编程场景包

01 · 非程序员编程的核心理念

编程和用AI写代码是两件完全不同的事。这是最关键的心态转变。

学编程需要你理解算法、数据结构、系统设计。但用AI写代码只需要你清楚地描述问题、验证代码是否工作、知道什么时候不该用AI。这就像开车和学汽车修理：你不需要懂引擎工作原理就能开车。

三个核心区别

第一，目标完全不同。学编程的目标是"掌握一个技能"。用AI写代码的目标是"解决一个具体的问题"。心态不同，追求的东西就不同。

第二，所需的技能不同。学编程需要理解抽象的概念。用AI写代码需要的是清楚地表达一个具体的问题。你需要的不是"编程能力"，而是"需求描述能力"。

第三，验证方式不同。作为程序员，你需要能够调试代码、理解每一行的含义。作为非程序员使用AI，你只需要能够判断"输出对不对"。你不需要理解代码怎么工作，只需要理解它在做什么。

关键认知：你不是在学编程，你是在学"怎么让AI给你写代码"。这是两个完全不同的技能树。

非程序员能做和不能做的边界

• 能做的：简单脚本（几十行）、数据处理、文件操作、定时任务、网页爬虫、数据分析、简单的web应用（Flask、Django）
• 不能做的：复杂系统、长期维护的代码、需要深厚CS知识的任务、涉及用户数据和安全的系统、高性能计算
• 分界线：当代码超过500行，或需要定期维护和升级，或涉及多人协作时，你应该找真正的程序员。

你的优势是什么？你理解业务问题，知道用户需要什么。程序员不一定理解。所以，用AI写的代码最适合"快速解决业务问题"的场景。

02 · 简单爬虫：需求到可运行代码

网页爬虫是非程序员用AI最常见的场景。完整的工作流是：需求描述 → 代码生成 → 运行调试 → 结果整理。

第一步：清楚的需求描述

关键是告诉AI：你要爬什么网站、要提取什么信息、最后的输出是什么样的。不用技术术语。

第二步：获取代码并理解它

把需求给AI后，AI会生成Python代码。你需要做三件事：(1)让AI解释代码在做什么，(2)检查是否需要安装某些库，(3)确认代码不会做你没预期的事。

第三步：测试和调试

不要用真实的爬虫参数运行。先用小规模数据测试（比如只爬1页而不是100页）。这样快得多，也更安全。

常见的错误包括：网站结构和代码预期的不一样、某些数据是缺失的、网站有反爬虫机制。告诉AI你遇到的具体错误，AI会帮你修改代码。

法律和伦理红线

重要：什么网站可以爬，什么不可以爬？

• 可以爬的：公开的信息（新闻网站、价格对比网站、公开的数据库），并且robots.txt允许爬取的网站
• 不可以爬的：需要登录的内容、明确禁止爬虫的网站（查看robots.txt）、个人信息、受著作权保护的内容（比如小说全文）
• 灰色地带：社交媒体的数据（可能违反ToS）、商业性质的爬取（比如爬别人网站的内容转发到你自己的网站）

核心原则：(1)查看robots.txt，(2)尊重网站的ToS，(3)不爬取个人信息，(4)适当延迟请求（不要在短时间内发出大量请求），(5)标记你的爬虫身份（User-Agent）。

从爬虫到可维护代码

一个一次性的爬虫脚本和一个你每周都要运行的爬虫，要求完全不同。如果爬虫需要定期运行，考虑：错误处理（网站坏了怎么办）、日志记录、通知机制（爬取失败时通知你）。

让AI添加这些功能的提示词：我需要让这个爬虫脚本更可靠。请添加：(1)错误处理，(2)成功/失败的日志，(3)如果爬取失败，发送邮件通知我

03 · 数据分析脚本：从Excel到Insights

你有一堆Excel或CSV数据。想从中找出规律、生成图表、做统计分析。这是非程序员最常见的任务，也是AI最擅长帮助的。

三个递进场景

场景一：数据清洗和格式转换

比如你有一个杂乱的Excel文件，需要：删除重复行、填补缺失值、统一格式、提取某些字段。

场景二：数据分析和统计

计算平均值、总和、分组统计、找出异常值。

场景三：数据可视化

生成图表、趋势图、对比图。

常见的数据分析需求和提示词模板

模板的关键是清楚地说出：输入是什么、要做什么操作、输出是什么。

一个完整的数据分析工作流

1. 定义问题：你想从数据中了解什么？（比如"哪些产品卖得最好？"）
2. 获取数据：导出原始数据（通常是CSV或Excel）
3. 数据清洗：用AI生成脚本清洗数据（去重、格式统一、填补缺失值）
4. 数据分析：用AI生成脚本计算你关心的指标
5. 可视化：用AI生成脚本生成图表
6. 验证结果：看看输出对不对。抽查几个数字，确认计算是正确的。
7. 生成报告：用AI把结果组织成一份可读的报告

数据分析中最常见的错误：不检查数据就开始分析。先花时间理解数据（有多少行、什么格式、有没有缺失值、是否有异常值）。很多错误分析来自"脏数据"。

04 · 小工具开发：从想法到可用的应用

除了爬虫和数据分析，还有一类常见的需求：做一个小工具来自动化某个任务。比如：批量重命名文件、生成报告、处理文本、简单的计算器。

工具开发的三种形式

1. 命令行脚本（最简单）

运行：python script.py [参数]

