別再猶豫了，快上車｜非程序員上手 AI 編程，先跨過這三個認知卡點
整理版優先睇
非程序員學AI編程，關鍵係轉變三個認知：從工具到痛點、從demo到上線、從寫代碼到提需求
作者木樂樂本身係數據分析同項目管理出身，唔係程序員。佢用咗18個月時間，由花20美金買AI編程套餐，到而家可以一日為一個產品落地10個功能優化。佢發現真正令佢突破嘅唔係工具或技巧，而係三次認知上嘅轉變。
呢三個卡點幾乎每個想用AI編程嘅人都會遇到：第一，學咗工具但唔知做咩——佢發現要從真實痛點出發，而唔係從工具出發；第二，做出嚟但唔用得——佢分享咗由Base44 demo到阿里雲獨立部署嘅過程，覺得呢步係分水嶺；第三，每件事都要睇住AI做，好攰——佢轉變角色，由寫代碼變成只係提需求同驗收，一日搞掂咗10個改善點。佢第一條「龍」係幫個仔做功課錯題本，因為係真實痛點，所以佢有動力不斷優化。
最終結論係：非程序員唔需要成為技術專家，而係要成為判斷「咩嘢交俾代碼、咩嘢交俾AI」嘅專家。呢種判斷力，恰恰係做過項目管理同業務分析嘅人最擅長嘅。佢強調，最大的收穫唔係技能，而係對「自己可以做咩」嘅想象力打開咗。
- 結論：非程序員學AI編程嘅關鍵唔係工具技巧，而係三次認知轉變：從工具到痛點、從demo到上線、從寫代碼到提需求。
- 方法：先揾真實痛點，從問題出發揾工具，而唔係先學工具再諗應用。
- 差異：從「有」到「好用」需要完成部署上線，呢步係真正嘅分水嶺，令你由「AI工具用戶」變成「用AI做產品嘅人」。
- 啟發：角色要從「寫代碼嘅人」轉變為「提需求同驗收嘅人」，多任務交錯進行，效率可以倍數提升。
- 可行動點：今日就可以做三件事：揾你嘅龍（真實痛點）、唔好停喺demo要部署上線、換角色做項目經理。
由工具思維轉向痛點思維
你可能都有呢種感覺：AI編程工具好靚，demo好炫，但等你合上教程，大腦一片空白——「然後呢？拎去做咩？」作者2024年10月買咗一個AI編程套餐，第一個月好興奮，在Base44上幾句話就跑出一個小應用。然後就發現拔刀四顧，周圍荒涼。呢個係AI編程勸退率最高嘅階段——唔係太難，係太孤獨。
學了屠龍之術，卻發現身邊一條龍都沒有。
點樣突破嘅？作者話：唔好從工具出發揾應用，要從你嘅真實痛點出發揾工具。佢嘅第一條「龍」係幫個仔做功課錯題本，因為係真實痛點，所以佢有動力不斷優化。
- 諗一件你每星期至少花30分鐘重複做嘅事（整理表格、發通知、做匯報）
- 或者你一直想有但市面上揾唔到合適嘅小工具
- 將佢當成你嘅第一條「龍」
由「有」到「好用」，部署係分水嶺
你可能都遇過：AI幫你生成咗代碼，本地跑得幾好，但就係個玩具。離「別人用得」差咗十萬八千里。Base44做出嚟嘅嘢，講白咗就係demo。要從「有」到「好用」，得自己部署。呢一步先係真正嘅分水嶺。
「有」同「好用」差異巨大
作者從Base44到阿里雲獨立部署，踩咗一串坑：服務器環境配出奇怪報錯、ICP備案排咗兩星期、HTTPS證書搞咗三次、數據庫遷移差啲丟數據。每一步都係問AI、查文檔、試錯、再來。
- 1 服務器環境配置，經常出奇怪報錯
- 2 ICP備案，排咗兩星期
- 3 HTTPS證書，搞咗三次
- 4 數據庫遷移，差啲丟數據
點解呢一步咁重要？因為佢解決嘅唔係技術問題，係身份問題。跑通部署之後，你整嘅嘢唔再係「練手作品」，而係你嘅產品。有獨立域名，有人用，有真實數據。
部署過程令你由「AI工具用戶」變成「用AI做產品嘅人」
過程中80%嘅坑AI都能幫你排查
由寫代碼變做提需求
你可能都會諗：用AI寫代碼確實快，但係我仲要一行行睇、一步步教，同自己做冇乜分別？呢個階段困咗作者好耐，直到佢發現問題唔係AI唔夠強，係佢用錯咗方式。
問題唔係AI唔夠強，係用錯咗方式
轉折點係一次幫個仔嘅學習App做優化。佢列咗10個改善點，以前佢會揀一兩個最重要嘅，其他排到下星期。但嗰日佢轉咗方式：唔寫代碼，只寫需求。將每個改善點描述清楚，然後讓AI一個個去幹。結果：一日搞掂曬全部10個改善。
