1. 从一个文科生决定“不认命”开始
先交代一下背景，我本科学的汉语言文学，毕业之后干的活跟代码没有半毛钱关系。公众号排版会用，Excel 表格能拉，Vlookup 属于我的技术天花板。就是这样一个纯文科生，今年年初因为一个有点离谱的原因，开始琢磨自己搞一个能自动整理读书笔记的小工具。
原因很简单，我每个月要读大概十本书，读书笔记散落在备忘录、微信收藏、豆瓣、纸质本子上，每次想找一句话，翻半天翻不到。某天夜里我又在四个 App 之间来回横跳，突然脑子里冒出来一句话：能不能有一个东西，我把乱七八糟的资料丢给它，它自己帮我整理成结构化笔记？
这个想法说出来以后，身边搞技术的朋友反应出奇一致，先是沉默，然后说：“你这个需求，用 Vibe Coding 可能还真能做。”然后他们给我甩了一堆术语，什么大模型生成代码、自然语言编程、对话式开发。说实话我当时内心是崩溃的，这些词每一个字我都认识，连在一起我完全听不懂。但那天晚上我没睡着，原因不是认怂，而是突然意识到一件事，如果写代码这件事真的像他们说的那样，可以用对话来完成，那我是不是也有机会？
于是我一个文科生，就这么稀里糊涂地闯进了 Vibe Coding 这个领域。这篇文章我不打算讲什么高深理论，就讲讲一个零编程基础的人，怎么从连 Python 是什么都不知道，到自己折腾出一个能用的工具的完整过程。包括中途怎么问问题、怎么踩坑、怎么被 AI 带偏然后又拉回来，以及最后我对“文科生能不能搞懂”这个问题的真实答案。
如果屏幕前的你也跟我一样，专业跟计算机无关，但心里一直有点小想法想靠技术实现，那这篇文章应该挺适合你。我不保证你看完就能成为编程高手，但我可以保证，你看完以后至少知道该从哪里下手，以及——更重要的是——知道这件事到底能不能成。
2. 把“搞不懂”拆开看：你真的需要懂那么多吗
我决定认真对待这件事以后，做的第一件事不是打开电脑，而是先坐下来想清楚一个问题：我到底需要懂到什么程度？
这个问题的答案直接影响后续所有学习路径。如果我一上来就奔着“精通 Python”“掌握数据结构”去，那基本不可能，我会头秃，然后放弃。但如果我的目标是“能自己做出一个能用的小工具”，那路径就完全不一样了。
2.1 先理清：Vibe Coding 到底是什么
在听朋友解释加自己搜索了无数资料以后，我总算搞明白了一个概念。用最朴素的话说，Vibe Coding 就是你在电脑上说人话，AI 帮你写代码。
传统的写代码，是你必须自己学会一门编程语言，语法、变量、循环、函数，全都得自己知道怎么写，然后一个字一个字敲进去。而 Vibe Coding 的方式是，你只需要告诉 AI 你想要什么效果，比如“帮我把这个文件夹里的所有文本文件合并成一个”，AI 就会给你一段代码，你复制粘贴运行，就能实现这个功能。如果运行出错，你也不用自己检查代码哪里写错了，直接把报错信息复制给 AI，它会帮你分析问题、修改代码。
我把这个过程理解为“翻译”，以前是程序员把需求翻译成机器能听懂的语言，现在是你直接跟 AI 说人话，AI 自己完成翻译工作。当然，实际执行过程中我会发现，事情没有这么理想化，但大体框架就是这样。
搞清楚这个基本概念以后，我心里踏实了大半。原来我的目标不是变成一个会写代码的人，而是变成一个会说清楚需求、能看懂反馈、会判断结果对不对的人。这两件事难度差距极大。
2.2 文科生和编程之间的真正障碍
我后来的体会是，文科生学编程，真正的障碍从来不是智商，也不是逻辑能力。我见过不少文科生逻辑能力很强，写文章写方案，层层递进，比很多人写代码清晰多了。真正的障碍有三个层面。
第一层是恐惧，对未知领域的本能恐惧。你会脑补出一个穿着格子衫的极客形象，觉得他是另一个物种。这种心理暗示会让人还没开始就觉得自己不行。
第二层是语言障碍，不是指英语，而是指“技术黑话”。刚才我提了一大堆术语，什么 Python、数据集、命令行、API，每一个词都会让外行产生一种“这不是我该碰的东西”的感觉。但实际上绝大部分技术名词背后对应的都是非常生活化的概念。
