不会写代码也能搭AI交易系统?金融从业者的Vibe Coding实战路线图

不会写代码也能搭AI交易系统？金融从业者的Vibe Coding实战路线图

四周从零入门，搭建你的第一个AI金融工具

华尔街正在发生什么变化？

2026年春天，一条消息在金融圈炸开了锅：摩根大通宣布其内部AI编程平台LLM Suite已覆盖超过6万名员工，从交易员到分析师，从风控人员到合规审计，几乎每一个岗位都在用AI辅助编写和优化代码。高盛的情况类似，其内部报告显示，AI编程工具的使用使量化策略的研发周期从平均两周缩短到了三天。Two Sigma——全球最顶尖的量化对冲基金之一——更是公开表示，其超过80%的新策略代码是由AI辅助生成的，研究员的主要工作已经从写代码转变为提出假设和验证结果。

这不是科技公司的游戏。这是金融行业正在发生的结构性变革。

更引人注目的是金融科技公司的动作。iBusiness在2026年初推出了iBuild——一个专门为金融机构设计的Vibe Coding平台。它不是简单的代码生成工具，而是在底层集成了金融数据API、合规检查引擎和风控模型，让金融从业者可以用自然语言描述需求，自动生成符合监管要求的金融应用。一个合规部门的员工可以告诉iBuild「帮我做一个反洗钱交易监控Dashboard，数据源接交易系统API，规则参照最新的反洗钱指引」，iBuild就能在几小时内生成一个完整的监控系统——包括数据接入、规则引擎、可疑交易预警和审计日志。

还有一个在社交媒体上被疯传的案例。一位Reddit用户详细记录了自己如何用Vibe Coding工具和50美元的启动资金，在48小时内搭建了一个加密货币套利机器人，最终赚到了2980美元——投资回报率高达5860%。虽然这个案例的可复制性存疑（加密市场的波动性极大，48小时的样本也太短），但它至少说明了一件事：AI编程工具正在大幅降低金融工具开发的门槛，让个人投资者也能做到以前只有机构才能做的事情。

面对这样的趋势，金融从业者有两个选择：要么主动拥抱，把Vibe Coding变成自己的效率武器；要么被动等待，看着越来越多的同行用AI工具甩开你的效率差距。本文将提供一条从零开始的完整路线图：四周时间，从安装第一个工具到部署第一个AI金融应用。不需要任何编程基础，你只需要知道你想解决什么问题。

· · ·

为什么金融人做Vibe Coding有天然优势？

很多金融从业者对学编程有一种本能的抗拒：「太难了」「没时间」「应该是程序员干的事」。这些担心在传统编程的语境下完全合理——学Python要花几个月，学数据结构要花半年，学到能写出一个有用的程序可能要一两年。但Vibe Coding彻底改变了这个等式。

Vibe Coding不要求你会写代码，它要求你能清晰地描述问题。而描述问题、分析问题、拆解问题，恰恰是金融从业者最擅长的事情。

想想看，一个资深分析师在给助理布置任务时会怎么说：「帮我把过去三年沪深300成分股的ROE数据整理出来，按行业分组，计算每个行业的中位数和四分位数，做一张箱线图，标出显著偏离的异常值。」这段话如果原封不动地输入到Cursor或Claude Code里，AI就能自动生成完整的Python代码来执行这个任务。金融人对数据的理解、对分析维度的判断、对可视化方式的选择——这些领域知识才是Vibe Coding最核心的输入。

换一个角度理解。程序员写金融工具的最大挑战是什么？不是代码写不出来，而是不懂金融。一个程序员可能写出一个技术上完美的回测引擎，但他不知道应该在回测里考虑「停牌复牌后的跳空缺口」「涨跌停板对流动性的影响」「分红除权的复权处理」这些金融特有的问题。这些细节只有做过交易的人才知道，而这些细节往往决定了一个金融工具是「看起来能用」还是「真的能用」。

金融人+Vibe Coding = 领域知识 × AI执行力。这个组合比「程序员+金融知识皮毛」要强大得多。

· · ·

金融场景实战一：用Cursor + Claude写量化策略代码

先从最直接的场景开始——用自然语言写量化策略代码。这是Vibe Coding在金融领域最经典、也是最有冲击力的应用。

场景是这样的。你是一名在私募基金工作的投资经理，最近在研究一个多因子选股策略：用ROE、营收增长率和PE分位数三个因子做打分，每月初选出得分最高的20只股票等权持有。你想知道这个策略在过去五年的表现如何。

