当人人都能写代码：程序员成了 Vibe Coding 最大的受害

01｜有一天，你可能根本不需要找程序员了

想做个网站，你会怎么办？

放在几年前，大多数人的第一反应是：找个程序员。问问多少钱、多久能做好。如果报价太高，那就算了。

现在呢？你可能会先打开 AI，跟它说：“我想做个网站，能展示商品、让顾客下单。”过一会儿，页面就出来了。你觉得不好看，让它换个风格；少了个功能，让它再加上。

这时候，一个很有意思的问题来了：如果连不会编程的人都能自己做软件，那我们为什么还在争论，35 岁程序员和刚毕业的学生，谁更适合 Vibe Coding？

这场争论当然有道理。老程序员有经验，知道项目容易在哪儿出问题；年轻人上手快，更愿意试新工具。但我总觉得，我们可能盯错了地方。

就像当年电脑刚普及的时候，大家也曾经觉得“会用电脑”是一项很厉害的本事。

你可能听说过，或者亲眼见过：以前有人专门帮别人打字、排版、打印文件。想弄一份像样的材料，得找会操作电脑的人帮忙。现在呢？大多数人打开文档软件，自己就做了。

打字和排版没有消失。相反，做这些事的人更多了。消失的是那道门槛：你不必专门找一个人，才能完成这件事。

那今天的 AI，会不会也在做同样的事？

先把我的观点放在前面：普通人没必要因为 AI 火了，就急着去学编程、学 Vibe Coding，或者背一堆提示词。更值得学的是怎么用好 AI，知道它哪里容易出错，以及遇到问题时该换什么工具、怎么补上它的短板。

这篇文章不打算教你写代码，也不打算预测程序员哪天失业。我们就聊一件离每个人都很近的事：AI 越来越好用了，普通人到底该怎么学、怎么用，才不会白忙一场？

02｜Vibe Coding 听起来很厉害，其实没那么神秘

Vibe Coding 简单说，就是主要通过自然语言描述需求，让 AI 生成、修改代码。人不一定亲自写每一行代码，而是提出目标、观察结果、继续调整。

比如你告诉 AI：“帮我做一个库存管理网页，能录入商品、查看库存、按日期筛选。”它可以生成页面、接口，甚至协助部署。

过去，这样的小项目需要掌握不少知识；现在有人可能一个下午就能做出原型。

但有个问题：Vibe Coding 是一种使用 AI 的方式，不是每个人都必须掌握的新职业。

我们曾经把“会用电脑”当作特殊优势。后来操作系统、办公软件、搜索引擎越来越容易使用。今天，一个人会使用文档软件，并不意味着他需要以“文档操作专家”为职业目标。

AI 可能也会走这条路。今天你得琢磨提示词、挑模型、配工具；明天可能点一下按钮，软件自己就处理好了。今天要手动组织多个 Agent，未来软件也许会自动分工、检查和重试。

如果一项技巧只是因为今天的工具还不够好才需要，那普通人真有必要花几年去研究它吗？

当然，对高频使用者和专业开发者来说，这些技巧现在仍然有用。关键在于分清：今天好用的操作技巧，与长期值得积累的基本素养，并不是一回事。

03｜AI 抹掉的，首先是那道“你不会，所以做不了”的门槛

有人说，AI 把人与人的差距抹平了。我觉得没那么简单。

你想想，以前你有个点子，可能卡在第一步：不会设计、不会写代码、请人又太贵。现在你可以先让 AI 做个样子看看。原来拦着你的，不只是能力不够，还有时间和钱。AI 正在把这些门槛往下拉。

以前，做宣传图要会设计软件；分析数据要懂公式；开发网站要懂前后端。现在 AI 能替你完成越来越多中间步骤。

还有一种说法很流行：“AI 只会写代码，真正值钱的是架构、判断和验证。”现在这么说有一定道理。但我想反问一句：

如果 AI 能替人写代码，为什么未来不能进一步替人设计架构、分析需求、判断方案、验证结果？

实际上，AI 已经开始帮人做这些事了。今天它还做不好，不代表以后也做不好。

更值得关注的是：原本集中在少数专业人士手里的能力，正在越来越容易被普通人调用。

“获得专业能力”与“自己成为专业人士”，正在逐渐变成两回事。

04｜便宜了以后，真的会有更多人想做吗？

过去开发一个小软件要十万元，现在借助 AI 只要一千元。软件市场是不是失去了九万九千元的需求？

从这一个项目的交易金额看，确实下降了。

但如果过去只有一个人愿意花十万元做软件，现在有一百个人愿意花一千元呢？原来只有一个项目，现在可能有一百个。总支出可能一样，被满足的需求却多了很多。

反过来，如果一个通用 AI 工具能代替十套单独购买的软件，某些传统软件市场又可能收缩。

所以别急着说 AI 到底是在创造需求，还是消灭需求。它会压缩一些旧服务，同时释放过去因为太贵、太慢、太麻烦而无法实现的需求。

那这跟普通人有什么关系？

以前你有个想法，第一反应可能是：“找谁做？要多少钱？值不值得？”现在你可以先问：“能不能让 AI 帮我试一下？”

