那么，先来看看这些问题吧。
- 首先，得好好利用Cursor或者其他AI编程工具。你知道吗？一个优秀的程序员，能干十个人的活儿，但这里面还是得有一个人来操作Cursor，来驱动AI。而这个人可不是随便哪个人都能做的，必须得有扎实的计算机科学基础和一定的编程经验。
- 我们现在说的编程主要有两种：一种是Vibe Coding，另一种是基于上下文的Spec Coding。就目前而言，要想让没有多少编程经验的人完全掌控Vibe Coding，几乎是不可行的。毕竟，如果你连基本的提示语和上下文规范都写不出来，那就很难了。
- 说到AI编程能否替代程序员，简而言之，AI是可以替代那些水平一般，只会写CRUD的程序员的。实际上，AI的工作效率和质量往往比普通程序员要好，但核心驱动AI编程的那些程序员，还是不会被替代的。
- 关于软件开发，整个平台的生命周期其实是从用户需求的提出，到最终交付符合需求的软件的完整过程。这不仅仅是设计和编码的问题。用Cursor等工具的目的，更多是将设计和编码的工作自动化，但与前端沟通的需求梳理，以及后端的系统功能测试，依然需要程序员来完成。我们看到过很多在实践AI编程时的案例，单靠一句话的需求就完成整个项目，基本上都是不切实际的。即使AI帮你完善了需求，结果往往和用户真正需要的还是有很大差距。所以，我一直强调，理解需求和进行规格化是非常重要的工作，而没有编码经验的人往往难以做好这一点。
- 最后，能否实现一个完整项目的端到端AI替代，估计还需要三到五年的时间。这需要AI在两个方面能力上进一步增强：第一，要像需求分析师一样，能和用户不断互动来完善需求，这需要极强的协作能力；第二，AI需要能够完成功能后，进行UAT测试，涉及到最终功能界面和模拟人类测试的能力，这块AI目前还做不到。
接下来，我想附上一些我之前的评论和总结。
这篇文章是最近王垠发的《不懂计算机科学的人用好 AI 编程是妄想》的读书笔记。我想根据原文分享一下我自己的看法，希望能给大家一些启发。
现在网络上有很多误导性的说法，比如说AI（LLM）编程有多厉害，一行代码不写就能完成项目。我之前用过ChatGPT、Claude、Copilot，最近又尝试了Cursor，发现没有编程基础的人想用AI成功完成项目，几乎是不可能的。
这话说得没错，我完全同意。现在鼓励零基础学AI编程的人太多，很多自媒体的文章或视频都给人带来很大的误解。大家看看那些演示，都是些什么呢？
比如说“帮我写个贪食蛇游戏”或者“帮我写个俄罗斯方块游戏”。
这时候大家可能觉得AI能一口气写出几千行代码，真是太厉害了。但问题出在哪里呢？这些场景都是有标准解法的通用问题。因为问题足够标准且没有变化，不管AI是记忆还是生成内容，解决起来都比较简单。但一旦涉及到真实的需求场景，问题就复杂了。
我举两个小例子来说明一下。
第一个例子是让AI帮我清理微信桌面版的存储目录中的重复文件。如果我只是简单地提示“帮我清理微信重复文件”，AI能顺利处理吗？通常情况下，AI是无法做到的。你需要指明哪个目录，并清晰地说明判断文件是否重复的规则，只有这样，AI才能写出准确的程序。而经过我这两三年的观察，很多不懂计算机科学或者缺乏理工科思维的人，根本无法把这些看似简单的需求表述清楚。
第二个例子，我让AI写一个爬虫程序，爬取我的知乎专栏文章并将其存储为本地文件。你们可以尝试看看AI是否能很好地完成这个任务。除了需要给出类似反爬虫的提示外，最好还是懂一些HTML基础知识，告诉AI要取哪个DIV或者哪个表格中的数据。一般来说，没有基本编程知识的人几乎无法做到这一点。
想想上面的提示，没有基本编程知识的人根本写不出来。你不懂AI，AI也不理解你，结果就是双方反复试验，浪费时间，最后可能还得不到理想的结果。
