夜雨聆风一个非程序员的AI协作手记，以及可以复用到任何岗位的方法论
你的工作中有没有这样的时刻？
月底了，财务桌上摊着七八张报表，要按科目逐笔核对金额是否一致；季度末，HR面前是一整月的考勤数据，需要把迟到、早退、漏打卡、请假异常全部筛出来；运营刚关掉一场活动报名通道，后台导出几千条用户信息，手机号格式不对的、必填字段为空的、年龄明显不合理的，得一条条过一遍；法务收到的合同文本里，违约金条款是不是统一标准、管辖法院是不是写对了、生效条件是不是遗漏了，也都要逐一排查。
这些工作有个共同点：规则很清楚，但执行全是机械重复。数据量一上来，人工做不仅慢，还容易眼花出错。
我也经常面对类似的活儿。不过上个月，我试着换了个方式——我让AI帮我写了个批量处理的小工具，六轮对话下来，工具就能自己跑完全部质检了。
关键是，全程我没写一行代码。下面聊聊我是怎么做的。
我的工作场景——ICD编码质检
先交代一下我的具体工作，这样你有个画面感。
我做的是病案质控。简单说，每份病历出院的时候都需要贴一个"标签"，这个标签就是ICD编码——国际疾病分类代码，相当于用一套标准化的编号来描述这个病人得了什么病、做了什么手术。质控的工作，就是检查这些"标签"贴得对不对：有没有漏编的、编错的、或者编码和病历内容对不上的。
每次质检，我面前是几百到几千份病案数据，还有一份写着质检规则的表格。规则大概长这样：主诊断编码不能为空、主诊断和手术编码之间要满足某些逻辑关系、某些特定编码组合需要额外标注，等等。规则本身不多，大概十几到几十条，但要拿这些规则去逐条对照几百上千份病案，工作量是很可观的。
我的起步条件其实很简单：一份现成的、能跑通基本流程的Python程序，加上两份Excel表格——一份是病案数据，一份是质检规则。程序本身很基础，说白了就是一条一条去读数据，然后拿规则去比对。但基础的程序离"好用"还有很大距离，中间经过了好几轮调整。
而这些调整，全是我跟AI聊天聊出来的。
我跟AI的六次对话
下面是我跟AI的六次对话。我不会讲技术细节，而是侧重"我怎么说"和"问题怎么解决的"，每段对话后面我会总结一个方法论要点。你会发现，如果你能准确地跟同事解释一项工作应该怎么做，你就能准确地跟AI描述一个程序应该怎么写。
1提取关键字段
第一个问题很直接：病案数据里的编码字段，是用斜杠连在一起的一长串内容，但我只要取第一个编码。
我是这么跟AI说的（大意）："编码那一列，数据是用斜杠分隔的，比如A01/B02/C03，我只需要取最前面那个，也就是A01。"
就这么一句话，AI就理解了，直接给出了处理方案。它知道"斜杠分隔"意味着要按符号切分，"取最前面那个"意味着取切分后的第一段。
方法论提示
跟AI沟通的第一步，就是把业务需求翻译成数据处理需求。你不需要会说技术术语，只要能说清楚"现在的数据长什么样""我想变成什么样"，AI就能理解。
2规则解析出了错
程序跑起来之后，我发现有些质检规则被截断了，检查结果不对。
原因是什么呢？质检规则里本身包含了一些特殊符号，程序在解析规则的时候，把这些符号也当成了分隔符，结果一条规则被错误地切成了好几段。
我观察了一下出问题的具体情形，然后跟AI说："条件之间的分隔符有时会把规则内容也切断，能不能只切前两刀？"
这里的"只切前两刀"是我自己想出来的说法，意思是只按分隔符切分一次就够了，不要无限制地切下去。AI秒懂，改完之后问题就解决了。
方法论提示
遇到程序出bug，准确描述"什么情况下出问题"和"期望的正确行为"就够了。你不需要知道代码里哪里写错了，只需要告诉AI现象是什么、你希望它怎么表现。