第三层是方法论错位，文科生习惯的学习方式是系统性阅读，先建立完整框架，再往里面填充细节。而编程这种实操技能，恰恰适合反过来学，先做出一个东西，然后再理解背后的原理。用不对学习方法，再聪明的人也会很受挫。
想通这三点以后，我的行动计划就变了。我不再打算先学几个月打好基础再动手，而是直接给自己定了一个目标：三天之内，做出一个能跑的、哪怕长得很丑的自动化整理笔记工具。所有的学习都围绕这个目标来，缺什么补什么，要用到什么现学什么。
这个决定是整件事最关键的分水岭。后面所有看似顺利的进展，都建立在“先动手，再理解”这个策略上。
3. 我的实操纪录：一个人工智能辅助编程小白的完整路径
接下来这段，我把我的实操过程尽量完整地记录下来。为了让叙述更清楚，我会把我当时的思考、动作、遇到的问题、AI 给我的反馈都写出来。如果你也想走这条路，这些内容可以当一份参考地图来用。
3.1 第一次对话：从一个最傻的问题开始
我做的第一件事，是找一个 AI 对话工具，然后问了一个在程序员看来可能很蠢的问题：“我是一个完全不会编程的人，想做一个能自动整理我杂乱笔记的工具，你能教我一步一步来吗？”
这里有个细节值得说一下。我朋友后来告诉我，很多人问 AI 问题的时候都问得太“大”了，比如“帮我做一个笔记工具”，AI 根本不知道你要它做什么，回答出来的大概率是一堆泛泛而谈的建议。而我那个问题之所以问得好，是因为我把自己的基本情况（完全不会编程）和具体目标（整理笔记的工具）都交代得很清楚，还用了“一步一步”这个关键词，这就等于是在告诉 AI：现在你是老师，我是学生，请按适合初学者的路径来教。
AI 给我的回应也确实很有针对性。它没有直接让我写代码，而是先问我：你的笔记目前都存在哪里？大概是什么格式的？你期望的整理结果是什么样子？
这几个问题质量非常高，后来我才理解到，这就是做项目的第一步——“需求分析”。本质上就是拆解问题，搞清楚你到底要做一件什么事，输入是什么，输出是什么，中间要经过哪些处理步骤。
我当时老老实实回答了这些问题：笔记主要存在三个地方，一个是手机备忘录里的文字，一个是微信收藏的文章链接，一个是我读纸质书时手写的笔记拍照件。理想的结果是，能把这些不同来源的内容汇总到同一个文档里，并且按照书的名字自动分好类。
到这里我都没有碰过一次代码。
3.2 从“说什么”到“给出第一步代码”
在我们来回对话了几个来回，把需求彻底理清以后，AI 给出了一个开发方案的雏形。大概意思是说：要实现这个功能，可以拆成三个步骤，第一步是整理文本类笔记，第二步是把网页链接里的正文提取出来，第三步是处理图片里的文字（这一步用到一种叫 OCR 的技术，就是把图片里的文字识别出来变成文本）。
然后 AI 建议我从第一步开始，先从最简单、最容易做出成果的部分着手。它还特意解释为什么这样安排：如果一上来就挑战最难的 OCR 图片识别，效果不稳定，新手很容易因为挫败感放弃。先做一个能立刻看到效果的小功能，建立信心，后面才好继续。
于是我们的第一次代码对话就变成了这样——我说：“好的，我目前手机的备忘录笔记我已经复制出来了，存在一个 txt 文件里，我想先让程序帮我读取这个文件，并且把所有段落按书名自动分类。”
AI 就真的给我返回了一段代码。我当时既兴奋又忐忑，说实话，完全看不懂。我对 AI 说：“我是一个完全没编程基础的人，你为什么写这样一段代码？能一句话解释一下它是干什么的吗？”
AI 回答说，这段代码是让电脑打开你指定的文件，按行读取全部内容，然后找出每一行里看起来像“《某某某》”的文本，用书名作为分组的标识，把同一本书的内容归纳到一组。这个解释让我恍然大悟，原来编程没有那么神秘，本质上就是给电脑下达一连串非常具体、非常啰嗦的指令，告诉它：打开这个，读取那个，找这种格式的文字，然后把找到的东西放到一起。
