夜雨聆风AI都能写代码了，普通人还要不要学编程？
这两年，很多人都会问一个问题：
AI 都能写代码了，普通人还要不要学编程？
甚至还有人觉得，既然 Cursor、GitHub Copilot、Claude Code、Codex、Gemini CLI 这些工具已经能帮人写代码，那以后学编程是不是没意义了？
我的看法很简单：
学编程仍然有用。
只是学习方式变了。
以前学编程，很多人默认要从第一章开始啃书。
先学语法，再学数据结构，再学算法，再学操作系统、数据库、网络、Linux、Git、VS Code、前端、后端、项目、刷题。
这条路线当然没有错。
真正想做专业程序员的人，迟早还是要补这些基础。
但是对普通人、科研人员、非计算机专业学生、想做小工具的人来说，今天已经不一定非要先苦学一两年，再开始动手做东西。
AI 时代来了以后，一个更现实的路径出现了：
先用 AI 工具把东西做出来，再在做的过程中补基础。
一、AI能写代码，但不能替你想清楚问题
现在的 AI 编程工具确实很强。
你想做一个网页，它能帮你写页面。
你想修一个 bug，它能帮你定位。
你想加一个功能，它能帮你生成代码。
你想写一个脚本，批量处理文件名、整理表格、生成报告，它也能帮你很快搭起来。
所以很多人会产生一种错觉：
那我是不是完全不用懂技术了？
这就危险了。
因为 AI 工具虽然能写代码，但它不会天然理解你真正想要什么。
你给它一个清楚的小任务，它往往做得很快。
你给它一个模糊的大幻想，它很容易乱写。
比如，一个完全不懂技术的人上来就说：
“帮我写一个淘宝。”
这个需求听起来很豪迈，但对 AI 来说几乎没法做。
淘宝是什么？
要不要用户系统？
要不要商家后台？
要不要购物车？
要不要支付？
要不要订单？
要不要物流？
要不要搜索？
要不要推荐算法？
要不要风控？
要不要数据库？
要不要权限？
要不要部署？
你不拆开，它就只能猜。
一猜，就容易错。
所以 AI 时代真正重要的能力，不是“我会不会手敲每一行代码”，而是：
我能不能把一个大问题，拆成 AI 能执行的小任务。
二、会用AI的人，首先要会拆任务
懂技术的人用 AI，和纯小白用 AI，效果完全不同。
纯小白可能会说：
“帮我做一个网站。”
稍微懂一点的人会说：
“帮我做一个登录页面，包含邮箱、密码、登录按钮、错误提示，不需要注册功能，先只做前端页面。”
更懂一点的人会继续说：
“用 React + TypeScript 写，页面居中，表单做基础校验，邮箱格式不对时提示，密码少于 6 位时提示，先不要接真实后端，用 mock 函数模拟登录。”
这两种提问，得到的结果完全不一样。
AI 最擅长解决的是边界清楚的问题。
它怕的是没有边界。
你越能把任务说清楚，它越能帮你干活。
你越是只给一个宏大幻想，它越容易把项目带进坑里。
这也是为什么，真正高强度使用 AI 编程工具的人，反而更需要懂技术。
因为他要知道：
这个任务能不能做；
这个功能应该怎么拆；
这个工具的能力边界在哪里；
这个结果有没有跑通；
这个 bug 是小问题，还是架构方向错了。
AI 可以帮你快很多，但它不能替你判断方向。
三、人的角色变了：从手敲代码，变成项目监督者
过去很多人学编程，最大的痛苦是：
配环境。
查报错。
敲命令。
改配置。
复制代码。
看英文文档。
一个晚上过去，程序没跑起来，人先崩了。
现在 AI 工具出现以后，这些重复劳动可以被压缩掉一大部分。
这不代表人没用了。
人的位置开始往上移。
以前你像一个搬砖工，一行一行敲代码。
现在你更像一个小项目负责人。
你要做四件事：
第一，拆任务。
把“做一个网站”拆成登录页、首页、数据页、导出功能、后台接口、数据库表。
第二，定边界。
告诉 AI 这一步只做什么，不做什么。
第三，验结果。
代码能不能跑？
页面能不能打开？
按钮有没有反应？
数据有没有保存？
有没有明显错误？
第四，能回滚。
发现方向错了，就撤回上一版，重新来。
这就是 AI 时代普通人学编程的新变化。
人不再只是盯着每一行代码。
人要学会做 supervisor。
也就是监督者。
AI 负责执行，人负责判断。
AI 负责生成，人负责验收。
AI 负责推进，人负责控制方向。
四、传统CS路线没错，但普通人不用硬吃苦
以前学编程，标准路线大概是这样：
先学一门编程语言。
然后学数据结构和算法。
再学操作系统、计算机组成、网络、数据库。
然后学 Linux、Git、VS Code、命令行、脚手架。
再往后，学前端、后端、移动端、游戏开发、机器学习、深度学习。
最后刷题、做项目、找实习、准备面试。
这条路线没有问题。
如果你真想长期做专业程序员，这些基础迟早要补。
但是对很多普通人来说，问题在于：
这条路太长了。
很多人不是计算机专业。
很多人已经读研、工作、做科研了。
