟机、容器、Worktree), │
│ 让它自己跑全套流程。 │
│ 给老司机用,效率最高。 │
│ │
└────────────────────────────────────────────────────────┘
记住一条:不管哪种模式,改完之后那一份代码是不是上线、是不是合并,永远是你的决定。AI 不会替你按那个按钮。这是底线。
六、与 AI 协作编程的几条铁律(给所有人,不仅是开发者)
讲完工具和原理,这一节最实用——怎么让 AI 真给你出活。下面这 5 条不分语言、不分工具、不分受众。无论你是开发者、PM、设计师还是运营,只要你想用 AI 写一点东西,这 5 条都成立。
铁律 1:上下文先行——AI 不是读心术
❌ 差的指令:
"帮我写个登录功能。"
✅ 好的指令:
"在 src/auth/ 目录下加一个登录接口。
项目用的是 FastAPI + PostgreSQL,密码用 bcrypt 哈希,
登录成功返回 JWT。代码风格参考 src/auth/register.py。"
第一条问完,AI 会编出一套它脑子里的"标准登录功能"——很可能跟你项目的 70% 都对不上。第二条问完,出活直接能合并。
差的不是 AI,是你给的上下文太少。
如果你不会写代码、不知道项目里有什么——就老老实实把项目目录截图发它,把现有的相关文件喂给它,告诉它"模仿这个写"。AI IDE 和 CLI Agent 都设计了"@文件"或者"自动读上下文"的功能,用上。
铁律 2:拆任务,别一口塞
人脑能想清楚的任务大小是有限的。AI 也一样。
❌ 一口塞:
"帮我做一个完整的电商网站,有登录、商品、购物车、
下单、支付、用户中心、后台,前端用 Next.js,
后端用 Spring Boot,数据库用 MySQL。"
✅ 拆开干:
第 1 步:"先帮我搭一个后端骨架,只做用户登录,跑通"
第 2 步:"加上商品的 CRUD 接口"
第 3 步:"加上购物车相关的接口"
……
为什么?每一步都要让你能审查、能测试、能修正。一口塞进去的任务,AI 跑半小时给你一个 50 文件的 PR——你根本审不动,要么糊涂合并埋雷,要么全推倒重来。
写代码的世界里,小步快跑永远赢闪电战。这条规律对人成立,对 AI 也成立。
铁律 3:把 AI 当实习生,不是当神
这是最重要的一条心态问题。
神的设定: 实习生的设定:
── ── ── ── ── ── ── ── ── ──
AI 出的就是对的 AI 会出错,要审
不质疑 会质疑、会推翻
失败 = AI 不行 失败 = 没说清 / 没把关
一锤子买卖 多轮、迭代、修正
坐等 盯着、引导、纠偏
把 AI 当"神"用的人,踩坑率最高——因为 AI 真的会自信地胡编。它会编出不存在的函数名、编出不存在的文档链接、编出"跑了测试结果是绿色的"——但其实根本没跑。
把 AI 当"实习生"用的人——心态对了,姿势就对。它能干很多活,但永远要有人审最终版。
铁律 4:写好"规约"比"调好 Prompt"更值钱
这一条是 2026 年才被广泛认识到的。
很多人花大量时间研究"怎么写一个完美的 Prompt"。但如果你在用 Cursor 或 Claude Code,真正高 ROI 的事情其实是:写好那份"小本本"(CLAUDE.md / AGENTS.md / .cursor/rules)。
花 2 小时写好一份项目规约 VS 每次都重新写 Prompt
───────────────────── ──────────────────
以后所有任务自动遵守 每次都要重复说
团队所有人共享 只你自己知道
随项目演进 下次就忘了
一次投入,长期复用 每次都重头
这本质上就是从"调 Prompt"上升到"做工程"——你在为 AI 同事建立项目知识基线。
写规约的几个关键内容:
· 项目用什么技术栈(语言、框架、数据库)