这个过程给了我一个很重要的认知转变——我看不懂代码，但我不需要全看懂。我只需要理解每一段代码在“意图”层面做了什么就行。就像你看不懂汽车引擎内部的机械原理，但你只需要理解“踩油门车会加速”这个因果关系就够了。
3.3 安装环境：第一次被工具链吓到
接下来 AI 让我安装 Python 环境和相关的辅助工具包。这一步我现在回想起来，是整条路上最让人想放弃的地方之一。不是因为难，而是因为步骤繁琐、术语又多，每一步都让人心里没底。
我按照 AI 给的指引打开电脑的终端命令行界面。如果你是纯文科生，第一次打开这个界面，你会有种自己走进了黑客电影现场的错觉，一个黑乎乎的窗口，等着你输入一些神秘指令。我当时的内心台词是：我是不是已经走太远了？
但 AI 的引导挺贴心，它说：请复制下面这一行代码，粘贴到终端里按回车。我照做了，屏幕上蹦出一长串我看不懂的文字。我紧张地问 AI 是不是出了问题，AI 说请把显示的文字发给我——我把报错信息原封不动地复制回去，AI 告诉我这是因为系统里还没有安装一个组件，并让我继续执行下一条命令。
就这么来回折腾了大概四十分钟，我终于把运行环境搭建好了。这件事给我的启发是：遇到新东西不用慌，工具链复杂归复杂，AI 正在帮你做“翻译”和“避坑”的工作。你要做的只有一件事——听话，照做，然后把反馈告诉它。这就像在陌生城市里跟着导航走，你不认路也没关系，只要别在路口自己瞎拐就行。
3.4 写出第一版能跑的东西
环境准备好以后，我们就正式进入让我激动的时刻了。AI 给了我一份完整的代码文件，我把它复制到一个新建的文件夹里，保存为 txt_notebook.py（AI 告诉我，py 是 Python 文件的扩展名，相当于这个文件的身份证）。
然后我在终端里执行了启动命令，几秒钟之后，屏幕上开始滚动文字。等滚动结束，我打开文件夹一看，里面多了一个新的文档，名字叫“整理后的读书笔记”之类的。我打开那个文档，看到了我最开始的备忘录里那些零散记录，如今整整齐齐地按书名归类好了。
那一瞬间的感受真的很难形容。不是“哇我好厉害”，而是一种更实在的震撼——我只是说了几句话、复制了几段代码、按了回车，一个能帮我干活的工具就这么诞生了。跟我在鸡汤文章里读到的“你也可以”完全不一样，这是亲眼看着一件东西从无到有的过程。
而且这个过程里我完全没有“编程”的感觉，我做的只有提出需求、理解思路、执行操作、反馈问题。AI 负责了大部分跟代码技巧相关的部分。这大概就是 Vibe Coding 最核心的价值，它把“会写代码”这个专业门槛，降维成了“会说需求”这个每个人都具备的能力。
3.5 第一次翻车：我不理解报错，但我知道怎么自救
第一版工具能跑之后，我很兴奋，立刻想给它加新功能，处理网页链接里的文章正文。AI 也配合地给了我新的代码。结果我运行的时候，速度比预想的慢很多，而且屏幕上跳出了一大片红色文字。
红色文字一出现，我的心就往下沉。那种感觉就像是一个不熟悉修车的人，发动机一响就紧张，觉得整个机器都要炸了。我担心的倒不是代码出了错，这是我预料之中的事，我担心的是：我连错误信息都看不懂，怎么跟别人解释问题出在哪？
然后我逼自己冷静下来，把红色框框里的文字从上到下看一遍。虽然大部分内容对我像天书一样，但 AI 曾经教过我一个技巧：报错信息里通常藏着线索，比如它可能是在哪一行出了问题、缺了什么东西、或者哪种类型的数据不合预期。我看不懂全部，但我至少能把整段报错原封不动地发给 AI。
AI 看完以后告诉我，这次的问题很常见，我用到的某个辅助工具包版本不兼容，建议我换用另一种方式，或者升级到指定版本。我照做，重新运行，这次没有报错了，但结果是空的，网页内容没有被正确提取出来。
AI 又问我要了一个信息样本，让我把网页链接发给它。我把链接粘贴过去以后，AI 分析发现这个网站有反爬虫机制，简而言之就是网站为了防止程序自动读取内容，用了些技术手段。AI 建议我换一个来源的链接试试，或者调整请求时的参数。