由「我嚟寫」換成「你嚟做，我嚟驗」
- 俾改善點A提需求 → AI開始做
- 切過去睇改善點B嘅上一輪結果 → 俾反饋
- 改善點C驗收完畢 → 下一個
- 返嚟睇A嘅產出 → 確認或繼續迭代
作者仲發現非程序員有個優勢：冇「我嚟寫」嘅慣性，所以更容易接受全交給AI嘅協作模式。佢做財務審核系統時諗通咗一個關鍵：確定性嘅活交給代碼，靈活性嘅活交給大模型。
確定性嘅活交給代碼，靈活性嘅活交給大模型
今日就可以做嘅三個行動
- 1 揾你嘅龍——唔好上嚟就學工具，先揾一個你真實存在嘅痛點
- 2 唔好停喺demo——做出第一版之後，逼自己行完部署上線
- 3 換角色——從「我嚟寫代碼」換成「你嚟做，我嚟驗」。
揾你嘅龍
唔好停喺demo
換角色
18個月前作者花20美金開始學AI編程。如果話最大嘅收穫係咩？唔係技能。係對「我能做咩」呢件事嘅想象力——打開咗。而呢種想象力，任何人都可以有。
⠀
⠀⠀
如果你諗緊學 AI 編程，或者已經學咗但覺得「都係咁啫」——呢篇文章或者可以幫你慳返幾個月嘅冤枉路。
⠀
我唔係 Programmer。背景係數據分析同項目管理。
從花 20 美金買 AI 編程套裝，到而家可以一日幫一個產品搞掂 10 個功能優化，中間經歷咗 18 個月。
⠀
呢 18 個月入面，真正令我突破嘅唔係某個工具或技巧。
係三次認知上嘅轉變。
⠀
每一次轉變，都解決咗一個具體嘅難關。
呢三個難關，幾乎每個想用 AI 編程嘅人都會遇到。
⠀⠀
⠀
難關一：學咗工具，唔知做乜
⠀
你可能都有呢種感覺： AI 編程工具好型，Demo 好靚，但等你合埋個教學，個腦一片空白——「然後呢？用嚟做乜？」
⠀
我 2024 年 10 月買咗一個 AI 編程套裝。
第一個月好興奮，喺 Base44 度幾句說話就跑咗個細應用出嚟。，係，嗰陣諗住整短劇二創切片。。
覺得好似拎咗把屠龍刀。
然後呢？
⠀
拔刀四顧，周圍荒涼。
學咗屠龍之術，但發現身邊一條龍都冇。
⠀
呢個係 AI 編程最易勸退嘅階段——唔係太難，而係太孤獨。
周圍冇人用，工作中揾唔到場景，你又唔肯定用嚟做啲乜值得。
⠀
點樣突破： 唔好從工具出發揾應用，要從你真實嘅痛點出發揾工具。
⠀
我嘅第一條「龍」係幫個仔做錯題本應用。
唔係因為佢有商業價值，係因為我日日要用，可以提出真實嘅優化意見。
⠀
你可以咁做：
- 諗一件你每星期至少花 30 分鐘重複做嘅嘢（整理表格、發通知、做匯報）
- 或者你一直想有但市面上揾唔到啱用嘅細工具
- 將佢當你嘅第一條「龍」
⠀
痛點越真實，你越唔容易棄坑。
「你想用 AI 解決啲乜問題」比「你學咗啲乜工具」重要 10 倍。
⠀
難關二：整咗出嚟，但用唔到
⠀
你可能都遇過： AI 幫你生成咗 Code，喺本地行得幾好，但只係個玩具。離「人哋用得」差咗十萬八千里。
⠀
Base44 整出嚟嘅嘢，講白咗就係 Demo。
睇得，用唔到。
⠀
要由「有」到「好用」，就要自己 Deploy。
呢一步先係真正嘅分水嶺。
⠀
由 Base44 到阿里雲獨立 Deploy，我踩咗一串坑：
- Server 環境搞到好多奇怪嘅 Error
- ICP 備案排咗兩星期
- HTTPS 證書搞咗三次
- Database 遷移差啲冇咗 Data
⠀
每一步都係問 AI、查 Document、試錯、再嚟。
⠀
點解呢一步咁重要？ 因為佢解決嘅唔係技術問題，係身份問題。
⠀
行通 Deploy 之後，你整嘅嘢唔再係「練手作品」，係你嘅產品。
有獨立 Domain，有人用緊，有真實 Data。
你由「AI 工具用戶」變咗做「用 AI 做產品嘅人」。
⠀
你可以咁做：
- 整好第一個用得嘅嘢之後，唔好急住整第二個。將第一個 Deploy 上線
- Deploy 過程中 80% 嘅問題，AI 都可以幫你排查。你要做嘅係「同 AI 講清楚 Error Message」