传统方式：你需要找量化团队排期、沟通需求、等待开发、反复修改，周期至少一两周。Vibe Coding方式：你打开Cursor，在聊天窗口里输入这段话——

「帮我写一个多因子选股回测。因子是ROE（越高越好）、营收同比增长率（越高越好）、PE分位数（越低越好），三个因子等权打分。股票池是沪深300成分股，每月初调仓，等权持有得分前20的股票。回测2020年到2025年，考虑千三手续费和千一滑点。帮我画净值曲线、计算年化收益和最大回撤，以及每年的分年度收益率。」

Cursor在两三分钟内生成了完整的代码。你点运行，如果出现报错，直接把报错信息贴回给AI，它会自动诊断并修复。通常经过两到三轮调试，回测就能跑通了。总耗时大约半小时。

但更有价值的是接下来的迭代。你看了回测结果，发现2022年的回撤特别大。你可以继续和AI对话：「2022年回撤太大了，帮我加一个市场择时模块——当沪深300的20日均线在60日均线下方时，仓位降到50%。」AI修改策略逻辑、重新跑回测、更新报告，又是几分钟的事。

这种「提出假设→验证→迭代→再验证」的快速循环，才是Vibe Coding对量化投资最大的价值。过去，一个想法从产生到验证需要一两周；现在，一个下午可以测试五六个策略变体。你的投资直觉终于可以被快速、低成本地验证或证伪。

关键技巧：在描述策略时尽量具体。不要说「帮我做一个选股策略」（太模糊），而要说清楚选股因子是什么、股票池范围、调仓频率、手续费假设、回测时间段、需要什么输出指标。越具体的需求描述，AI生成的代码越准确。这就像你给助理布置任务一样——指令越清晰，结果越好。

· · ·

金融场景实战二：用Bolt.new搭建投资组合Dashboard

第二个场景更适合那些不直接做交易、但需要数据可视化的金融从业者——搭建一个投资组合监控Dashboard。

假设你管理一个FOF（基金中的基金）组合，持有十几只不同策略的私募基金。每周你需要汇总各基金的净值、计算组合整体收益、分析风险敞口、生成一份简报给投资人。这个过程目前靠Excel完成——每周手动更新数据、调整公式、截图做PPT。繁琐且容易出错。

现在，打开Bolt.new，输入一段需求描述：「帮我做一个投资组合Dashboard。功能包括：1）录入和管理持仓基金信息（基金名称、投资金额、最新净值）；2）自动计算组合总市值、加权收益率、各基金占比饼图；3）净值走势折线图，支持选择不同时间范围；4）一个简单的风险页面，显示最大回撤、波动率和夏普比率；5）数据支持Excel导入导出。界面要简洁专业，深色主题。」

Bolt.new会在几分钟内生成一个完整的Web应用。你可以在右侧预览窗口中实时看到Dashboard的样子——一个专业的深色主题界面，包含你要求的所有功能模块。你可以继续调整：「把饼图换成环形图」「净值折线图加一条基准线」「表格里加一列今年以来收益率」。每个修改几秒钟就能看到效果。

最终的Dashboard可以一键部署到线上，生成一个链接发给投资人。投资人在手机上就能看到最新的组合状态，不需要等你每周手动做Excel报告了。从「每周花半天做Excel报告」到「数据实时更新的Web Dashboard」，这是工作方式的质变。

这个场景的另一个变体是客户报告自动化。财富管理顾问可以用类似的方式搭建一个客户资产配置展示页面，每个客户一个独立的链接，实时显示其投资组合的配置比例、收益走势和风险指标。这比发PDF报告高效得多，客户体验也好得多。

· · ·

金融场景实战三：用Claude Code自动化财务数据ETL

第三个场景面向的是每天和大量数据打交道的金融从业者——财务数据的ETL（Extract-Transform-Load，提取-转换-加载）自动化。

ETL是什么？简单来说，就是把散落在各处的原始数据收集起来（Extract），清洗和转换成统一格式（Transform），然后存入一个集中的数据库或报表（Load）。这是金融数据分析中最基础、最高频、也最枯燥的工作。