会编程但不懂真正的计算机科学的人，想要靠AI写出“王垠级别”的代码，那也是痴人说梦。
那么，如何才能让AI写出逻辑严谨、高质量和高韧性的代码呢？其实道理很简单，你需要提供足够精确的提示。所以王垠提到的懂计算机科学和编程，并不是说要精通编程或算法，而是要理解其中的差异。
我的看法是，AI要写出高质量代码，关键在于你需要提供结构化且精确的需求提示。不要让AI去猜测你的意图，也不要让它在多种选择中自我决定。因此，懂计算机科学的同时，还需懂得业务需求。
懂编程到什么程度呢？
很简单，就是你觉得在不编码的情况下，也能给出精准的需求和结构化的业务逻辑描述。如果做不到这一点，就代表你对编程理解不够。那些编程知识若对你输出精确需求没有帮助，那就成了可有可无的内容。
这个月，Cursor帮我生成了超过六万行代码，结果我接受的不到五千行。常常跑偏，很多逻辑重复且不懂得合理抽象，甚至把我手动调整过的正确部分改错，再把我纠正过的地方又改错，生成了一大堆复杂的测试，最终无法理解为什么测试“不通过”……
几天前我创建了一个新项目，花了我20多个小时的“口舌”，最后生成了两万多行代码，复杂到无法修复，我不得不决定从头再来，而它居然还在欢呼“成功了！”并列出一项项的“成果”，对明显的错误视而不见。无数次指出问题后，它却一次次回答“哦，我知道了！”，“这次我找到问题的根源了！”结果全是空话……因为实在没法改正，只能自欺欺人吧？
你说不要定太高的目标，要有策略。我们从最简单的小函数开始，逐步进行，它就能做到吗？我发现它连小块代码都不一定写得好，有些几行的小函数都要我纠正多次才能改对。将来可能它又把它们改错，所以得盯着它，得知道什么代码是对的。
对于这个问题，不能把责任全推给Cursor，Cursor不背这个锅。
我想举个例子，假设我们新入职一个员工，已经有三到五年的编程经验。你觉得他能马上参与到复杂功能的开发中吗？
其实答案大多数时候是否定的。
原因在于，这个员工需要花时间去了解项目的背景、业务流程、团队已有的开发框架和规范，以及团队潜在的约定俗成的知识。只有当这些都熟悉了，才能顺利进入工作状态。
与AI和Cursor的沟通也是一样的道理。如何让AI更了解你，前期需要花费不少时间进行协同沟通，逐步总结出一些共性规范、流程和定义等，把这些预置到AI工具里，让AI越来越懂你，按照你的思路和规则工作。
如上图，为了更好地使用AI工具，实际上我们需要提前准备大量的规范模板和提示语。有些可以形成上下文工程的md文件，有些要配置到Cursor的规则里。这才是成功应用AI工具的关键。
我之前提到，AI编程的第一步往往是通过Markdown来结构化文档，但程序员天生不喜欢写文档，总是想到哪里写到哪里，这种思路其实不适合快速转向AI编程。
我们来看下面的截图：
举个简单的例子，做一个学生选课系统，开始时不要急着生成代码。先构建一个DesignDoc的子目录，编写文档，至少包括以下几类：
- 总体系统介绍、技术架构和选型说明
- 数据库和对象设计
- UI/UE界面规范
- 各个功能点设计（拆分为多个md文件）
好了，再回到那两万多行代码的问题，越改越乱的问题。
实际上，这都是上下文长度和AI记忆能力的问题。解决方法有两个：第一，复杂的大项目要拆分成多个小项目和组件，按架构的思路来处理；第二，在沟通几轮后，及时让AI归纳总结之前的输出内容，即使前面的细节丢失，也不影响后续的推理和输出。
所以说，最近很多人不要一味地把问题归咎于AI。其实除了上下文记忆的限制，目前的AI大模型在编程方面并没有明显的缺陷。我们不是在找AI的麻烦，而是得思考怎样调整我们传统的开发模式，寻找一种更有效的与AI协作的方式。