适合：需要经常运行、可以接受在terminal中运行的场景

2. 桌面应用（有UI）

用Python的tkinter或PySimpleGUI库生成图形界面

3. Web应用（可以在浏览器中使用）

用Flask或Django构建简单的web应用

工具开发的完整工作流

1. 清楚地定义你要解决的问题
2. 选择合适的形式（命令行、桌面或web）
3. 列出所有输入和输出
4. 用AI生成初版代码
5. 在你自己的电脑上安装必要的库和依赖
6. 运行代码，测试是否工作
7. 根据实际使用情况修改（添加功能、修复bug）
8. 如果需要长期使用，考虑加上错误处理和日志

提示：对于简单的任务，命令行脚本最快。对于需要定期使用、不太技术的用户，web应用最好。对于需要离线使用、偶尔用的，桌面应用合适。

05 · 代码验证清单

AI生成的代码通常是可以运行的，但"能运行"和"正确"是两码事。你需要一套清单来验证代码。

理解代码

• 让AI逐行解释代码在做什么
• 理解代码的高层逻辑流程（不需要理解每个细节）
• 确认代码和你的需求描述一致
• 检查是否有可能造成意外后果的操作（删除文件、修改数据）

功能验证

• 用小规模测试数据运行代码（5行而不是5000行）
• 检查输出是否符合预期
• 测试边界情况（空数据、只有1条数据、特殊字符）
• 如果有配置参数，测试不同的参数值

安全检查

• 代码会删除或修改原始文件吗？（应该是否？）
• 代码会创建新文件吗？会放在哪里？
• 代码是否需要访问网络？访问什么？
• 代码是否需要访问敏感信息（密码、密钥）？
• 代码是否可能无限循环或长时间运行？

依赖检查

• 代码需要安装什么库？（应该用pip install安装）
• 这些库有什么系统要求？（某些库可能只支持Linux或Windows）
• 库之间有版本冲突吗？
• 如果代码需要爬虫或API，是否需要设置认证？

错误处理

• 如果输入文件不存在，代码会怎样？
• 如果网络中断，代码会怎样？
• 如果某个数据格式不对，代码会crash吗？
• 错误提示是否清晰？用户能理解发生了什么吗？

性能检查

• 代码运行需要多长时间？是否在可接受的范围内？
• 代码使用多少内存？对于大数据是否可行？
• 是否有明显的低效的地方？（比如内层循环做了重复的操作）

完整的验证清单。不用全部检查，但至少检查"理解代码"和"功能验证"。安全和性能的检查取决于代码的重要性。

06 · 调试技巧与标准流程

代码不工作的时候怎么办？这是非程序员最困扰的地方。标准的调试流程可以帮你快速找到问题。

第一步：理解错误信息

大多数时候，Python会告诉你出什么问题了。错误信息通常包含：错误类型、错误发生在哪一行、为什么出错。

这表示：找不到data.csv文件。要么文件路径不对，要么文件确实不存在。

第二步：告诉AI你遇到的错误

不要只说"代码不工作"。给AI完整的错误信息，以及运行代码的时候做了什么。

第三步：尝试简单的修复

很多错误有简单的解决方案，不需要改代码：

• 文件找不到：检查文件路径。试试用绝对路径（/Users/myname/data.csv）而不是相对路径（data.csv）
• 缺少库：安装库（pip install 库名）
• 版本不匹配：更新库（pip install --upgrade 库名）
• 权限问题：检查文件权限，或用管理员权限运行

第四步：如果还是不行

让AI修改代码。关键是给AI足够的上下文：完整的错误信息、代码的相关部分、你期望的结果。

标准调试流程图

代码不工作 → 看错误信息 → 谷歌搜索错误信息 → 仍然不懂 → 告诉AI完整的错误和代码 → AI提供修复方案 → 尝试修复 → 成功或继续循环

调试的艺术不是理解代码怎么写的，而是理解代码在做什么，以及为什么它的输出和预期不一样。

07 · 安全红线与代码审查

不是所有的代码都应该让AI写。有些涉及安全、用户数据、财务的代码，必须经过专业review。

绝不该让AI独立写的代码

• 处理用户数据的代码：个人信息、密码、支付信息。这些必须被加密、保护、安全存储。AI不知道怎么做这些。
• 支付和交易代码：涉及金钱的逻辑。出错可能导致财务损失。必须由懂支付系统的人review。
• 身份验证和授权代码：决定谁可以访问什么。错误的实现会导致安全漏洞。
• 密钥和认证信息处理：API密钥、数据库密码。不能明文存储在代码里，必须用专门的密钥管理方式。
• 长期维护的核心业务逻辑：比如财务报表生成、订单处理。需要被彻底测试。

可以让AI写但需要人工review的代码

• 数据分析和报表生成（检查计算逻辑是否正确）
• Web应用的基础框架（检查是否有明显的安全漏洞）
• 爬虫和数据收集（检查是否尊重网站ToS和法律）
• 自动化脚本（检查是否有意外的副作用）

代码审查清单（如果你找程序员review）

如果你用AI写了代码，想让程序员检查，给他们一份清单，告诉他们你最关心什么：

• 安全问题：有没有可能被攻击或滥用？
• 数据正确性：计算逻辑是否正确？
• 性能：是否高效？能处理大数据吗？
• 可维护性：代码是否清晰易懂？如果我需要修改怎么办？
• 错误处理：如果出错了，用户会看到什么？

AI生成代码的典型问题

程序员review AI代码的时候经常发现的问题：

• 过度工程化：AI生成的代码往往"太复杂"，解决一个简单问题用了复杂的方式
• 错误处理不足：代码假设一切都完美，但现实中总有异常
• 性能问题：对于大数据，AI的算法效率不足
• 安全漏洞：特别是SQL injection、XSS这类常见漏洞
• 依赖问题：AI引入了不必要的库，增加了维护成本

关键原则：越简单的代码越容易维护。如果AI的代码比你期望的复杂，要求它简化。如果代码涉及安全或数据，必须让专家review。