从AI用户到AI开发者：零基础四个月分八阶段的实践路线

2024年初，我还在做一个和AI八竿子打不着的工作：打开电脑就是写合同、填表格、回邮件。说实话当时连API是什么都不太清楚，唯一对AI的印象是觉得“大模型很厉害，会写诗、会聊天”，但也仅此而已。后来因为一个活实在干不完，我被迫开始认真对待这个叫ChatGPT的东西，顺带着学了一点点工具和编程思路。四个月后，我不仅把手里的重复工作减掉了一大半，还做出了一整套大模型辅助处理文档的流程，甚至能看懂别人写的Python代码了。

这不是什么天赋故事，就是一个普通人在完全零基础的前提下，用四个月、八个阶段，一点一点把自己从“AI用户”变成“会用AI解决问题的人”的经历。今天把整个路线完整写出来。没有基础的人可以照着走一遍，有基础的人也可以看看我在哪些地方少走了弯路——很多时候，认知调整比学习方法本身更值钱。

1. 我为什么不信“从Python开始”这条路，而把四个月拆成八个小阶段

网上搜“怎么学习AI”，几乎全是同一个答案：先学Python、再补数学、再做机器学习项目。这套路线对在校学生可能行得通，但对我这种白天要上班、晚上只有两三个小时的人来说，三个月后大概率还停留在“第二周”的状态。所以我给自己定的学习原则就一句话：不按知识点学，按任务学。也就是说，我要做的每件事都必须以“解决一个具体问题”为终点，学的知识只是路上顺手拿到的装备。

1.1 从“我要学AI”到“我要用AI做哪件事”

一开始我问自己的不是“AI怎么学”，而是“我每天都在干什么”。然后把所有重复、耗时、有固定套路的事情列了出来：写周报、整理会议纪要、把客户发的资料提取成结构化表格、做合同初稿审阅这四大类。列完那一刻我意识到，我需要学的不是AI本身，是“怎么让AI帮我干活”。

学习目标一旦从“搞懂机器学习原理”换成“搞定这四件事”，路径就完全不一样了。我不需要先学模型训练，不需要会写复杂的神经网络，我要学的是：怎么和模型说清楚需求，怎么把它的产出整合进自己已有的工作流，出了问题怎么排查。等这套能力建立起来之后，如果还需要深入，再按主业延伸。这也是我最终能把学习坚持下来的核心原因：四个月里几乎每个星期都有看得见的产出，而不是“我学会了XXX”这种虚无的感觉。

1.2 八个阶段的总览：每条路径都指向一个交付物

看到这张表你可能已经发现，我没有安排“深度学习原理”也没有“啃线性代数”。因为对零基础的人来说，那些内容在起步阶段是噪声。真正该先建立的是对AI边界的感知、对表达的掌控、对任务的拆解能力。等这些都上手了，如果后续要深入工程领域，再回头补基础，效率会高得多。

2. 前两周的决定性任务：先“无痛使用”，再系统学习提问

我见过太多人的学习路径正好反了：一开始就买课程、背概念，结果连大模型能干什么都还没体验明白，就被信息量淹没了。所以我的第一阶段极其朴素——像一个普通网友一样去用AI，而且是随时随地用。上班写邮件让AI先起一版，看英文资料让AI翻一段，周末想菜谱也让AI给建议。不加任何技巧，不写复杂提示词，就是看它真实水平到底在哪。

2.1 阶段一收获：AI的错误，恰恰是理解它最好的入口

两周里我记录了一件事：哪些任务AI一次就懂，哪些任务反复打好几次草稿还是让我想摔键盘。有个特别典型的例子，我让它把一段客户要求整理成工单，它把客套话全部删掉、给了一条特别干净的需求描述，我很惊喜。但紧接着我让它统计一份PDF里的合同到期日，它居然一本正经地给我编了三个不存在的日期。这个经历给我上了一课：AI的语言处理能力很强，但事实核查能力不可靠。用过之后你才会明白它不是一个什么都知道的权威专家，更像一个知识面广但偶尔瞎说的年轻助理。

这种体感判断在你之后搭建工作流的时候非常重要。什么时候该让AI做主力，什么时候必须留人工核验环节，依赖于你对模型能力的真实感知，而不是道听途说。

2.2 阶段二：一套可复用的正确问法

有了足够的使用体验之后，第二阶段要解决的就是“为什么我说不明白”。说实话，2024年很多人还在抱怨“AI不好用”，问怎么让AI写方案，问法通常是“帮我写个方案”，然后就没了。模型确实给了个方案，但非常泛泛、完全没有可用性。后来我意识到，不是AI不行，是我给的信息太少了。

我总结出一套适合小白的提问五件套，之后所有场景都用它：

• 角色：你希望AI扮演什么身份
• 任务：具体要它做什么，动词开头，别用模糊词
• 背景：和任务相关的信息，越多越细分越好
• 要求：格式、字数、语气、禁止事项
• 输入：给它处理的原材料或数据