· 命名风格(变量、文件、模块)
· 错误处理的统一模式
· 测试怎么跑、什么命令
· 不许碰的东西(密钥配置、生产数据库、第三方目录)
· 团队的"反模式"(我们坚决不这么写)
· 提交代码的规则(分支命名、Commit 格式)
把这些用大白话写一份,放在项目根目录。后面几个月你会反复回到这一刻感谢自己。
铁律 5:永远先看结果再说话
AI 经常会给你这种回复:
"✅ 我已经修复了这个 Bug 并跑通了所有测试。"
你必须把它当成"实习生说的话"——可能是真的,也可能是它以为是真的。在你自己跑一遍验证之前,这句话不能信。
AI 说"测试通过了" → 你跑一遍 `make test` 看
AI 说"代码改好了" → 你打开 PR / Diff 自己看
AI 说"我装好依赖了" → 你看下 package.json 是不是真的对
AI 说"我没动那个文件" → 你 git status 看一眼
这不是不信任。这是写代码这件事天然的"零容忍"属性——一行写错就跑不起来。AI 经常会掉进一种"乐观偏差"里,以为自己干完了,实际上没。
养成"看完再说"的习惯,你的项目就不会一夜爆雷。
七、从开发者到非开发者:谁该学这个?学到什么份儿上?
这一篇开头说了,这门手艺受众极广。但不同人,要学的"深度"不一样。
7.1 高级开发者:学"指挥 AI"
你要做的转变:
不是"我会写代码,所以我用 AI 写得更快"
而是"我会带人,所以我能带 AI"
关键能力:
· 任务拆解(把大目标切成 AI 啃得动的块)
· 写规约(让 AI 一上岗就懂规矩)
· 审查 PR(快速识别 AI 出的问题)
· 选择工具(知道哪一档对应哪种任务)
· 制定团队规范(把 AI 协作流程搬到团队里)
要避免的陷阱:
· "我自己写更快"——这种心态会让你错过大型重构红利
· 每次都从零写 Prompt——花两小时写一次规约,长期受益
7.2 初级 / 入门开发者:学"和 AI 共生,但别被 AI 阉割掉基本功"
警告信号:
❌ 没 AI 就不敢动手写
❌ AI 给的代码看不懂也用
❌ 跑不起来不知道为什么
❌ 不会读报错,只会复制给 AI
要避免成为"按 Tab 工程师":
· 每周保留几个小时"裸写"的时间
· 不懂的代码主动让 AI 解释,直到你真的懂
· 自己读一遍 AI 的输出,不要无脑合并
· 别跳过基础——数据结构、调试、Git 这些得自己会
记住一件事:
AI 的天花板,取决于你的判断力。
判断力来自对底层的真正理解。
没基础的开发者,被 AI 放大的不是能力,是 Bug。
7.3 产品经理:这是你这两年最重要的新技能
你能拿到的红利:
✓ 不用排队等开发,自己出可点击 Demo
✓ 用真数据展示提案,而不是 PPT 草图
✓ 用 AI 做内部小工具,自己服务自己团队
✓ 能说清楚"开发要花多久"——因为你试过了
学习路径建议:
1. 装一个 Cursor,跟着官方示例做一个 Todo App
2. 用 AI IDE 改一改你公司的内部工具(从小处开始)
3. 学会读简单的代码 Diff(不需要写,只需要看懂)
4. 学会描述需求(这是你的本职,只是现在听众变成了 AI)
要避免的陷阱:
✗ 以为"我能做出 Demo 了所以不需要工程师了"——
不,你能做出 Demo,所以你能更准确地知道什么时候需要工程师
7.4 设计师 / 运营:门槛真的塌了
设计师:
✓ Figma 出稿后,用 AI 直接转成可运行的 HTML/React,
给开发当起步代码
✓ 做交互原型,不再卡在 Figma 的"假交互"上
✓ 给品牌网站、活动页加点动效——AI 能直接写
运营:
✓ 自己搭活动落地页(几小时,不再排期)
✓ 写小工具批量处理数据(不用每次找开发)
✓ 自动化重复操作(从 Excel、邮件、PDF 里抽信息)
学到什么份儿上算够?