举个例子。一个做行业研究的分析师，每个月需要从Wind数据库导出二十个行业的月度数据（营收、利润、产量、价格等），从统计局网站下载宏观经济指标（CPI、PPI、PMI等），从交易所网站拉取行业ETF的持仓数据，然后把这些来自不同来源、格式各异的数据整合到一份Excel模板中，计算环比和同比变化，标记异常值，生成行业对比图表。这套流程每月花费两到三天时间，而且极其容易出错——手动复制粘贴数据时张冠李戴是家常便饭。

Claude Code特别擅长处理这类系统化的数据流水线任务。你可以在终端里和Claude Code对话：「帮我写一套Python脚本，功能是每月初自动从akshare拉取以下二十个行业的月度财务数据……整合后存入一个SQLite数据库……然后自动生成一份Excel报告，包含行业对比表格和环比变化图表。」

Claude Code会一步步帮你搭建整个流水线：先写数据采集模块，然后写数据清洗模块，再写数据存储模块，最后写报告生成模块。每个模块完成后它会自动运行测试，确保数据质量没问题。整个流水线一旦搭好，以后每月初只需要运行一个命令——或者设置成crontab自动运行——就能自动完成所有工作。

从每月花两到三天手动处理数据，到一条命令自动完成——这就是ETL自动化的价值。更重要的是，自动化脚本不会犯人类常犯的复制粘贴错误，数据质量反而比手动处理更可靠。

Claude Code在这个场景中的优势在于它对整个项目的理解能力。当你后续想修改数据源、增加新的行业、或者调整报告格式时，Claude Code知道整个流水线的结构，能精准地修改相关文件而不影响其他模块。这对于维护一个长期运行的自动化系统来说至关重要。

· · ·

金融场景实战四：用v0搭建客户风险评估表单系统

第四个场景适合做财富管理、私人银行和保险的从业者——客户风险评估系统。

金融机构在给客户推荐产品之前，都需要做KYC（Know Your Customer，了解你的客户）和风险评估。传统方式是一份纸质问卷或者一个古老的网页表单，客户填完后业务人员手动计算风险等级，再从产品库里匹配合适的产品。这个过程效率低、体验差，而且评估逻辑散落在各个人的Excel里，不统一、不透明。

v0可以帮你快速搭建一个专业的风险评估系统。打开v0.dev，输入需求：「帮我做一个客户风险评估表单系统。功能包括：1）多步骤问卷（基本信息→投资经验→风险偏好→财务状况），每步5-8个问题；2）根据回答自动计算风险评分和风险等级（保守型/稳健型/平衡型/进取型/激进型）；3）根据风险等级自动推荐匹配的产品类型；4）生成一份PDF版的评估报告；5）后台管理页面可以查看所有客户的评估记录。界面要专业简洁，适合在iPad上使用。」

v0会生成一个基于Next.js的完整Web应用。前端是一个分步式的问卷界面，设计得非常专业——适合在和客户面对面沟通时使用，客户在iPad上滑动回答问题，体验比纸质问卷好很多。后端自动计算评分、匹配产品、生成报告。你可以把评分规则告诉AI（比如「年龄50岁以上减2分」「年收入100万以上加3分」），它会把这些业务规则嵌入到代码逻辑中。

选择v0做这个场景的原因是它生成的代码质量是生产级的——可以长期运营和维护。风险评估系统通常需要持续使用很长时间，中间会有评分规则的调整、新产品的添加、合规要求的更新。v0生成的Next.js代码结构清晰，后续修改和扩展都很方便。