举个例子，我第一次用这套方法重构了“写周报”这个场景。之前的问法：“帮我写个周报。”AI输出一篇正确的废话。用五件套之后就变成了：“你是我的助理（角色），请把下面我做的三件事改写成周报格式（任务）。我这周主要完成了客户拜访和方案修改，领导比较关注项目进度（背景）。请按‘本周重点-进展-风险’三个板块输出，语气要简洁，不要夸夸其谈，总字数控制在300字以内（要求）。以下是原始笔记：……（输入）。”效果差距是断崖式的。

这阶段还有一个关键心得：你的提问能力会快速提升，因为每天碰到的真实任务逼着你不断改措辞。别怕问得啰嗦，AI不嫌弃你，反而是你越具体，它能屁颠屁颠给的东西就越准。

2.3 最容易踩的坑：把AI当成搜索引擎或全知全能的神

前两周大部分人都会经历一个心理波动期。先是惊叹，觉得它什么都会；下一秒又被它的低级错误气到，觉得它就是个玩具。这两种极端都不对，正确心态是把AI当成一个“被蒙着眼睛的资深实习生”：它脑子里装了很多知识，但看不见你的电脑、不知道你的上下文、不清楚你的偏好。你得像带新人一样给它适应环境的材料，它才可能发挥出实力。

我自己的学习打卡表里有一条固定问题：“这次模型答不好，是模型能力的问题，还是我没说清？”绝大多数时候答案是后者。只要把这一条想明白，你的提问能力就已经超过一半的人了。

3. 第三到第五阶段：围绕一个真实场景把AI用成生产工具

如果说前两个阶段是在训练“单兵作战能力”，那第三到第五阶段就是开始“排兵布阵”。第二阶段到第三阶段的跳跃，很多人以为只是把提示词写得更好，其实真正的分水岭在于：你有没有开始为一个高频任务设计一套完整的执行流程，而不只是一次次临时提问。

3.1 工作流自动化：把个人能力沉淀成可复用模板

我第一个认真做的工作流是“会议纪要与待办提取”。当时每周至少五个会，每个会40分钟到一小时，会后的纪要约花半小时。我先用AI转写工具拿到全文，然后用设计好的提示词让模型做四件事：删除口语废话、按议题分类、标出讨论结论、提取负责人和截止日期。一开始输出基本能用，但偶尔会弄错谁来负责哪项任务，我得逐字核查。后来我在提示词里补充了一句“所有待办必须以会议原话为依据，如果原话没提到负责人，就标‘待确认’，不许猜”，一下就准确多了。

这个阶段最大的收获不是省了多少时间，而是我开始建立“人机分工”的概念。AI适合做摘要归纳、润色改写、格式转换，人负责标准的制定、质量的抽查、风险判断。每个任务在接入AI之前都应该先想清楚这个问题。

3.2 让AI学习“你的领域”，而不是全知全能地回答

到第四阶段，我处理的不再是泛泛的办公问题，而是一个专业场景：合同审阅。我的做法是先不让AI直接审合同，而是做“投喂”。我把过去一年里典型的历史合同条款、客户常提的修改意见、我们公司法务的批注习惯，全部分主题整理成文档。每一份都让AI学习并总结出规则，比如哪些表述是高风险、哪些坑经常会踩、出口合规条款通常应该怎么写。经过几十轮对话，我建立了一套“合同审查规则库”。

到真正审合同的时候，我让AI先根据这套规则库对目标文件做初筛，它能把疑似有问题的条款逐条列出来，并说清是哪条规则触发的。我再把它的判断发给法务同事做二次确认。这里必须强调，AI给出的判断只是提示，最终责任仍在自己。我见过有些人做到这一步就撒手让AI直接出法律意见，那是给自己埋雷，千万别这么干。

3.3 独立搭建小应用：把第三阶段经验升维成别人能用的产品

第五阶段要求不依赖我的模板，独立做一个端到端的小应用，给全公司用。我选择的题目是“合同风险预审机器人”。形式上没有自己写代码，用的是国内成熟的智能体搭建平台。我把前面整理的规则库作为知识库上传，再用平台的可视化工作流搭了一个界面，同事只需上传合同，它能自动抽取关键条款，对照我沉淀的规则出风险评估报告。

做这个“小产品”的过程让我第一次体验到什么叫“需求定义”和“边界管理”。同事想要的是“AI帮我把合同看完，告诉我能不能签”，但技术上不可能承诺到这个程度。于是我把它定位成“风险提示助手”，明确在页面上写着“初审仅供参考，正式意见请联系法务”。很多AI项目最后失败，不是技术不行，是期望值没管理好，这个教训从零基础阶段就开始学，我觉得特别值。

4. 从“会用工具”到“能改工具”：用AI把AI的能力私有化

前五个月的学习让我能够处理很多常规任务，但很快遇到了一个坎：平台类工具处理公开信息可以，一旦涉及公司内部的数据就会面临上传安全、隐私和功能边界等问题。零基础的人学AI到一定阶段会发现，工具是你的天花板。如果不学会更底层的能力，你所能做的一切都受限于别人设计好的界面和规则。