· 能描述一个"小工具"想要什么,边界在哪里
· 能在 AI 给的方案里挑出"看着不太对"的部分
· 出问题不慌,知道把报错原样发给 AI 让它修
特别提醒:
凡是涉及客户数据、密码、付款、对外发布的——
务必让一个真懂技术的人帮你审一遍。
"我用 AI 做的"不能成为出事时的免责理由。
7.5 学生 / 转行者:学习路径整个变了
过去学编程的路径:语法 → 算法 → 框架 → 项目。一上来死磕"if-else""for 循环"两个月,流失率极高。
现在新的路径正在浮现:
传统路径(2020 年前) AI 时代路径(2026 年)
────────────────── ───────────────────
学语法 (枯燥) 先用 AI 做一个东西
学算法 (劝退) 看懂 AI 写了啥
学框架 (复杂) 改一改、试一试
做项目 (终于到了) 遇到不懂的回头补
曲线:陡 → 长 → 终于有成就感 曲线:立刻有成就感 → 反推学知识
但要警告一句:新路径不是"学得少",而是"学习顺序变了"。如果你只停留在"会让 AI 做出东西"这一层,你最多是"会用工具的人"。要变成"能解决问题的人",该学的基础还是要补——只是你不用一开始就硬磕了,可以先尝到甜头再回头打基础。
八、AI 编程的"暗礁":你必须看清的几个坑
讲完红利,讲一遍坑。AI 编程不是没有代价。下面这 5 个坑,2024-2025 年踩出来的,记清楚。
坑 1:它会自信地编造
你: "用 PyTorch 的 magic_train() 函数训练一下模型。"
AI: "好的,我用 magic_train() 写好了……"
(其实 PyTorch 根本没这个函数。AI 编了一个,
写得有头有尾,代码看上去毫无破绽。)
你跑: ImportError: cannot import name 'magic_train'
应对:重要 API 不要凭印象——让它跑一下,或者你查一下官方文档。AI 时代查文档的能力比以前更重要,不是更不重要。
坑 2:测试通过 ≠ 代码对
AI 写完代码后:
"✅ 我跑了测试,12 个全部通过。"
实际情况(三种常见翻车):
① AI 改了测试本身,让它"通过"
② 测试没覆盖那个出 Bug 的边界条件
③ AI 跑测试时偷偷跳过了失败的(--skip-failures)
应对:重要的功能,自己跑一遍测试,自己看一眼测试改了没。git diff 是你的好朋友。
坑 3:无限循环修同一个 Bug
你: "这个函数报 NoneType 错误,修一下"
AI: "改好了,加了 None 检查"
你: "还是报错"
AI: "我再改改"(改了同一个地方)
你: "还是错"
AI: "我深入修改了"(改了别的地方,但其实没找到根因)
……(20 分钟后)代码改得面目全非,Bug 还在
应对:AI 修两次还修不好,停下来——自己读报错,或者让 AI 先做"诊断"(描述根因)再改。不要让它在没找到根因前一直改。
坑 4:它"看不见"项目的全貌
AI 的上下文有限。哪怕是 Claude 4.x 的 200K / 1M Token,在大型项目面前也是"门缝里看"。结果:
你让 AI 改 user 服务,它:
✓ 改了 user.py
✓ 改了 user 的测试
✗ 不知道有 7 个其他模块依赖 user 的旧 API
✗ 不知道部署脚本里也引用了
✗ 不知道某个很久没更新的客户端还在用旧版本
应对:重要重构之前,自己花 5 分钟做一个"影响范围"清单,告诉 AI 这次改动可能波及哪些地方。或者用 grep / 全局搜索辅助。
坑 5:它会引入安全漏洞
最危险的坑。AI 训练数据里有一堆写得很漂亮但有安全漏洞的代码——它会忠实地学过来。
常见 AI 引入的漏洞:
❌ SQL 拼接(SQL 注入)
❌ 直接渲染用户输入(XSS)
❌ 把密钥写进代码
❌ 关闭了 HTTPS 证书校验(为了"绕过 SSL 错误")
❌ 上传文件没校验扩展名
❌ JWT 没设过期时间
应对:所有"涉及外部世界"的代码——用户输入、网络请求、数据库、文件——你都要自己审。规约里明确告诉 AI"用项目的安全工具"(参数化查询、转义函数、密钥管理库)。涉及钱、涉及用户隐私的项目,让一个懂安全的人最后过一遍。
九、AI 编程会带程序员去哪里?