从纸质问卷到数字化系统、从手动评分到自动匹配、从单人使用到团队共享——一个下午的Vibe Coding就能实现这个转变。

· · ·

四周路线图：从零开始的每一步该怎么走？

上面讲了四个金融场景的实战案例，你可能已经跃跃欲试了。但具体该怎么开始？下面是一份经过验证的四周学习路线图，每周的目标都很明确、可操作。

第一周：装好Cursor，学会基本Prompt

第一周的目标是最低限度的：把开发环境搭好，跑通第一个AI生成的程序。具体步骤如下：

Day 1-2：环境搭建。

下载安装Cursor（cursor.com），它基于VS Code，安装过程非常简单。然后安装Python（python.org），选最新的3.12版本。如果你用Mac，Python可能已经预装了。打开Cursor，在终端里输入python --version确认安装成功。注册Cursor账号，免费版就够用（每月有限的AI对话额度，但足够学习用）。Day 3-4：第一次对话。在Cursor的AI聊天窗口（Ctrl+L打开）输入你的第一个需求：「帮我写一个Python脚本，从akshare获取贵州茅台最近一年的股价数据，画一个K线图。」AI会生成代码，你点击「Apply」应用到文件，然后在终端里运行。如果报错，把报错信息直接贴给AI，它会帮你修复。成功运行后，你会看到一个漂亮的K线图——这是你用AI写的第一个程序。Day 5-7：Prompt练习。用类似的方式尝试更多任务：「画一个贵州茅台和五粮液的股价对比图」「计算沪深300过去五年的月度收益率分布直方图」「从网上获取今日A股涨跌幅排名前十的股票」。每个任务都是一次Prompt练习，你会逐渐学会怎么向AI提出清晰有效的需求。

第一周结束时的成果：你已经能用Cursor + AI生成简单的Python脚本来获取和可视化金融数据。你不需要理解代码的每一行，但你已经知道了整个工作流程：描述需求→AI生成代码→运行→出错就贴错误信息给AI→AI修复→再运行。

第二周：用AI写第一个数据分析脚本

第二周要做一个稍微复杂一点的项目——一个完整的数据分析脚本。这周的目标是让你体验「多轮对话迭代」的力量。

项目：行业轮动分析工具。

用一个完整的项目来练习。你要做的是：从akshare获取申万一级行业的月度收益率数据（过去三年），计算每个行业的动量指标（过去三个月累计收益率），每月选出动量最强的三个行业，回测这个「行业轮动」策略的历史表现。Day 1：先告诉AI整体需求，让它生成第一版代码。大概率能跑通，但结果可能不太对——数据格式问题、行业名称对不上等。Day 2-3：逐步调试。把每一个问题贴给AI，和它一起修复。这个过程中你会开始理解代码的结构——不是每一行，而是大的模块：数据获取模块、计算模块、回测模块、可视化模块。Day 4-5：增加功能。「帮我加一个行业月度收益率热力图」「帮我计算行业轮动策略的分年度收益率」「帮我和沪深300做对比」。每次加功能都是一轮对话。Day 6-7：输出成果。让AI帮你生成一份HTML格式的分析报告，包含所有图表和关键结论。你可以把这份报告发给同事看——它的专业程度足以让人以为是一个数据科学家做的。

第二周结束时的成果：你已经完成了一个真正有分析价值的数据分析项目，而且掌握了「多轮对话迭代」的核心技能。你会发现，Vibe Coding的关键不在于第一轮对话生成的代码有多完美，而在于你能不能通过后续的对话不断完善它。

第三周：搭建第一个自动化工作流

第三周的跨越是从「手动运行脚本」到「自动化工作流」。这是从玩具到工具的关键一步。

项目：每日大盘监控机器人。

搭建一个自动化脚本，每天下午三点半（A股收盘后）自动运行，完成以下任务：获取当天大盘指数收盘数据、计算关键技术指标（均线位置、RSI、成交量变化）、判断当前市场状态（上涨趋势/下跌趋势/震荡）、生成一段简洁的市场日评、通过企业微信机器人发送到你的手机上。Day 1-3：在Cursor中开发核心逻辑。先做数据获取和指标计算，再做市场状态判断（这部分可以调用DeepSeek API让大模型基于数据生成文字评论），最后做企业微信推送。Day 4-5：调试和完善。让AI帮你加上异常处理（API超时怎么办？数据缺失怎么办？），加上日志记录（每次运行记录时间和结果），加上配置文件（方便你修改推送时间、监控指标等参数而不用改代码）。Day 6-7：部署自动化。如果你有一台云服务器，让AI帮你写一个crontab定时任务：「每个工作日15:30自动运行monitor.py」。如果没有服务器也没关系，用你的笔记本电脑一样可以跑——只要确保那个时间段电脑是开着的。

第三周结束时的成果：你有了一个真正的「AI助手」——每天自动帮你监控大盘、生成简评、推送到手机。你不需要做任何事情，它默默在后台工作。这是Vibe Coding最有成就感的时刻：你从一个工具的使用者变成了一个自动化系统的创造者。

