一个文科生的 AI 技能更新计划

作者最初对 AI 和编程一无所知，在同事帮助下逐渐学会使用 GPT 等工具进行数据抓取、插件开发等工作。他克服了对代码的恐惧，利用低代码平台解决实际问题，并在不断试错中提升技术能力。面对众多 AI 工具，他建议不要盲目追逐，而是根据具体需求选择合适的工具，并不断尝试和迭代，找到最适合自己的解决方案。这件事揭示了"AI 时代对文科生的真正利好，不是'不需要学技术'，而是'技术的学习成本被重新定价了'"。

一个非常真实的起点。

第一，"最初对 AI 和编程一无所知"。第二，"克服对代码的恐惧"。第三，"在同事帮助下"。第四，"'恐惧'——这"是"真正"的"门槛"，不"是""语法""。第四,""这"和"上一"篇"讲"的""非工程师验收 AI 代码（想清楚该验证什么）"是"同"一"个"问题""。

这四条——说明"心理门槛"比"技术门槛"更"先"出现""。

二、工具选择的策略

一组非常具体的建议。

第一，"不要盲目追逐众多 AI 工具"。第二，"根据具体需求选择合适的工具"。第三，"不断尝试和迭代"。第四，"'不盲目追逐'——这"是""最"难"做到"也"最"有用"的"建议""。第四,""这"和"上一"篇"讲"的""AI 时代（从抢活到当总监）"是"同一"个"取舍""。

这四条——说明"选"比"多"更"重要""。

三、我的评价

这个选题我的判断是：它的价值不在于"一个文科生学会了 AI"这个故事，而在于它诚实地记录了"学习成本被重新定价"这个过程——而这个过程里有一个环节被普遍高估，也有一个环节被普遍低估。

先说被高估的：学编程。

这个案例最该被注意到的，是作者最后真正做的事——数据抓取、插件开发。但这些事在 AI 出现之前，一个文科生要独立完成几乎不可能。 而现在能了。

所以真正发生的变化不是"文科生变成了程序员"，而是"编程从一门需要长期专门训练的语言，变成了一种可以用自然语言描述意图、并通过试错修正的工具"。 这跟上一批讲的"AI 副业六赛道：零门槛赛道竞争最激烈、最易同质化"是同一个结构——当生产工具的门槛塌了，进入门槛就不再是壁垒，而"进入之后的差别"才成为壁垒。

而这一点有一个非常实用的推论： 对文科生来说，现在最值得学的不是语法，而是"如何把一个真实需求描述清楚，让 AI 帮你实现，并且验证它做对了"。 因为前两件事 AI 包办了，第三件事 AI 帮不了——而第三件事恰恰是上一批讲的"非工程师验收 AI 代码"的核心： 执行不了的标准等于没有标准。 上一批讲的"LLM 前置知识：过拟合与欠拟合"也提供了诊断工具： AI 做得平庸，通常是欠拟合（描述不够具体），需要补上下文；AI 胡说，通常是过拟合或约束不足。

再说被低估的：试错。

这一篇反复出现"试错"和"迭代"，但我觉得它被讲得太轻了。 因为试错在 AI 时代是一件性质完全变了的事。

在 AI 之前，试错的成本是"时间"——写一行代码、跑一次、看报错、再改。这个循环很慢，所以人倾向于"先想清楚再动手"。 而在 AI 时代，这个循环的时长从"小时"压缩到"分钟"。 而这个压缩带来的不只是效率，它还改变了最优策略：

当试错足够便宜时，"先想清楚"的收益会下降，而"先跑起来看"的收益会上升。 因为"想清楚"的价值取决于"想错之后要改的成本"——成本高时，前期思考划算；成本低时，前期思考的边际价值被稀释了。