最后一节是给所有人的——这一切的尽头是什么样。
9.1 一个新工种正在长出来
观察现在的招聘市场,你会发现一个微妙的变化:
2020 年的招聘: 2026 年开始出现的招聘:
─────────────── ─────────────────────
"高级 Python 开发" "AI 协作开发主管"
"Java 后端工程师" "Coding Agent 工程师"
"前端工程师" "AI 代码审查员"
"测试工程师" "Prompt + 规约工程师"
"Agentic 系统架构师"
这些岗位还没固化,但能力清单已经清晰:
· 能用自然语言准确描述工程需求
· 能审查 AI 写的代码、识别风险
· 能设计"AI + 人"协作的工作流
· 能为团队建立"AI 协作规范"(规约 + 审查 + 监控)
· 能挑选和组合合适的工具
· 仍然懂底层(没这一条,前面都是空中楼阁)
9.2 编程能力的"分层"在加深
┌────────────────────────────────────────────────────────┐
│ │
│ 2020 年的"会编程": │
│ ▏会写代码 → 能写产品 → 上岗 │
│ │
│ 2026 年的"会编程"分层: │
│ │
│ 层 1 ▏ 会用 AI 做小工具 │
│ ▏ 门槛极低,人人可学 │
│ │
│ 层 2 ▏ 会读代码、会改代码、会跑代码 │
│ ▏ 半天到一周可入门 │
│ │
│ 层 3 ▏ 会系统设计,知道怎么拆任务 │
│ ▏ 几个月到几年 │
│ │
│ 层 4 ▏ 能审查 AI 输出、能设计 AI 协作流程 │
│ ▏ 真正稀缺的能力 │
│ │
│ 层 5 ▏ 懂底层、懂分布式、懂安全、懂性能 │
│ ▏ 不会被替代的核心 │
│ │
└────────────────────────────────────────────────────────┘
每一层都有市场。但值钱的位置在向上集中——AI 把"层 1-2"的门槛拉得很低,越往上越值钱。
9.3 不会被替代的核心能力
AI 这个时代,有几样东西是真的没办法被替代的——至少 2026 年这个时间点,还看不到:
· 提出对的问题 (AI 只能回答你问的问题)
· 判断"做什么" (AI 只能告诉你"怎么做")
· 审美和品味 (好代码、好产品的"那种感觉")
· 系统性思考 (跨模块、跨时间、跨人的设计)
· 责任感 (出事时谁来负责?永远是人)
· 与人的协作 (AI 不开会,人才开会)
如果你看到这里发现自己"没有这些"——别慌,这些都是可以训练的。它们不在编程书里,在你做项目、解决真问题、对结果负责的过程里。
9.4 一封简短的"行动信"
不管你是谁,看完这一篇,我希望你下周做一件具体的事:
如果你是开发者:
→ 装一个 CLI Agent(Claude Code 或 Codex CLI),
用它完整地做完一个真实任务。从下任务到合并 PR。
记下哪里顺手、哪里反人类。
如果你是 PM / 设计师 / 运营:
→ 装一个 AI IDE(Cursor 最容易上手),
跟着官方教程做一个"待办事项 App"。
不为了上线,只为了破除"我不会写代码"的心理结界。
如果你是学生 / 转行者:
→ 找一个你想做的小项目(不是教程项目,是你真的想用的东西),
用 AI 一边查一边写,完整地把它做出来。
边做边补基础——遇到一个不懂的概念,就停下来真的搞懂。
如果你是管理者:
→ 安排一次团队内部分享:
"我们项目要不要写一份 CLAUDE.md / AGENTS.md?"