4.1 阶段六：让Python变成“可执行的外语”

第六阶段是最劝退零基础的分水岭，因为要碰代码了。我没有去买动辄几十小时的编程课，而是先说出自己的诉求：“我不打算做专业开发，我只想能看懂AI生成的脚本、能改动参数、能把报错信息反馈给AI让它自己改。”基于这个目的，我让AI做了一个为期两周的入门日程，要求是：用Excel办公做类比解释变量、循环、函数；每天只做一个实际的小练习，比如批量重命名文件、自动整理文件夹；学完之后能读懂一个简单的Python脚本。

这两周每天下班后我花一个半小时，不讲原理只实操。我遇到最多的状况是运行时报错，报错信息一排红色英文，一开始人都是蒙的。后来我学会了直接复制报错贴回给AI，说“这是我刚按你教的写的脚本，现在报了这个错，请解释原因并给出修改”，它就能一步步把问题拆穿。几次下来我发现，不懂编程的人不是学不会编程，而是被“我应该在背代码之前先学计算机基础”这种想法给吓住了。

4.2 阶段七：接入大模型API，做一个本地私有助手

搞定基本读写代码的能力之后，我立刻冲向下一个山头：通过API调用大模型，搭建一个完全私有化的助手。做这件事的初衷很简单，公司文档不能传第三方平台，但我依然想在大模型帮助下做内部纪要的摘要、文件问答和检索。最简单的方案是用一个本地文档问答框架，把公司资料切成片段，存进本地向量库，再由大模型的API接管问答。

这次动手让我看清楚了一个普通用户到开发者之间真正缺的是什么，不是写代码有多难，而是环境配置、依赖管理、报错排查这些“看不见的工程复杂度”。我前后折腾了好几个晚上，光是让程序能读取PDF并正确切分文字就反复装了好几个依赖库。期间断断续续想放弃，但每当AI帮我把错误解释清楚，我又能往前推一点。

最后做成的本地助手，交互方式是网页对话框。它能把公司内部资料作为依据回答我提问，并标明内容来自哪份文档的哪个章节。虽然界面丑了点，但那一刻的成就感实在很强。更重要的是，我已经不只能用别人做好的AI工具，还能按自己需要去构造工具了。这种感觉就像从开别人的车变成了能自己改装车，自由度完全不是一个级别。

4.3 给零基础者的心理建设：代码只是手段，让AI教你就好

第七阶段结束我复盘时发现，Python语法其实我只懂了一点点，看得懂的也就二三十个关键词，但这些完全不妨碍我做出本地助手。因为我不需要做一个程序员，我只需要当一个能准确描述需求、能看懂AI在干什么、能在报错时和AI对话debug的“产品经理型主人”。

所以如果你也是零基础，千万别抱着“把编程学好了再开始”的心态。正确的顺序是先用自然语言把需求提出来，让AI生成代码，再让AI逐行解释，最后遇到报错也没关系，报错是最快的学习路径。你只要坚持“不被错误吓跑，而是把错误描述给AI听”这一条规则，编程的门槛就被大幅拉低了。

5. 最后一个阶段比想象中更关键：把过程分享出去，让反馈帮你闭环

学到第七阶段的时候我已经能独立完成一些AI应用，但我发现一个问题：自己的水平是“能做出来”，但不知道做得好不好。因为没有同行给我反馈，没有标准告诉我哪些设计是合理、哪些是野路子。所以第八阶段的主题只有一个：公开展示。

5.1 从写复盘文章到参与开源项目

我先把自己做“合同风险预审机器人”的完整过程写成了一篇复盘，发在行业社区里。评论区出现了很多做法律科技的人，有人指出我规则库沉淀方式虽然适合小团队，但不利于跨项目复用，建议我用另一种更数据驱动的方式重新组织；也有人提出我的提示词应该给规则按风险等级加权，而不是平均看待。这些反馈是我一个人闷头学半年也换不来的。

后来我更进一步，参与了一个开源AI工具项目。我的贡献极其微小：只是修bug、完善文档。但在PR的来回交流中我看到了正规软件工程的做事标准：代码要怎么写、命名怎么起、文档需要解释什么。这些东西你看教程学不会，只有在真实的反馈循环里才能内化。

5.2 复盘比学习更重要：输出是最高效的输入

学到最后如果非要只说一句心得，我会说：“别把AI当学习对象，要把它当同事。你要学习的是如何和它共事，以及如何验证它做出来的东西。”而验证的最好方式就是公开输出你的方法，让更专业的人来挑毛病。被我拉进AI世界的那几个朋友也在用类似的方法，效果都不差。

最后再分享这四个月对我最大的改变：我不是成了一个程序员，也不会写多么复杂的神经网络。我只是学会了一种工作方式——把任务拆碎、把需求说清、让AI干粗活、自己守质量关。这套方法现在还在每天用，而且越用越顺手。如果你也想走这条路，别急着收藏一堆资料，先打开一个对话框，用你自己的手头任务，前两个阶段走起。