我这次翻车的经历，现在看来反而比成功更宝贵。因为我看到了一个关键的事实——出错并不可怕，可怕的是出错以后没有应对手段。而 Vibe Coding 给文科生的应对手段非常明确：把错误信息交给 AI，让 AI 帮你当“医生”。你不需要自己会诊断，但你要学会准确描述症状、提供样本。
3.6 我从整个流程中总结出的可复制套路
跑通第一版、翻过一次车、又成功修复之后，我对整个 Vibe Coding 的运作流程有了一个清晰的认识。如果说一开始我是被一根线牵着走的木偶，那现在我开始看懂这根线是怎么穿的。
整个流程在我看来可以压缩成四句话——需求说清楚，拆成小块做；代码看不懂，意图要抓住；报错莫慌张，原样扔回去；一次别贪多，跑通再迭代。
这四句话听起来简单，但每一条背后都有我流过的眼泪。需求说清楚，是针对那些“帮我做一个笔记工具”这样的模糊表达说的；拆成小块做，是针对那些一上来就想做全家桶功能的冲动说的；代码看不懂，意图要抓住，是针对我们这种没有编程基础的人说的；报错莫慌张，原样扔回去，是针对崩溃情绪说的。
把这套流程跑通以后，我已经从“依赖 AI 一步步喂”的模式，慢慢变成了“自己提出下一步做什么、再让 AI 辅助实现”的模式。这个转变很重要，意味着我开始掌握主动权了。
4. 把“对话”当工具：我日常是怎么和 AI 协作的
很多人以为 Vibe Coding 就是“你问一句，AI 答一句”这么简单。但实际操作下来我发现，同样是用对话工具，新手跟有经验的人使用起来效果天差地别。区别主要在提问的方式和追问的深度上。
4.1 提问的姿势，决定回答的质量
我举一个例子。有天我想给工具加一个功能，让它能自动识别笔记里哪些是重点句子，并高亮标记出来。
我这个小白版本的问法是：“帮我把重点句子高亮。”AI 确实给了我很长一段代码，但我粘贴运行以后，发现高亮得很乱，几乎把所有句子都标出来了。
后来我调整了问法，变成这样：“我的笔记是 txt 格式的纯文本，我想让程序自动找出每个段落里信息密度最高的一句话，比如包含最多动词和名词的那句话，然后给这句话加上 Markdown 的加粗标记，应该怎么做？”
注意这两个问法的区别：第一个是“结果导向”但信息不足——AI 不知道什么是“重点句子”，没有判断标准，自然只能瞎猜；第二个是“过程导向”且信息充分——我给出了输入格式、判断逻辑的方向、期望的输出效果。AI 拿到这种问题，给出来的方案就好用得多。
所以如果你也想用 Vibe Coding 做东西，我建议你在开口之前先把答案需要的“原材料”想清楚——你的原始数据是什么？格式是什么？希望得到什么？判断标准大致可能是什么？真的想不清楚的时候，你可以打开 AI 工具先问它一句：“在问我这个问题之前，你会先问我哪几个问题？”这一招通常能把你的思路带顺。
4.2 让它解释，不要让它沉默
还有一个习惯我觉得特别值得养成，就是让 AI 养成“边回答边解释”的习惯。
一开始我问问题的时候，AI 经常只给我代码，不给解释。代码我复制了能用，但心里始终隔着一层，觉得这玩意儿是黑魔法，不是属于我的东西。后来我学乖了，每次让 AI 写代码之前，我都会加上一句：“请在给出代码前先用三句话说明你的思路，代码关键部分请加注释，用最简单的话解释每段是干嘛的。”
这一个小小的要求，让 AI 的回答质量发生了质的飞跃。因为它被迫像老师一样把思路拆开，而不是像同事一样直接把代码甩你脸上。对这个习惯我特别推崇，因为它解决了一个文科生的核心焦虑，不是“不会用”，而是“不理解”。不理解就会心虚，心虚就会想放弃。
另外，AI 给出的代码里常常包含一些我不认识的符号和操作，我现在的习惯是抓住一个问一个，不搞清楚不往下走。比如有一次我盯着一行长得像乱码的代码看了半天，问 AI 这是什么，它告诉我说，这是“列表推导式”，简单讲就是让程序用一句话写完一个原本需要三行才能写完的循环操作。这么一说我就懂了，原来是“省略写法”。
4.3 把“人话”翻译成“半技术语言”的小技巧