3数据类型不一致导致的崩溃
改完上一个问题，程序又报错了。我看了报错信息——虽然看不太懂，但我能描述发生了什么。
大概是：有些病案里的某个字段，有的是以列表形式存在的（就是一组数据），有的就是普通文本。程序在检查这个字段是不是为空的时候，用同一种方式去处理，结果遇到列表类型的数据就崩溃了。
我跟AI说："有的字段是列表，有的是普通文本，用同一种方式检查空值就报错了。"
AI加了一个判断：先检查数据是什么类型，再分别处理。一行描述，问题搞定。
方法论提示
你不需要理解报错信息里的每一个技术名词。告诉AI"什么操作、碰到什么数据、出了什么问题"，它自己会定位原因并给出修复方案。这就像你去修车，不用自己诊断故障码，告诉师傅"踩刹车的时候方向盘抖"就行了。
4加一列数据
这个问题特别简单：质检结果表出来了，但我发现里面缺少了"出院日期"这一列，而这个信息我后续分析需要用到。
我跟AI说："结果表里帮我加上出院日期这一列。"
一句话，搞定。
方法论提示
不要把简单的事情想复杂了。加一列数据，不需要解释为什么需要、放在哪里合适、格式是什么——AI会根据上下文做出合理的判断。如果它猜得不对，你再纠正就行。
5数据太多跑太慢
前四个问题解决后，程序功能上已经没什么问题了。但当我拿全量数据跑的时候——几千条病案——发现速度很慢，等了好几分钟才出结果。
我脑子里隐约记得"多核""并行处理"这些词，但完全不知道具体怎么操作。于是我直接用大白话跟AI说："数据量大了跑得慢，能不能同时用多个核心一起处理？"
AI就自动把数据分成了好几块，让电脑的多个处理器同时并行处理，速度一下子快了好几倍。
方法论提示
性能优化用大白话一样能表达清楚。你不需要知道"多进程""线程池""异步IO"这些概念，只要说出你观察到的现象和你期望的效果，AI会自己选择合适的技术方案。先让工具能跑起来，再让它跑得更快。
6最无聊但最影响体验的问题
最后一个问题，技术含量可能是最低的，但如果不解决，整个工具几乎没法正常用。
当时我双击程序想运行它，结果窗口闪了一下就消失了。程序其实跑完了，但结果一闪而过，什么都看不到。
我告诉AI："双击运行的时候窗口一闪就没了，能不能跑完后停一下让我看到结果？"
AI在程序末尾加了一句"等待用户输入"的指令，这样窗口就会停住，直到我按一下回车键才关闭。
方法论提示
最影响使用体验的bug，往往技术含量最低。但恰恰因为技术含量低，我们很容易觉得"这种小事不好意思拿出来问"。别犹豫，任何影响你使用的问题都值得提出来。
六次对话，从功能实现到bug修复，从字段调整到性能优化，再到用户体验的小细节。整个过程就像跟一个很耐心的同事合作——只不过这个同事写代码特别快。
我从这个过程中学到了什么
回过头来看，这次经历最大的收获不是做出了一个工具，而是摸索出了一套跟AI协作的方法。我把它们总结成四个要点。
要点一：描述问题比描述方案更重要
很多人觉得跟AI沟通需要会"说技术语言"，其实不是。打个比方：你去理发，你不需要告诉理发师"用几号推子、从哪个角度下刀"，你只需要说"剪短一点，鬓角修干净"，理发师就知道该怎么做。
跟AI协作也是一样。描述问题比描述方案更重要。你不需要告诉AI"用正则表达式按第一个斜杠分割"，你只需要说"数据是用斜杠连在一起的，我只取最前面那段"。AI会自己判断该用什么方法。
所以核心能力不是"懂技术"，而是"能把自己的需求说清楚"。
要点二：先跑通再优化