不过，知道什么样的代码是优质的，这可真是个难题。没有深入的研究和丰富的经验，根本无从判断。确实，AI现在成了编程的小助手，而我则成了VP。但是，一个不懂计算机科学的VP带领一群写着乱七八糟代码的程序员，能有什么好结果？看着公司里类似的现象，我心里也明白了。根本不知道团队里的人在干什么，谁说的对，下一步该怎么办。有多少VP是在瞎忙乎，我心里也是清楚的。
所以就算有了AI，依然没用，因为你驾驭不了它。你根本不配做VP。
使用AI编程的时候，最重要的就是你能否有效地掌控它，这一点我完全赞同。
想象一下，你有一个小系统的需求，然后交给开发团队去实现。完成后你其实并不太担心，也不需要去理解他们的设计思路和代码逻辑。因为就算上线后出现问题，你知道团队里的张三会负责修改和维护，你对这个团队本能地信任。即便张三离开了，李四也能接手，继续维护和修改。
这里就引出了一个关键的问题。
假设现在企业要开发一个完整的业务系统，AI编程能根据你的需求完成开发、测试通过并上线。那么问题来了，作为推动AI工作的人，你真的需要完全理解AI输出的代码吗？
如果你不去看这些代码，是否能够完全信任AI生成的代码？这不仅关乎上线后的稳定性，还包括AI在出现问题时是否能继续扩展和智能修复。现在有多少程序员敢把完全不懂的AI代码直接打包上线呢？
这就很容易理解前面提到的计算机科学和编程的关系。首先，你需要能够清晰地表达你的需求；其次，虽然代码不是你写的，但你得能理解它。如果做不到这一点，自己玩玩AI编程、写些小工具还行，但要用AI做个大系统上线，那有几个人敢这么做呢？
或许这个问题将来会有解决办法，但至少现在还不行。
因为绝大多数代码都是普通程序员写的平庸代码，训练数据也是如此，所以AI几乎不可能写出“王垠级别”的代码，这一点大家都能理解。我发现把我写的代码给AI，它确实能进行一些有效的分析和改进，但如果从头开始写，AI真的是很难。每个小函数都得我反复修改好几次，才能达到我想要的简单和易懂。
在我计算机科学的课程里，写出来的代码都是极其精炼的，和普通公司的代码完全不在一个水平上。因此上我课的同学们，基本上没希望靠AI完成练习。因为数据太少，没有足够的训练基础，所以AI恐怕永远无法达到这种精炼程度。当然，毕业后同学们的能力都远超AI，也远超那些普通程序员。
这就是我课程叫“计算机科学”，而不是“编程”的原因。计算机科学家和程序员/软件工程师之间是有很大区别的。AI或许能够替代普通程序员，但永远无法取代计算机科学家。它只能作为计算机科学家的工具。
大家可以思考一个问题。拿我的思维专栏作为例子。
我在思维专栏写了很多关于思维、学习方法、事物认知和问题分析的文章，其他人也写了不少。这些都是AI的训练资料。那么，如果现在所有人都不再写新的思维类文章，让AI来写，你觉得AI能真正推理出新的思维理论和实践文章吗？
答案显然是否定的。
我的理解可以简单总结为，AI擅长重构已知的知识和内容，但无法创造对未知的突破和创新。AI的所有输出都来自于先前的训练数据。就像AI写小说这样的场景，我认为它无法跳出固有的模式，产生新的创意。
因此，在未来的AI时代，整个人类社会和科技的发展，必定需要那些探索前沿知识和进行创新的人。人们往往会分为两类，大多数人将成为应用AI的人，而只有少数人依然具备创新精神、实践和实验的能力，能为AI提供新的知识和数据。否则，AI的发展只会越来越平庸，这就是问题所在。
别误解，我其实觉得AI是很棒的工具。用它的时候，我解决问题的速度明显提高，很多繁琐的事情不再需要我亲自去处理。这也是为什么经历了很多失败后，我仍然选择使用它们。但是你必须明白，AI只是把人的能力提升了而已，如果你的能力是零，无论乘以多少都依然是零。
我完全同意这个观点，再补充一句：AI让强者更强，而让弱者更加平庸。