用久了以后我还发现，虽然 Vibe Coding 支持全自然语言对话，但如果能稍微掌握几个技术术语，跟 AI 沟通的效率会大幅提升。注意，我说的是“稍微”，不是要你系统背术语，而是在使用过程中遇到一个学一个就行。
举几个我日常高频使用的词——”变量“就是一个存放东西的盒子；”函数“就是一段可以反复调用的步骤流程；”参数“就是调用流程时你递给它的具体东西；”循环“就是让程序重复执行某段操作；”字典“和”列表“就是两种不同的存放数据的方式，前者像带标签的收纳盒，后者像按顺序排好的货架。
当你学会在提问里偶尔夹杂这些词，AI 对你问题的理解精准度会上一个台阶。因为它能更准确地判断出你在哪个模块上遇到问题，然后给出更有针对性的回复。这不是在叫你学会编程，而是在教你学会用对方的语言体系中的几个常用词汇来降低沟通成本。
5. 坑与避坑：文科生最容易在哪些地方翻车
我把这一路摔过的坑整理了一下，绝大部分是文科生或者说零基础人群特别容易踩的。它们看着不大，但每一个都足以让人原地放弃。
5.1 第一个坑：环境安装劝退
这个前面提到过，就是安装 Python 运行环境和各种辅助工具包。对于没接触过命令行的人来说，这一步相当于让你在黑暗房间里找电灯开关，还不知道灯在哪面墙上。
我的建议是：遇到这一步觉得困难，完全正常，不用怀疑自己的智商。应对方法有两个，第一是尽量紧跟 AI 的回答，把每一条指令都照着敲，不要自己发明创造；第二是选择一个图形化操作门槛更低的开发现场来解决环境问题，用网上现成的在线编程环境，省掉本地配置的一堆杂事。
我个人当时是在本地装的，被折腾了快一个小时，但好处是之后运行速度稳定。如果你耐心一般，我更推荐先拿在线环境把功能跑通，建立成就感以后，再回头补本地环境的课。先做成，再做好，这个顺序对新手极重要。
5.2 第二个坑：需求描述模糊，AI 只能瞎猜
很多第一次用对话编程的人，容易犯一个毛病：把自己脑海里的设想想得很完整，但在描述的时候，只丢给 AI 一句话，比如“帮我做个宠物管理软件”“帮我做个日记统计工具”。
AI 接收到这种信息，唯一能做的就是给你一个非常宽泛的方向性建议，或者直接给你一整套架构图——里面全是你看不懂的术语名词。这一下子就把你打懵了，觉得自己离目标十万八千里。
实际有效的做法是，把需求拆得再碎一点。不要把它当成一个“软件”，而是当成一串“动作”来描述。比如“宠物管理软件”可以拆成：我需要一个表单，能记录每只宠物的名字、生日和疫苗日期；然后需要一个列表，能展示这些记录；最后需要能按时间提醒我。
这样一串描述，AI 就能给你出可执行的代码了。而且你会发现，你自己在拆解的过程中，思路也会变得条理清晰，这种能力本身就是编程思维的一种。
5.3 第三个坑：不断新增需求，代码越改越乱
我至今印象很深的一个坑，是给自己的阅读笔记工具加了大概第五个小功能的时候。每加一个，代码就长一截。到了某个节点，新功能怎么都运行不对，明明上次还好好的，这次一动就报错。
AI 帮我看了一通以后说：“你的代码里，几个功能的逻辑混在一起了，互相干扰。建议把不同功能拆开，写成几个独立的模块。”我当时没听懂，后来 AI 打了个比方我就明白了——你原来是一个小房间，东西少，堆在一起也能找着；后来东西多了，你还把所有东西都堆在同一个房间里，自然就乱了。正确做法是多隔几个小房间，每类东西放一屋，互不干扰。
这就是编程里说的“模块化”。作为一个零基础的人，我没法预见这个问题，但在经历之后，我学会了以后每次加新功能之前，都会先问 AI：“按我现在这个项目的规模，新功能是直接加进去更稳妥，还是单独拆一个模块更稳妥？”让 AI 帮我做架构层面的判断，等于自带一个架构师。
5.4 第四个坑：把 AI 给的代码当成“圣旨”
最后一个坑有点反直觉，但特别值得提醒：AI 给你的代码不一定是完美的，有时候甚至是错的。不是说它能力不行，而是对于复杂项目，它生成的代码可能没有经过实际运行验证，遇到独特情况就会失效。