回顾我的六次对话，你会发现它们是有顺序的：先是把基本功能跑通（提取字段、解析规则），然后解决运行中的bug（数据类型不一致），再补充缺失内容（加一列），最后才做性能优化（多进程并行）。
这个顺序不是刻意安排的，而是自然推进的结果——先让东西能用，用的时候发现问题再改。
这其实是一个很重要的原则：先让工具能跑起来，再让它跑得更快。不要一上来就追求完美，先做一个"能用的版本"，再一轮一轮地改进。这跟写报告、做方案是一个道理——先出初稿，再反复打磨，比憋一个完美版本出来高效得多。
要点三：你的领域知识才是核心竞争力
AI很强，但它有一个根本的局限：它不知道ICD编码是什么，但它知道怎么处理字符串。你的领域知识才是让输出正确结果的关键。
举个例子，在我们的质检规则里，"主诊断编码"和"其他诊断编码"有不同的检查逻辑。AI不知道这两个概念的区别，也不知道为什么主诊断需要更严格的校验。但这些我知道，所以我能准确地告诉AI"主诊断这一列要做这些检查，其他诊断那几列做那些检查"。
财务的人懂科目之间的勾稽关系，HR的人懂薪酬计算的层级规则，法务的人懂合同条款之间的约束逻辑。这些领域知识才是让AI输出正确结果的关键。AI负责执行，你负责把关。你能把规则说得多准确，结果就有多可靠。
要点四：要有现成的"锚点"
有一个很重要的前提：我不是从零开始的。我手上已经有一份能跑通基本流程的Python程序，以及整理好的数据表和规则表。
这个现成的程序就是我的"锚点"。AI不需要从空白页开始创作，而是在一个已有的框架上做修改和优化。这就好比装修，在毛坯房里从零设计很难，但如果你已经有一个住了几年的房子，只是想优化一些细节，那就容易得多。
如果你手头没有现成的程序怎么办？其实也可以让AI先帮你写一个最简单、最基础的版本——哪怕功能很粗糙也没关系。然后以此为起点，一步一步迭代。关键是不要追求一步到位，而是找到一个可以出发的位置，然后不断优化。
这套方法可以迁移到哪些场景
我聊的是ICD编码质检，但你可能已经发现，这套方法的本质是：有结构化的数据，有明确的检查规则，需要大量重复执行。满足这三个条件的工作，在任何行业都大量存在。
财务：多张报表数据交叉验证
月底把利润表、资产负债表、现金流量表的关联科目逐一核对，看数字是否一致。规则清晰、数据量大、纯重复操作。
结构化数据明确规则高重复性
HR：考勤数据批量合规检查
整月考勤记录中，筛选出迟到超过规定次数、连续打卡时间异常、请假类型与审批记录不匹配等情况。
结构化数据明确规则高重复性
运营：用户报名信息格式校验和清洗
活动结束后，几千条报名数据里，手机号位数不对的、邮箱格式异常的、年龄不在合理区间的，需要一一识别和标注。
结构化数据明确规则高重复性
法务：合同关键条款批量筛查
几十份同类合同中，检查违约金比例是否统一、管辖法院条款是否完整、保密期限是否符合标准。
结构化数据明确规则高重复性
销售：客户信息去重和标准化
从多个渠道汇总的客户名单中，找出重复录入的记录，统一公司名称的写法（比如"有限公司"和"有限责任公司"的归并）。
结构化数据明确规则高重复性
你可以对照一下自己的工作，想想有没有类似的情况。如果有的话，说明这个方法完全可以用在你身上。
以前自动化是找IT提需求排队，现在自动化是你自己跟AI聊几轮。
你不需要学会编程，你只需要学会把自己的工作需求说清楚。数据是什么样子的，规则是什么，期望的结果是什么——用你平时跟同事交代工作的方式说出来就够了。
下次当你面对一堆需要按规则逐条检查的表格时，不妨先想一想：能不能让AI帮我写个小程序，批量做这件事？
答案大概率是：可以的。