用 AI 写代码：从零基础到能自己改程序

第一次让 AI 写代码的人，常会陷进同一个循环：复制一段代码，粘进某个窗口，报错，把报错贴回去，再复制一段。跑通的那一刻很轻松，可过两周想加一个功能，打开文件发现自己一行也看不懂。零基础用 AI 写程序，分水岭不在第一次跑通，而在能不能读懂并改动手上这份东西。

门槛从背语法挪到了说清需求

过去学编程，前两周都在和语法、环境、编译错误较劲。AI 把这段路压短了：它记得住函数名，也能把报错翻译成人话。腾出来的时间，正好花在更需要人的地方——想清楚输入是什么、输出要什么、边界情况怎么处理。

描述需求时，一段能直接用的结构是：用什么语言或工具、输入从哪来、要做哪几步处理、输出成什么形式、出错时希望怎样。比如「用 Python 读同目录的 data.csv，算每列平均值，按列名打印，缺值跳过并计数」，比「帮我写个处理表格的程序」可执行得多。这类写法本身就是提示词的基本功。

五步，从一句话到一个能改的小工具

这五步的次序有实际原因：越往后，出错时能排查的范围越小。第三步之前不要管界面好不好看，第五步之后才轮到考虑打包和部署。跳过中间任何一步，问题都会堆到后面一起爆。

报错信息是整段对话里最值钱的部分

把报错贴给 AI 时，三样东西缺一不可：完整的错误堆栈、触发它的那几行代码、你刚改过什么。只给一句「报错了」，它只能猜；给全了，它往往能直接指出是变量没定义、路径写错还是版本不对。

还有一个常被忽略的动作：让它先解释这条报错在说什么，再让它改。解释一遍，下次遇到同类错误你就能自己判断，这比多要十段代码有用。它解释得含糊，通常说明它也没定位到原因，这时继续追问比继续复制更有价值。

能跑之后，先读三个地方

想自己改程序，读代码要有顺序。先找入口——程序从哪一行开始执行；再顺着数据看它从哪来、被谁改过、最后去哪；最后看状态，哪些变量会被保存下来、下次打开还在。这三处看明白，一个几百行的小工具就不再是黑箱。

读的时候可以直接让模型做标注：逐行说明这段在做什么、哪些行可以删、变量名能不能改得更好懂。它讲错的地方，往往正是你没想清楚的地方，两边一对就露出来了。这也是零基础用户进步最快的一段练习。

它写得出能跑的代码，写不出能担责的系统

模型看不到你的运行环境。库里同时存在好几个大版本，它给的写法常常对应你没装的那个；它也可能顺手编一个不存在的函数名或参数，语法看着完全正常，一跑就报错，这类情况在AI 幻觉里有系统解释。

更要紧的是它不承担后果。涉及登录、支付、权限、个人数据的代码，出错的代价不是报错，而是数据泄露或资金损失。它不会主动提醒你「这段没有做输入校验」「这个查询可以被注入」，也不会拦着你把密钥写死在文件里。上线前找懂行的人过一遍，这一步省不掉。用它爬别人的数据、破解软件、批量注册账号，风险落在操作的人身上，不在模型身上。

上下文一长，它就记不住你的约定了

项目超过几百行，把整个文件夹贴进去会超出上下文窗口，它开始忘记前面定过的命名和结构，改 A 处时把 B 处改坏。更稳的分工是按文件处理：一次只给一个文件加它的调用方，改完自己跑一遍，再进下一个。

另一种省钱的做法是只贴相关片段。但片段给得太碎，它会缺上下文，写出和现有结构冲突的代码。判断标准很简单：贴进去的内容，要能让一个没看过项目的人看懂这段在做什么。

从「会用」到「敢改」差的是什么

会用，是能让别人的代码在自己机器上跑起来；敢改，是知道改哪一行会影响到哪。这两者之间隔的是几次完整的修改经历：加一个字段、换一个数据源、把一段写死的东西变成可配置。每完成一次，你对这份程序的所有权就多一分。

零基础做出有用的小工具，今天已经不难。难的是判断它什么时候不该用——数据敏感、涉及钱、要长期维护，这三类场景值得请人把关，其余的自己试错成本很低。

速查：零基础用 AI 写代码

• 需求写清输入、处理、输出、异常，一句话能省三轮返工
• 报错要贴完整堆栈、相关代码、刚改动的地方
• 一次只加一个功能，加完重跑旧功能
• 登录、支付、权限、密钥相关代码必须人工审
• 项目变大后按文件喂，别整包粘贴