一个店主想做库存工具，老师想为班级制作练习系统，工程师想分析设备数据，家庭想做自己的旅行计划。过去，这些想法太小、太零散，可能根本不会进入正式的软件采购市场。

今天，它们第一次有机会以很低的成本被尝试。

当然，AI 不会让所有成本归零。真实数据、设备接入、权限、维护、安全和法律责任，仍可能需要专业支持。

但普通人的起点变了：不一定要先拥有专业技能，才有资格尝试解决问题。

05｜那以后，还需要专门找程序员吗？

回到最初的问题：35 岁资深开发者和刚毕业的学生，谁才是 Vibe Coding 最大的受益者？

如果只看眼前几年，资深开发者可能更了解复杂项目、业务边界和系统风险；年轻人可能更容易接受新的工作方式。

但把时间拉长，问题可能变成：人们还需要专门找开发者完成多少事情？

打字服务需求减少，不代表文字处理消失。恰恰相反，处理文字比过去普遍得多。

软件开发也可能发生类似变化：一个部门需要新功能，不再一定要经历完整的人工需求交接和开发排期。员工直接向 AI 描述目标，系统生成界面和流程，并协助验证和维护。

他未必认为自己在“开发软件”，就像今天在电子表格里写公式的人，不一定认为自己在编程。

不过，不能因此断言程序员一定消失。计算机普及压缩了部分操作岗位，也创造了大量软件、网络、安全和硬件工作。AI 同样可能释放新需求，尤其在底层基础设施、工业设备、安全关键系统和复杂集成领域。

因此，更谨慎的判断是：开发能力可能越来越普及，专门提供常规开发服务的职业边界可能越来越模糊。

06｜说了这么多，普通人到底该学什么？

我觉得其实就三件事。没必要给它们起多高级的名字，就像当年学用电脑一样，边用边弄明白就好。

第一件事：知道 AI 能帮你干什么

很多人不是不会用 AI，而是遇到问题时，根本想不到 AI 可以帮忙。

面对一堆表格，他习惯手工复制；整理会议记录，他习惯从头写；比较几个产品，他习惯自己打开几十个网页。

当他知道 AI 可以提取信息、分类整理、生成初稿、分析差异，甚至调用工具执行操作时，工作方式就可能改变。

不需要背一百条“万能提示词”。更重要的是建立一种意识：遇到重复、繁琐、信息量大的任务时，先想想 AI 能不能参与。

第二件事：知道它什么时候会“胡说八道”

AI 有时会给出非常流畅、非常自信，却不正确的答案。它可能编造资料、误读表格、漏掉条件，也可能生成能运行但存在安全问题的程序。

还有些问题不是模型够不够聪明，而是它根本没有数据。比如你问：“我们公司上个月哪个产品利润最高？”如果没有可靠的财务数据，它就不可能凭空知道真实答案。

至少要分清三种情况：信息不足，需要补充可靠来源；能力不足，需要换工具或拆分任务；结果风险高，需要独立核实、测试或专业审查。

这跟用电脑要知道保存文件、重要资料要备份，其实是一个道理。

第三件事：知道什么时候该换工具

我觉得第三件事特别重要，而且最容易被忽略。

核对合同金额，可以让 AI 提取数字，再用计算工具核算；制作网站，可以让 AI 生成代码，再用自动化测试检查功能；了解最新政策，可以让 AI 检索资料，再核对官方文件的日期和适用范围。

别指望一个 AI 包办所有事。你要知道，这件事它能不能做；做不好，有没有别的工具能帮上忙。

使用电脑时，我们不会要求一个软件解决所有问题。写文档用文字处理软件，处理表格用电子表格，画图纸用 CAD。使用 AI 也应该如此：模型、搜索、数据库、测试工具、专业软件，都可以成为工具箱的一部分。

07｜做出一个页面很容易，敢不敢真的拿来用？

假设你经营一家小店，想要一个简单的库存管理工具。

过去，你可能需要购买现成软件，或者请开发者定制。现在，你可以直接告诉 AI：“我想录入商品、记录进货和销售，库存不足时提醒我。”