这跟上一批讲的"我的学习方法：先行动再想通，用行动倒逼认知"是同一个结论，但它给出了一个更深的解释：不是"行动型学习者"更勇敢，而是"他们所处的成本结构变了"。

不过我认为这一篇还有两个更重要的缺口，而这两个缺口恰好是这个故事最值得追问的地方。

第一个缺口：它没有讲"做出了什么东西、能不能被别人用"。

因为"我自己能用"和"这是一个可交付的东西"之间有一道巨大的鸿沟。 具体说：一个文科生用 AI 给自己做了一个数据抓取脚本，这解决了自己的问题，节省了自己的时间——但这在职业市场上几乎不构成任何价值，因为"给自己省时间"不产出可交换的成果。 而真正能变成资产的，是"我做的这个东西别人也在用"。

这跟上一批讲的"原创团队：完整体验比单点设计更难被复制"和"AI 副业：能跑通不等于能长大"是同一个结构。 上一批讲的"个人知识库：换一个 AI 工具还能读懂，才算资产"在这里也适用——一个绑死在你自己工作流里的脚本，严格说是个性化便利，不是资产。

第二个缺口，也是我觉得最重要的一个：这一篇没有讲"文科生的真实优势在 AI 时代是什么"。

我认为答案不是"文科生不需要学技术了"，而是三件事：

• • 领域知识的深度——因为上一批讲的"AI 副业：能跑通不等于能长大"和"文科学技能更新"这一篇本身都指向同一个现实：技术门槛塌了之后，能赢的人赢在"知道真问题是什么"。 而知道真问题需要领域积累。
• • 表达能力——上一批讲的"我的学习方法"里说作者"不擅长表达但执行力强"，所以跳过了费曼法。这恰恰说明表达能力是一个真实差异——而在 AI 时代，描述能力（把需求说清楚、把结果讲给别人）的价值上升了，因为它直接决定了你和 AI 的协作效率。
• • 判断力的价值——上一批讲的"三样不可复制的资产"里，阅历和认知都不是技术能力。

所以更完整的表述是：AI 把"实现"的成本压到接近零，于是"定义问题"和"判断结果"这两件事的价值被相对放大了——而这两件事，从来不是技术岗的专利。 这跟上一批讲的"AI 重构职场：35 岁不再是淘汰线，因为判断力成了稀缺资产"是同一条逻辑在个体层面的展开。

最后我想提一个观察：这个选题的原始素材是一份个人经历分享，而它最有价值的信息，恰恰是那些"不体面"的部分——对代码的恐惧、请教同事、试错、不知道该选哪个工具。 而这些恰恰是最容易被"成功学"叙事清洗掉的部分。 上一批讲的"人物稿只呈现成功不呈现代价"，讲的是同一件事。 而我认为对读者来说，"原来需要请教同事、需要试错很多次"这种信息，其实比"他学会了"更有用——因为它让读者知道真实的路径长度，而不是误以为这是一个顺手的过程。**

六、给非技术背景的人的四条建议

第一，""技术门槛"塌了，"描述能力"和"判断能力"相对变贵了"。第二,""试错"从"奢侈品"变成"最优策略"，因为"循环"从"小时"变"分钟""。第三,""自己做"≠"可交付"——"能被别人用"才是"资产""。第四,""AI"时代文科生的"优势"是"领域深度 + 表达能力 + 判断力"，不"是""不用学技术""。

这四条——是能直接用的。

七、潜在挑战

不过这个案例也有它的边界。第一，""个人经历"可能"不"具"代表性"。第二,""低代码平台"可能"有"平台"锁定"问题"。第三,""没"讲"合规""版权""数据"安全""。第四，""文科生"的"定义"在"AI 时代"可能"本身"在"移动""。

八、反面观点

不过这个判断也可能过于乐观。第一，""技术门槛"降低"可能"只是"把"门槛"推迟"到"更后期""。第二,""AI"生成"代码"的"维护成本"可能"反而"更高"。第三,""领域知识"可能"也"被"AI"部分""侵蚀""。第四，""文科生"可能"更"需要""结构性"支持"，"而"个人""故事"给"不"了""。