很多人只是想做一个小工具，解决自己手头的问题。
比如：
批量处理实验数据；
整理文献；
做一个网页展示结果；
写一个自动生成报告的脚本；
把 Excel 表格转成图表；
把一堆文件按规则重命名；
做一个科研流程管理的小网站。
这些需求，不一定要先把 CS 本科四年的课程都学完。
你完全可以先用 AI 工具把一个小项目跑起来。
跑起来以后，哪里不懂，再补哪里。
做网页时不懂前端，就补一点 HTML、CSS、React。
写脚本时不懂 Python，就补一点变量、循环、函数、文件读写。
接数据库时不懂 SQL，就补一点表结构、增删改查。
部署网站时不懂服务器，就补一点 Linux、端口、环境变量、日志。
这叫项目驱动。
先有问题，再学工具。
先有目标，再补基础。
比一上来买一本大部头，从第一页啃到最后一页，更适合普通人。
五、AI时代最好的入门方式：先做一个小东西
现在如果你想学编程，我不建议一开始就陷入“我到底该学 Python 还是 JavaScript”“我到底该看哪本书”“我到底要不要刷算法”这种纠结里。
你先做一个东西。
越小越好。
比如：
一个个人记账页面；
一个文献阅读记录表；
一个实验数据命名工具；
一个图片批量整理脚本；
一个公众号素材归档页面；
一个会议纪要自动整理工具；
一个 Excel 自动统计脚本；
一个本地运行的小网站。
你可以先打开 ChatGPT、Kimi、Claude，问它：
“我想做一个文献整理小工具，适合零基础，应该怎么拆任务？”
然后让它帮你拆成：
第一步，做一个简单页面；
第二步，能输入标题、作者、年份；
第三步，保存到本地；
第四步，支持搜索；
第五步，支持导出 Excel；
第六步，再考虑美化页面。
这时候，你再把每一步交给 Cursor、GitHub Copilot、Claude Code、Codex 这类工具去做。
每一步都很小。
每一步都能验收。
这样你就不会被一个大项目压死。
六、不要一开始就迷信工具，也不要排斥工具
现在 AI 编程工具很多。
Cursor、GitHub Copilot、Claude Code、Codex、Gemini CLI、Windsurf、v0、Lovable、Bolt.new，还有很多开源工具。
普通人一开始不需要全部搞懂。
你先选一个顺手的用起来。
重点不是哪个工具天下第一。
重点是你要真正使用它。
很多人评价一个工具，只用两次就下结论：
“不好用。”
“智障。”
“还不如我自己写。”
“生成的代码不能用。”
这也不对。
AI 工具需要磨合。
你要知道它擅长什么，不擅长什么。
它适合写小功能，还是适合做整体项目？
它适合改 bug，还是适合写页面？
它一次能处理多少上下文？
它生成的东西要怎么检查？
它跑偏的时候怎么拉回来？
这些东西，不是看测评看出来的。
是你自己用出来的。
想做 AI 产品，第一步不是先喊口号。
第一步是先大量使用 AI 产品。
你要摸过它们的脾气，才知道它们能改变什么。
七、不要把时间浪费在“硬吃苦”上
以前有一种学习编程的观念：
一定要手敲。
一定要自己配。
一定要从零写。
一定要把所有配置文件手写一遍。
一定要把所有命令背下来。
这种训练不是完全没意义。
但今天的问题是：
很多重复劳动，AI 已经能帮你完成。
比如搭一个项目框架。
比如生成一个页面。
比如写一个基础接口。
比如补一个配置文件。
比如生成一个测试样例。
比如根据报错解释原因。
这些事情，你可以让 AI 先干。
然后你去看它怎么干。
看懂。
运行。
修改。
验收。
这个过程，比你自己卡在一个环境配置里三天出不来，更有效率。
真正重要的是把东西做出来。
做出来以后，你会遇到真实问题。
真实问题会逼着你学习。
这比空学一堆概念更扎实。
八、用AI参与开源，也是一条新路
以前普通人想参与开源项目，门槛很高。
你要看懂项目结构。
你要理解 issue。
你要知道哪里出错。
你要会改代码。
你还要会提交 pull request。
对很多新手来说，这一步很吓人。
但是现在可以换一种方式。
你可以先找一个 GitHub issue。
把 issue 内容交给 AI，让它帮你解释：
这个问题在说什么？
可能涉及哪些文件？
应该怎么定位？
需要怎么修改？
风险在哪里？
然后你自己再检查它说得对不对。
再让 AI 帮你生成初稿代码。
最后你自己 review。
能跑通，再提交。
这不是作弊。
这是新的协作方式。
以前你靠搜索引擎、Stack Overflow、文档、博客解决问题。
现在多了一个 AI 助手。
关键在于，最后提交的东西，仍然要经过你自己的判断。
你不能闭眼提交。
你要知道自己改了什么。
你要知道这段代码为什么能解决问题。
如果你能这样做，参与开源的门槛会比过去低很多。
这对普通人刷项目经验、刷简历、理解真实工程，都很有价值。