AI 很快生成一个页面。你打开它，能新增商品、查看库存，还有漂亮的统计图。

做到这里，你可能已经挺高兴了：这不就成了吗？

可真把它拿到店里用上几天，麻烦就来了。

两个人同时修改库存怎么办？断网后数据会不会丢？员工能不能修改进货价格？昨天的记录删错了，能不能恢复？

你不一定要会写代码，但至少得明白一件事：一个能演示的页面，不等于一个可以放心使用的系统。

你可以继续让 AI 列出风险、设计测试；可以使用成熟的身份认证和数据库备份服务；也可以在涉及重要资金和隐私时请专业人员审查。

你不必变成程序员，但要知道哪些地方不能只凭“看起来能用”就交付。

这才是我想说的：学习 AI 的目标，不是自己取代所有专业人士，而是知道如何借助工具，把事情可靠地完成。

把这个例子换成财务人员整理报表、老师制作教学材料、工程师分析设备数据，逻辑也差不多。

不是所有人都需要掌握同样的技术细节。每个人都应该了解自己手里工具的能力边界。

08｜别被一堆 AI 新名词吓住了

打开技术社区，你很容易看到一串新词：Prompt Engineering、Vibe Coding、Agent、Multi-Agent、工作流、上下文管理。

每个词背后都有它的用途。但看多了也容易焦虑：是不是这些都不会，就跟不上时代了？

我们不妨回想电脑刚普及时的情景。

当年，学会安装软件、处理驱动、配置网络，可能是很重要的本领。今天，很多操作已经被系统自动完成。普通人并不需要知道每一步是怎样实现的。

AI 工具也会演进。今天需要人工编排的复杂流程，未来可能只需要点一下按钮。今天很流行的提示词技巧，下一代产品可能根本用不上。

因此，如果你不是以开发 AI 工具为职业，就没有必要追着每一个新名词跑。

更合理的学习方法是：先找到自己的真实任务，再了解当前工具能帮到什么程度。

例如，你每天需要处理大量文档，那就先学会让 AI 阅读、归纳、对比和核对文档；你每天要处理数据，那就先学会让 AI 与表格、计算和数据库工具配合；你想做一个小应用，那就从一个具体问题开始，让 AI 帮你完成原型，再学习如何验证它。

先想清楚自己要干什么，再去找工具。别反过来，为了学工具，硬给自己找事做。

听起来很简单，但很多人恰恰把顺序弄反了。

09｜什么都交给 AI，会不会把自己用“废”了？

这个担心很正常，而且确实值得聊聊。

如果 AI 替你写代码、做表格、整理资料，时间久了，你会不会越来越不愿意自己思考？

有这种风险。

一个学生让 AI 完成所有作业，却不理解过程，成绩看起来很好，实际可能没有学会知识。一个员工让 AI 生成所有报告，却从不核对数据，工作效率看似提高，错误也可能被快速复制。