第四周：部署第一个内部工具

第四周是综合实战——用前三周学到的技能，搭建一个可以给团队使用的Web工具。

项目：选择一个你工作中真正需要的工具。

可以是前面提到的投资组合Dashboard、客户风险评估系统、研报自动摘要工具，或者任何你觉得「如果有这个工具就好了」的东西。用Bolt.new或v0做前端界面，用Cursor写后端逻辑（如果需要的话），部署到线上让同事也能用。Day 1-2：需求梳理。不要急着动手，先用文字把你想要的功能清晰地写下来。越具体越好——有哪些输入、需要什么处理、输出是什么、谁来用、在什么设备上用。Day 3-5：开发和调试。这一步你已经很熟练了——描述需求、AI生成代码、运行调试、迭代完善。Day 6-7：部署上线和收集反馈。发给两三个同事试用，收集他们的反馈，做一到两轮修改。

四周结束时的成果：你已经完成了从「完全不会写代码」到「能独立搭建并部署一个AI金融工具」的跨越。更重要的是，你建立了一套可持续的工作方法——以后遇到任何需要自动化、数据分析或工具搭建的需求，你都知道该怎么做。

· · ·

避坑指南：金融人用Vibe Coding必须注意什么？

Vibe Coding虽然强大，但在金融这个对准确性要求极高的领域，有几个坑是必须提前知道的。忽视这些问题可能导致严重后果——轻则浪费时间，重则影响投资决策。

第一坑：AI生成的代码必须Review，金融数据容不得错误。

大模型生成的代码在大部分情况下是正确的，但「大部分情况下正确」在金融领域是不够的。一个隐蔽的计算错误——比如把年化收益率和累计收益率搞混、日收益率加总而不是复利累乘、忽略了复权因子——可能导致完全错误的回测结果，进而误导投资决策。

怎么Review？你不需要看懂每一行代码，但至少要做两件事：第一，用一组你已经手动验证过的数据跑一遍程序，对比AI生成的结果和你的手动计算结果是否一致；第二，让AI解释关键计算步骤的逻辑——输入「请解释一下这段计算年化收益率的代码是怎么算的」，然后判断这个逻辑是否符合你的金融常识。你的金融专业知识在这里就是最好的验证工具。

第二坑：敏感数据不要传到云端AI。

当你用Cursor或Claude Code这样的云端AI工具时，你的代码和数据会被上传到AI服务器进行处理。对于个人学习和公开数据来说，这完全没问题。但如果你处理的是客户的个人信息、未公开的投资组合持仓、内部策略参数、或者其他任何受监管的敏感数据，把这些数据发到云端可能违反合规要求。

解决方案是使用本地模型。2026年，在一台消费级笔记本电脑上运行一个7B-14B参数的开源模型（如Qwen、DeepSeek Coder）已经完全可行。Cursor支持接入本地模型，处理敏感数据时切换到本地模式即可。另一种方式是只上传代码模板和结构，不上传真实数据——让AI帮你写处理逻辑，但真实数据只在你本地运行。

第三坑：回测结果不等于实盘表现。

这一点在本系列的第二篇文章中详细讨论过，但在这里值得再次强调。Vibe Coding让你能够在半小时内跑完一个回测，这既是优势也是陷阱。优势是你可以快速验证想法；陷阱是你可能因为速度太快而跳过了严格的验证步骤——参数敏感性分析、样本外测试、交易成本估算、流动性检验等。

一个看起来年化30%的策略，可能只是因为选了一组恰好适配历史数据的参数。稍微改一下参数就亏钱。一个在回测中夏普比率2.5的策略，实盘中因为滑点、流动性和执行延迟，夏普可能只有0.8。AI帮你写代码的速度越快，你在验证环节就越需要刻意放慢节奏、保持审慎。

第四坑：不要用AI替代金融判断。

AI是工具，不是决策者。它可以帮你获取数据、处理数据、可视化数据、回测策略，但最终的投资决策仍然需要人类的判断。大模型对金融市场的理解是基于训练数据的统计模式，它不理解地缘政治突变、政策拐点、市场情绪极端等无法从历史数据中推断的因素。把AI生成的分析结果当作「参考意见」而不是「投资建议」，这个分寸必须拿捏好。