九、“我就差一个CTO”的时代，也变了
过去很多人有想法，但做不出来。
最常见的一句话是：
“我就差一个 CTO。”
意思是：
我有商业想法。
我有产品想法。
我知道用户痛点。
但我不会写代码。
所以我需要找一个技术合伙人。
问题是，真正靠谱的 CTO 很贵。
你要说服他。
你要给他钱。
你要给他股份。
你还要让他相信你的项目真的有价值。
对普通人来说，这一步很难。
但现在，AI 编程工具把原型开发的门槛降下来了。
你不一定能立刻做出一个大型商业系统。
但你可以先做一个小原型。
一个页面。
一个表单。
一个数据看板。
一个自动化脚本。
一个内部工具。
一个能演示核心功能的 demo。
这已经很重要了。
因为很多想法，只有做出来，你才知道有没有价值。
光靠嘴说，很虚。
做出一个能点、能看、能跑的小东西，才会逼着你思考：
这个需求真实吗？
用户会不会用？
数据怎么来？
流程通不通？
下一步该做什么？
AI 工具降低的不是创业难度。
它降低的是你把想法变成第一个版本的门槛。
十、对科研人员来说，学编程不是为了转码
这一点尤其重要。
很多非计算机背景的人，一听到学编程，就以为是要转码、进大厂、当程序员。
其实不一定。
对科研人员来说，编程更现实的价值，是把自己的工作流自动化。
比如：
文献批量整理；
实验数据清洗；
图片批量命名；
Excel 自动统计；
图表自动生成；
会议纪要整理；
基金材料归档；
论文参考文献格式化；
实验记录结构化；
检测数据可视化；
甚至搭一个自己的小网站。
这些事情，以前都要靠手工。
现在可以让 AI 帮你写脚本、搭页面、做流程。
你不需要一开始就变成专业程序员。
你只要比身边人多懂一点工具，就能节省大量时间。
这个差距会慢慢变大。
以前科研人员的能力差距，可能体现在谁更会做实验、谁更会写文章、谁更会找资源。
以后还会多一项：
谁更会把 AI 工具接入自己的科研流程。
十一、兽医、生物信息、药学，都需要自己的AI Agent
对兽医、生物信息、药学、动物医学这些方向来说，这件事更值得重视。
因为这些领域有大量重复性工作。
比如：
整理病原检测数据；
分析养殖场病例记录；
归档动物实验数据；
批量处理测序结果；
筛选候选抗菌肽；
整理疫苗相关文献；
生成实验报告；
分析猪咳嗽声音数据；
管理样本编号和实验批次；
把检测结果做成可视化页面。
这些工作不一定要做成大型商业软件。
一开始可以很小。
一个脚本。
一个表格工具。
一个本地网页。
一个自动报告模板。
一个针对某个实验室的小 Agent。
程序员有 Cursor。
设计师有 AI 作图工具。
科研人员以后也应该有自己的科研 Agent。
兽医行业也应该有自己的垂直 AI 工具。
未来有价值的人，可能不是单纯会写代码的人。
也可能不是只懂专业、完全不懂工具的人。
更可能是两种能力的结合：
懂兽医问题，也懂一点 AI 工具。
懂科研流程，也能把流程做成自动化。
懂实验数据，也能让数据更快变成结果。
十二、普通人学编程，真正要学的是什么？
所以，回到最开始的问题：
AI 都能写代码了，普通人还要不要学编程？
我的答案是：
要学。
但不要把学编程理解成苦哈哈地手敲代码。
普通人真正要学的是：
怎么描述一个需求；
怎么拆解一个任务；
怎么让 AI 做一小步；
怎么检查结果；
怎么发现错误；
怎么修改方向；
怎么把一个想法做成小工具；
怎么让工具为自己的专业服务。
你不一定要成为专业程序员。
但你至少要知道，一个网页大概怎么跑起来。
一个脚本大概怎么处理文件。
一个数据库大概怎么存数据。
一个 AI Agent 大概怎么完成任务。
一个项目大概怎么从想法变成 demo。
这些能力，在未来会越来越重要。
结尾：未来不是人人都要当程序员，而是人人都要会调用工具
AI 时代，编程的门槛正在下降。
但这不代表思考的门槛下降了。
恰恰相反，越是工具强，越考验人能不能提出好问题。
你不会问，AI 就乱答。
你不会拆，AI 就乱做。
你不会验收，AI 做错了你也看不出来。
所以，普通人学编程的意义变了。
它不只是为了转码。
也不只是为了找一份程序员工作。
它更像是一种新的工作能力：
把想法变成工具。
把重复劳动变成流程。
把专业经验变成系统。
把一个模糊需求，拆成可以执行的小任务。
未来真正有竞争力的人，不一定是最会手敲代码的人。
更可能是那些懂专业、懂问题、懂工具，还能用 AI 把事情做出来的人。
对普通人如此。
对科研人员如此。
对兽医行业的人，也一样。
AI+畜牧 UP 主： 张炜_细菌研究、 B 站网址：https://space.bilibili.com/315989791
AI +科研工具： 麦伴科研：科研全流程的 AI 工具： https://www.maltsci.com/