我一开始的做法是，把 AI 给的每一行代码都当成正确答案，不敢改，也不敢质疑。结果有一次程序运行出来的结果明显不对，我慌了，问 AI 怎么回事，AI 也折腾了半天，最后发现问题出在它自己之前给的某段代码上，换了一种写法就好了。
这件事让我学到的东西远比做成工具更有价值：对 AI 给出的东西要抱一种“可用但不盲从”的心态。你跑通了、测试了、验证了，它才变成你真正可以依赖的东西。凡事多留一个心眼，多问一句“这个方案有没有可能出错，在什么情况下出错”，你会省掉很多后期返工的麻烦。
6. 就算不写代码，Vibe Coding 也改变了我这一类人的可能性
工具做好以后，我的生活发生了一些细微但很有意思的变化。我不再是那个一听别人聊技术就默默低头刷手机的人了，也不再觉得电脑里那个黑色窗口与我无关。这种变化的本质，不是我的技术能力突飞猛进了，而是我对“技术”这个东西的想象被打开了。
以前我把程序员世界看成一座高墙围起来的城堡，里面的人能造出各种神奇的工具，而我只能站在墙外使用他们造出来的东西。Vibe Coding 给我的感受，更像是城堡开了个侧门——虽然没有完全进去，但我至少可以站在门口提需求、看他们干活、偶尔自己动一下扳手。
这种改变的实际价值在哪里？对我来说至少体现在三个层面。
第一，我有了一点点“行动力”。以前脑子里经常冒出各种天马行空的想法，比如“能不能把我喜欢的作家全集做成一个可以搜索的文档”“能不能做个菜谱管理工具”，想想就说算了，因为我不会。现在我不会轻易放弃了，我会花五分钟把需求想清楚，打开 AI 工具问一句，很多时候真的能得到一个可实现的方案。
第二，我对技术的理解变得具象化。写代码不再是一个神秘的黑盒子概念，而是一种“跟电脑把话说清楚”的能力。这个理解让我在日常生活里跟人交流时，多了一份底气和参与感，不再自动把自己归为“技术绝缘体”。
第三，我开始能读懂技术世界里的一些基本讨论了。什么版本、什么依赖、什么库，以前我听到就跑，现在至少知道它们大概指什么，甚至能插一两句嘴。这种微妙的“圈内感”，对于一个文科生来说，还挺让人上瘾的。
7. 给同样想搞懂的你的几句实在话
文章到后段，我特别想聊聊“文科生想搞懂这件事，是不是只能靠做梦”这个标题里提出的问题。我的答案是：如果是以前，可能真的差不多靠做梦；但如果是现在，答案是“可以，但要用对方法”。
用对方法的核心里面，我认为有三条是我最真实的体会。
第一，别从看书开始。我知道文科生学习的习惯是找几本经典教材，从头读到尾。但我用自己的经历告诉你，在 Vibe Coding 这件事上，看书会找让你觉得自己离做成越来越远。更好的做法是拿一个哪怕再小的真实需求，直接开始跟 AI 对话，让整个学习过程围着“做完一件具体的事”展开。你缺什么就问什么，AI 会给你最直接的答案。
第二，拥抱“笨拙地开始”。我第一版工具丑得不行，功能简陋，代码我一窍不通，但我兴奋坏了。那种兴奋感不是来自“我学会了一个技能”，而是来自“我做出了一个东西”。请千万不要对自己初期作品抱太高要求，你会越做越精致的，但前提是你得先允许自己粗糙地起步。
第三，把 AI 当成“话痨老师”，不要当成“沉默的工具”。每次使用之前，先告诉它你的背景，要求它用最简单的语言解释思路、标注重点、留出疑问口。你会惊讶地发现，同一个 AI，在得到你“我需要你教会我”的指令后，给出的回答会完全不同。你会感受到它不是一台冰冷的机器，而是一个越教越顺的好搭档。
写到这里，我回想整个历程，最深刻的感觉不是“我变聪明了”，而是“有一种过去被关掉的门，其实一直虚掩着”。我只是终于鼓起勇气推了一把，发现门背后没有我想象中的复杂迷宫，只是一条需要你愿意开口问、愿意伸手试的路而已。
所以，如果你也正在屏幕那头被某个想法煎熬着，觉得自己肯定不行、肯定学不会、肯定不是干这行的料，那我只想说一句：可以在梦里先想一想，但更重要的是，醒来以后给那个 AI 对话框发一句很外行的提问。一切真正意义上的搞懂，都是从一句“我不懂，但我想知道”开始的。
