夜雨聆风最近看到复旦大学官微发了一篇推文，专门介绍学校开设的“生成式软件开发”课程。这门课面向非计算机专业学生，教他们用自然语言和AI协作开发小软件。
过去一年，“用自然语言做软件”正在从程序员圈层外溢到更多普通学习者和知识工作者中。海外有一个流行说法叫vibe coding，大意是“凭感觉和AI对话写代码、做软件”。国内也开始出现类似复旦这类面向非计算机专业学生的课程和实践。
这个现象值得关注，不只是因为“非计算机专业学生也能写代码”，而是因为它说明：AI编程正在缩短“需求”和“工具”之间的距离。过去，我们有软件需求，实现门槛很高；现在，只要能把需求用自然语言说清楚，就有机会通过AI把想法逐步变成可以运行的小工具。
要理解这个变化，还需要把“编程”这个词放宽一点。批量修改Word格式、把Word批量转换成PDF、合并Excel表格、整理文件夹、提取数据、生成图表，本质上都属于广义的编程。它们不一定是传统意义上的软件开发，但都是把人的重复操作，转化成电脑可以执行的流程。
一、从编写代码到说清需求
AI编程的变化在于，它把入口往前推了。过去必须先会写代码，现在可以先把需求说清楚：我要解决什么问题，输入是什么，输出是什么，流程怎么走，哪些结果算正确。
早期AI编程更像代码助手，主要帮人补全代码、解释报错。现在，AI开始走向agentic coding，参与读取文件、修改代码、运行测试、处理报错等更完整的开发流程。
这背后是人与电脑沟通方式的变化。过去，代码是人与电脑沟通的主要语言；现在，自然语言开始成为新的中间层。在这个意义上，AI编程智能体更像一只在电脑系统内部工作的手。我们只要判断它是否实现目标，而不必理解它每一步的底层操作细节。
这有点像相机从手动对焦变成自动对焦。过去，你需要先懂对焦、曝光这些基本原理，才能自己调参数；现在，机器可以自动完成对焦和曝光的大部分操作，我们只需要判断照片是否符合要求。
二、我的实践：从背单词小程序到战略研究智能体
我的AI编程实践，最早是和娃一起手搓一个背单词小程序开始的。经过与AI多次互动、反复修改，这个小程序的功能已经媲美百词斩等主流背单词APP。
更重要的是，它可以持续个性化定制。程序结构、呈现方式、界面风格、个性词库等，都可以根据实际使用情况不断调整。更有意思的是，我们还加了一棵“打卡树”：每天完成打卡，就增加一片树叶；全部考纲单词打卡完成，整棵树就会枝繁叶茂。
后来，我又做了一个战略研究智能体。它可以自动抓取目标企业的上市公司年报，提取关键数据并生成结构化表格；也可以按照企业名称、指标类型进行筛选，自动生成趋势图、对比图和初步分析结论。
更重要的是，研究过程中如果需要查询不同企业的历史数据，或者对比某个指标变化，不用再回到年报和Excel中反复查找，只要直接向智能体提问，就可以得到相应结果。
这两个例子场景不同，但共同说明：想法转化为工具的路径正在缩短。
三、企业内部的小需求会被重新激活
如果把视野放大一点，AI编程的价值不只在个人小工具，也在企业内部大量分散的小需求。
很多企业都有类似问题：需求太具体，外部标准软件覆盖不了；需求太小，专门立项开发不划算；需求太分散，信息部门也不可能逐一响应。于是，很多重复性劳动长期存在。
AI编程工具出现后，这类“小而具体”的需求有了新的可能。例如，企业内部制度、工程建设规范等知识库，项目安全管理、质量验收管理等小程序，都可以先从轻量工具做起。
因此，企业内部应用更适合从低风险、边界清楚、可人工复核的场景做起，并在此基础上构建统一的底层系统和激励机制，鼓励各业务条线围绕自身场景开发小程序。这样做的意义，不只是多做几个小程序，而是为企业AI转型提供一条更轻量的入口：先让一线需求转化为可使用、可迭代的具体工具，再逐步把这些工具识别、验证、沉淀并整合到统一的生态平台中。
四、关键不是生成代码，而是验证结果
不过，AI编程不能被简单理解为“聊几句就能做软件”。能生成代码，不等于工具真的可靠；能跑起来，也不等于能够长期使用。当生成变容易，验证就会变成新的门槛。
人的角色并没有消失，而是在变化。过去更强调“会不会写代码”，以后会更强调“能不能说清需求、判断流程、验证结果，并对最终工具负责”。
所以，普通人学习AI编程，重点不一定是掌握每一种语法，而是形成几种能力：发现真实需求，拆解问题步骤，说清输入输出，判断结果是否正确，并在错误中不断修正。
从这个意义上看，AI 编程不是单纯的代码问题，而是需求能力、流程能力和验证能力的问题。它真正改变的，不是让所有人都绕过软件工程，而是让更多人有机会参与需求表达、原型验证和工具迭代，把一些具体想法转化为可以使用的工具。
技术发展不断向前，人的判断不能退后。
