夜雨聆风判断库是它写的，选题流水线是它搭的，连公众号运营工作台都是它一个文件一个文件码出来的。
搁一年前，我肯定说：AI 编程难？难的是提示词写不好，是它老不听话。
现在我改口了。
真正难的从来不是代码，是你有没有把问题想透。
我让 AI 改废了一版又一版
说个最近的例子。
我那个工作台，要对接飞书的多维表格，把选题池拉下来展示。需求听起来很简单对吧？
我跟 AI 说："把机会池的数据拉出来，按总分排个序。"
它写了。跑起来，数据能出来，但标题全是空的。
我说："标题呢？"
它改。改完，标题有了，总分又没了。
我又说："总分呢？"
它再改。改完这回都有了，但排序是乱的——明明 78 分那篇该排第一，它给我排了个随机的。
我火了。我骂它："你是不是傻？"
它没回嘴。它把数据原样打出来给我看。
我一看，傻了。问题根本不在它——飞书接口返回的数据，是一长串字段值排在一起的数组，跟我想的"一条记录一个字典"完全不一样。是我没告诉它数据结构长什么样，它只能瞎猜，猜一次错一次。
那一刻我特别不好意思。是我没把问题想透，甩锅给 AI。
想透了，它一次就能写对
后来我学乖了。先自己想清楚，再让 AI 动手。
同样是拉数据，我这次先问自己三个问题：
数据从哪来？返回的到底是什么结构？ 我要展示什么？标题、分数，还有哪些字段？ 排序规则是什么？按总分降序，对吧？
想清楚了，我把这几句话喂给它。一次过。没有再返工。
后来我把这套问法总结成了四个问题，每次让 AI 动手前先过一遍。
同样的活儿，前者返工了四轮，后者一遍就成。差别不在 AI，在我。
这让我想起冬青说过的一句话，原话我记不太准，大意是：
需求想清楚了，AI 能写出 90 分的代码；需求是浆糊，AI 只能给你一堆改来改去的废代码。
太对了。这一年我踩过的坑，十个里有八个是第二种。
AI 是放大器，不是替身
我把这个道理再往前推了一步。
AI 写代码，本质是把你的意图放大。你给它是清楚的，它放大成可用的工具；你给它是含糊的，它放大成无尽的返工。
它不会替你想，它只会替你把你想的东西做出来。
所以我现在的习惯是：让 AI 动手之前，先回答四个问题——
这东西给谁用？解决他什么问题？ 输入是什么？输出是什么？ 遇到边界情况，怎么处理？ 什么算"做完"？验收标准是什么？
这四个问题想不清楚，我宁可不写。
判断库能越来越像样，不是因为我提示词写得多好，是我先把"鹏行天下遇到这种事会怎么想"想透了，写成了文件，它照着执行而已。
选题流水线能跑通，也一样。我把"什么样的选题值得写"定义清楚——六维评分、加权、查重，一条条写明白，它才能替我筛。
说到底，AI 是把你的判断变成现实的那只手。手没有脑子，脑子得你自己长。
别把"想"这件事外包给 AI
有朋友可能会问：那我直接让 AI 帮我想，不就行了？
行，但那是另一回事。
让 AI 帮你想，你得到的是"一个 AI 认为对的需求"。它没有你的经历，不知道你踩过哪些坑，不知道你的读者是谁、信什么、怕什么。
你自己的判断，是它想不出来的。
比如判断库，我知道哪些词一出现就要删，因为那些词是我讨厌的、是我看着就来气的"正确的废话"。这个"讨厌"的感觉，AI 没有。
比如选题，我知道评论区那个反复被问的问题才是真需求，比我自己拍脑袋想的十个选题都值钱。这个"知道"，AI 也没有。
判断，永远是人的活。AI 能帮你把它放大，不能帮你把它生产出来。
所以，别急着怪 AI
这一年下来，我对 AI 编程最大的感受是：
代码的门槛在变低，问题的门槛没变。
以前写个工具，难在语法、难在框架、难在环境。现在这些，AI 一天就能替你搞定。剩下的，全在"你想没想明白"上。
所以下次你再让 AI 写东西写崩了，先别骂它。
先问问自己：我到底想要什么？我说清楚了吗？
我踩过的坑，你也许能少踩一次。
拾贝者联盟 · 鹏行天下主业求稳，副业求变