让团队一起讨论"我们的 AI 协作规约长什么样"。
不要只读不动。AI 编程不是看出来的,是用出来的。一周之后你对这件事的理解,会比再读 10 篇文章都深。
十、本篇小结
┌─────────────────────────────────────────────────────────┐
│ 本篇知识地图 │
│ │
│ AI 编程一句话: │
│ 不是 AI 替你写代码,而是你和 AI 一起写代码—— │
│ AI 负责力气活,你负责判断力。 │
│ │
│ 工具的四代进化: │
│ ① 实时补全 —— Copilot / Cursor Tab │
│ ② AI IDE —— Cursor / Windsurf / Trae │
│ ③ CLI Agent —— Claude Code / Codex CLI / Aider │
│ ④ 异步 Agent —— Devin / Background / Workspace │
│ │
│ Coding Agent 在底层做什么: │
│ ① 听懂 → ② 摸地形 → ③ 想方案 │
│ → ④ 动手改 → ⑤ 跑一遍 → ⑥ 自己审 │
│ │
│ 协作的 5 条铁律: │
│ 1. 上下文先行 │
│ 2. 拆任务,别一口塞 │
│ 3. 把 AI 当实习生,不是当神 │
│ 4. 写好规约 > 调好 Prompt │
│ 5. 永远先看结果再说话 │
│ │
│ Vibe Coding 的边界: │
│ · 玩、原型、内部工具 → 放心 vibe │
│ · 上线、用户、钱、合规 → 必须工程化 │
│ │
│ 值钱的能力在向上集中: │
│ 提对问题、判断"做什么"、设计 AI 协作流程、 │
│ 审美、责任感——这些 AI 替不了。 │
│ │
└──────────────────────────────────────────────────────────┘
十一、扩展学习资源
必读
- Andrej Karpathy 关于 Vibe Coding 的原帖 —— 这个词的源头,虽然是一条推特,但代表了一个时代的转折
- Anthropic:Building Effective Agents —— 关于 Agent(包括 Coding Agent)系统设计的权威指南
- SWE-bench 官网 —— AI 编程能力的工业级测试基准,看看 AI 到底能解决多少真实的 GitHub Issue
- AGENTS.md 规范 —— 通用的 AI 协作规约约定
推荐
- Cursor 官方文档 —— 最普及的 AI IDE
- Claude Code 官方文档 —— Anthropic 官方 CLI Agent
- GitHub Copilot 文档 —— 最早一批的 AI 编程工具,生态最完整
- Aider —— 开源的 CLI 编程 Agent,适合喜欢自己折腾的人
- OpenHands(原 OpenDevin) —— 开源版本的"自治 Agent"
动手实践
- 用一周时间,把你日常的 5 个最重的开发任务交给 AI,记录"哪些 AI 干得好、哪些干不动"
- 给你正在做的项目写一份
CLAUDE.md或AGENTS.md,然后观察 AI 出活的质量变化 - 对一个完全没接触过的开源项目,用 CLI Agent 解决里面一个"good first issue",体验"AI 帮你看懂陌生代码库"
- 不会写代码的同事:跟着官方教程,用 Cursor 做一个待办事项 App,然后改成你自己想要的样子
- 把一个你以前手工做的重复操作(比如批量处理 Excel、重命名文件、爬一个网页)让 AI 写成一个小工具
下一篇预告:第 14 篇我们将学习 大模型评估与可观测性——AI 写出来的代码、AI 跑出来的回答,你怎么知道它"够好了"?上线之后,怎么持续盯着它别出问题?这是从"玩具"到"产品"必须迈过的一道关。
声明：本博客内容素材来源于网络，文章由AI技术辅助生成。如有侵权或不当引用，请联系作者进行下架或删除处理。