· · ·

成本和投入：需要花多少钱和时间？

很多人关心学Vibe Coding的时间和金钱投入。给一个实事求是的估算：

时间方面，按照四周路线图，每天投入一到两小时就够了。第一周可能需要多一点时间处理环境搭建中遇到的各种问题（这是最容易让人崩溃的环节），后面三周会越来越顺。总计大约四十到六十小时的投入，换来一项可以持续使用的能力。

金钱方面，完全可以从零成本开始。Cursor的免费版每月提供有限的AI对话额度，对学习阶段完全够用。Python和akshare这些数据工具都是免费开源的。如果你后续想用更多AI对话额度，Cursor Pro版每月20美元，对金融从业者来说不算什么。DeepSeek等国产模型的API费用极低，日常使用每月不到十块钱。

对比的参考系是：一个Python编程培训班通常需要几千到上万元，学习周期三到六个月，而且学完之后你还只是「会写代码」，离「能独立做项目」还有很大距离。Vibe Coding的路径恰好相反——你从第一周就开始做真实项目，技能和产出同步增长。

· · ·

已经在用Vibe Coding的金融人都在做什么？

分享几个来自社区的真实案例，展示金融从业者用Vibe Coding做出的各种成果：

一位买方研究员搭建了一套研报自动摘要系统（类似本系列第一篇介绍的工具），每天自动处理50份研报并生成结构化摘要。他在团队分享后，整个投研部门都开始用他的系统，他因此获得了年度创新奖。

一位财富管理顾问用Bolt.new搭建了一个客户资产配置展示页面，取代了原来的Excel月报。客户反馈非常积极——「终于可以在手机上实时看到自己的资产配置了」。这让他在续约率上远超同事。

一位量化研究员用Claude Code自动化了他的因子研究流程——从数据清洗、因子计算、IC分析到回测报告生成，全流程自动化。他的因子研究产出速度提升了五倍，从每周一个因子变成了每天一个因子。

一位保险精算师用Cursor + Python搭建了一套退保率预测模型，把原来用SAS写的存量模型迁移到了Python并做了AI增强。模型预测准确率提升了12%，代码量反而减少了60%。

这些案例的共同点是：做出这些成果的人，没有一个是计算机专业出身。他们的核心能力是对金融业务的深刻理解，Vibe Coding只是帮他们把理解转化成了实际可用的工具。

· · ·

常见问题解答

「不懂代码怎么判断AI写的代码有没有Bug？」

两个方法：第一，用你已经知道答案的数据来测试。比如你手动算过茅台2024年的毛利率是91.4%，让AI生成的代码也算一遍，对比结果。第二，让AI自己解释代码逻辑，你用金融常识判断逻辑是否合理。你不需要看懂Python语法，但你一定能判断「先算收入再减成本等于毛利」这个逻辑对不对。

「用AI写的量化策略能实盘交易吗？」

技术上可以，但建议谨慎。AI生成的策略代码可以通过券商API（如掘金量化、聚宽等平台）连接到实盘交易系统。但强烈建议：1）先做充分的样本外测试；2）先用模拟盘跑至少一个月；3）实盘开始时用很小的资金量试水；4）设置严格的风控和止损。记住，回测赚钱≠实盘赚钱。

「学Vibe Coding会不会被AI取代？」

恰恰相反。会用Vibe Coding的金融人不会被取代——他们会取代那些不会用AI工具的同行。AI取代的是「重复性执行工作」（比如手动处理数据、写固定格式的报告），而不是「创造性决策工作」（比如判断市场方向、设计投资策略、理解商业模式）。Vibe Coding让你把精力从前者释放出来，全部投入后者。

· · ·

结语：你和AI之间，只差一句话的距离

FinLLM的Vibe Coding系列到此全部完成。五篇文章覆盖了从研报自动化、量化回测、RAG问答到工具全景图和金融实战路线图，构成了一幅金融人拥抱AI编程的完整画面。

回顾这五篇文章的核心信息，可以浓缩为一句话：在Vibe Coding时代，金融从业者的核心竞争力不是会写代码，而是能清晰地描述问题。

你知道什么研报数据最值得关注——这比会写爬虫重要。你知道什么策略逻辑值得回测——这比会写回测引擎重要。你知道财报里哪些数字在说谎——这比会搭RAG系统重要。你知道客户的风险偏好该怎么评估——这比会写表单程序重要。

AI负责把你的知识变成代码，代码负责把你的想法变成工具。而你，只需要描述你想要什么。

现在，打开Cursor，输入你的第一句话吧。