所以“不要人人都学编程”，绝不等于“什么都不用学”。

关键在于区分两种使用方式。

一种是把 AI 当成“标准答案”。它说什么就信什么，反正看起来挺像那么回事。

另一种是把 AI 当工具。它擅长的，你就交给它；拿不准的，你再查查；它做不了的，就换个工具。

前一种方式可能让人越来越被动。后一种方式则可能帮助人跨越原有的能力限制。

但我们也不必走向另一个极端：为了避免依赖 AI，就坚持每件事都亲手完成。

今天没人会因为使用计算器，就认为自己必须先手算每一次复杂运算。关键是知道输入了什么、结果代表什么、什么时候需要检查。

用工具没什么丢人的。关键是，你得知道什么时候可以放心用，什么时候不能闭着眼睛信。

这也解释了为什么“了解 AI 局限”如此重要。不是因为人必须永远比 AI 聪明，而是因为在现实世界中，错误通常需要有人发现、处理并承担后果。

10｜举个更日常的例子：让 AI 帮你买东西

不用拿开发软件举例，换个生活里更常见的事。

假设你准备购买一台家用设备，需要比较价格、功能、保修和使用成本。

第一步，你知道 AI 可以帮你整理不同产品的参数和评价，不必自己从零开始制作对比表。

第二步，你知道 AI 可能引用过期价格、混淆不同型号，也可能把广告宣传当作事实。因此你会要求它标明信息来源和时间。

第三步，你知道实时价格要去销售页面确认，关键规格要核对官方说明，复杂计算可以交给表格或计算工具。

最后，你拿到一份清晰的比较结果，自己做出购买决定。

你没有学习机器学习算法，也没有编写程序，更没有研究 Agent 框架。

但你已经把 AI 用在了真正需要的地方，并且避免了盲目相信结果。

这就是一种有价值的 AI 素养。

它可以迁移到很多领域：整理旅行计划、阅读合同、比较保险条款、分析工作数据、制作教学材料、开发个人小工具。

不同任务需要不同程度的谨慎。买一个普通小商品，出错的代价不高；涉及医疗、法律、金融和生产安全时，必须有更严格的核实和专业保障。

学习 AI 的过程，也应该学会按风险选择验证方式，而不是对所有任务使用同一种方法。

11｜等等，程序员就不用学了？

到这里，可能有程序员会不满意：你一直在说普通人不必学编程，那专业开发者怎么办？

我觉得得把两件事分开说。

对于只是想借助 AI 解决自己问题的普通人，不需要按照传统程序员的培养路线学习。

但对于要设计、交付、维护复杂系统的专业人员，计算机基础、工程原理和安全知识依然重要。

因为在今天，AI 生成的代码仍然可能出现隐蔽问题。系统上线后还要面对真实用户、异常数据、设备故障、权限和性能等挑战。

专业开发者懂得越多，就越有能力判断 AI 的输出、组织复杂任务、设计可靠的验证方式。

不过，我不想把这句话包装成“资深开发者永远安全”。

AI 正在提高编码能力，也在提高设计、测试、分析和调试能力。今天需要专业人员完成的任务，未来可能进一步自动化。

因此，专业开发者也需要重新思考自己的工作方式，而不是把某一种现有技能当作永久护城河。

普通人不必为了使用 AI 成为程序员；程序员也不能因为自己懂编程，就认为已经学会使用 AI。

这两句话放在一起，才是比较完整的结论。

12｜再回头看：35 岁程序员和应届生，谁赢了？

如果把 AI 看作一种新的专业开发技术，我们就会不停比较谁更会使用它。

资深开发者有经验，年轻开发者学习快。双方各有优势，也各有风险。

但如果把 AI 看作正在普及的基础工具，问题就变了。

计算机普及的最大受益者，并不只是那些原来最擅长操作计算机的人。它让教师、医生、商人、设计师、学生和普通家庭，都能完成过去很难独立完成的事情。

AI 也可能如此。

一个有十几年行业经验的人，可能第一次有机会把想法做成产品；一个刚毕业的学生，可能不需要等待多年积累，就能尝试自己的项目；一个完全不懂编程的人，也可能借助 AI 创建工作中需要的小工具。

三个人都可能受益，但不一定要在同一条职业赛道上竞争。

真正值得高兴的，可能不是谁更会 Vibe Coding，而是很多人以前做不了的事，现在终于可以自己试试了。

这也是为什么我认为，Vibe Coding 最大的受益者，可能根本不是程序员。

它的意义不只是让开发者更快地生产软件，而是让更多人有机会直接获得软件能力。

13｜最后想说：别急着当 AI 专家

最后，再想想开头那个帮人打字的故事。

当电脑开始普及时，会打字、会排版、会操作软件，是少数人的优势。随着工具普及，这些能力逐渐成为普通人的日常技能。

今天，Vibe Coding、Prompt、Agent 等概念仍然很新，学会使用它们可能带来明显的效率优势。

但我们不必假设，未来每个人都要长期学习这些专业术语。

真正成熟的技术，往往会把复杂性藏起来，让人更容易完成自己的事情。

当然，未来究竟会怎样，谁也没法现在就说死。AI 能不能独立做完复杂项目？哪些岗位会变化？还会冒出什么新需求？这些都得继续看。

但对于普通人，今天就可以开始做一件很实际的事：把 AI 当成一台正在不断升级的电脑，而不是一门必须重新入行的职业。

知道它能做什么，了解它做不到什么，发现局限时知道怎样寻找其他工具。

这并不神秘，也不需要一开始就掌握大量技术。

你完全可以从一件小事开始。比如让 AI 整理一份资料，分析一张表格，或者帮你做个小工具。用完别急着关掉，看看它哪里做得不错、哪里又出了错。下次遇到类似的事，你就更有数了。

这样积累的，不只是某个产品的使用技巧，而是一种更长久的工具意识。

或许再过很多年，今天被称为 Vibe Coding 的事情，会像打字、排版、使用搜索引擎一样普通。

到那时，人们未必还会讨论“要不要学 Vibe Coding”。

他们可能只是自然地使用 AI，完成自己想做的事。

而我们今天真正需要学的，或许就是如何更早、更清醒地进入这种生活。