- 一旦行通咗由開發到上線嘅成個流程，之後再做任何嘢都唔使驚
⠀
「有」同「好用」相差好大。 好多人停咗喺「整咗出嚟」呢一步，以為 AI 編程就係叫 AI 生成 Code。
不是。係你帶住 AI 行完成個由諗法到上線嘅流程。
⠀
難關三：每件事都要睇住 AI 做，好攰
你可能都諗緊： 用 AI 寫 Code 的確快，但我仲要一行行睇、一步步教，同自己做冇乜分別？
⠀
呢個階段困擾咗我好耐。
直到我發現問題唔係 AI 唔夠勁，係我用錯咗方法。
⠀
轉捩點係一次幫個仔嘅學習 App 做優化。
嗰日我列咗 10 個改善點——顏色統一、公式顯示修復、積分功能、列印組卷、錯題閃卡……
以前我嘅做法係揀一兩個最重要嘅，其他排到下星期。
⠀
嗰日我換咗個方法：
我唔寫 Code 喇，淨係寫需求。
將每個改善點講清楚——「元件配色同主題色唔統一，要成個 Check」、「數學公式喺手機顯示錯位」。
然後叫 AI 逐個去搞。
⠀
結果：一日搞掂曬全部 10 個改善。
⠀
秘密唔係咩神奇工具。係角色轉變。
⠀
以前我係「寫 Code 嘅人」，要睇住每一行。
而家我係「提需求同驗收嘅人」，AI 係執行夥伴。
⠀
工作節奏變咗：
- 同改善點 A 提需求 → AI 開始做
- 轉去睇改善點 B 嘅上一輪結果 → 畀 Feedback
- 改善點 C 驗收完成 → 下一個
- 返嚟睇 A 嘅產出 → 確認或者繼續修改
⠀
你可以咁做：
- 下次用 AI 寫 Code 嘅時候，唔好一個字一個字咁教。將成個需求寫清楚，叫佢規劃方案
- 你嘅角色係「Project Manager」：提需求、定驗收標準、Check 結果。唔係「Programmer」：睇住 Code 寫
- 多任務穿插住嚟——同 A 提完需求，AI 做嘅時候你睇 B 嘅結果。時間利用率會翻倍
⠀
由「我嚟寫」換成「你做，我驗」，呢一步嘅效率差別係倍數級。
⠀
一個被忽略嘅優勢
Programmer 有個好大嘅慣性——「我嚟寫」。
遇到問題，第一反應係打開 Editor 自己打 Code。
⠀
非 Programmer 冇呢個慣性。
所以反而更容易接受「全部交畀 AI」嘅協作模式。
而且好多人話，我根本唔敢拒絕 AI 寫嘅 Code，只能無腦接受。
⠀
我做財務審核系統嘅時候諗通咗一個關鍵點：
確定性嘅嘢交畀 Code，靈活性嘅嘢交畀大 Model。
⠀
報銷單裏面嘅金額計算、單位換算——呢啲有明確規則嘅，用 Code 最穩陣。
但每份文件 Format 都唔同嘅資訊提取——呢啲要隨機應變嘅，大 Model 最在行。
⠀
你唔需要成為技術專家。
你需要成為「乜嘢應該交畀 Code、乜嘢應該交畀 AI」嘅判斷專家。
⠀
而呢種判斷力，正正係做過項目管理、做過業務分析嘅人最擅長嘅。
⠀
三個可以今日就做嘅嘢
⠀
第一，揾你條龍。 唔好一嚟就學工具。先揾一個你真實存在嘅痛點。痛點越真實，你越有動力行落去。
⠀
第二，唔好停喺 Demo。 整好第一版之後，逼自己行完 Deploy 上線。呢個過程會令你嘅能力發生質變。
⠀
第三，換角色。 由「我嚟寫 Code」換成「你做，我驗」。你會發現 AI 做到嘅比你以為嘅多好多。
⠀
18 個月前我用 20 美金開始學 AI 編程。
如果話最大嘅得著係乜？
⠀
唔係技能。
係對「我可以做到啲乜」呢件事嘅想像力——打開咗。
⠀
而呢種想像力，任何人都可以有。
⠀
我係木樂樂。數據分析加項目管理出身，AI 深度實踐者。
呢個號記錄我用 AI 編程搞掂工作流程同產品嘅真實過程——包括踩坑。
⠀
⠀⠀
如果你正在考慮學 AI 編程，或者已經學了但覺得"也就那樣"——這篇文章可能會幫你省掉幾個月的彎路。
⠀
我不是程序員。背景是數據分析和項目管理。
從花 20 美金買 AI 編程套餐，到現在能一天給一個產品落地 10 個功能優化，中間經歷了 18 個月。
⠀
這 18 個月裏，真正讓我突破的不是某個工具或技巧。
是三次認知上的轉變。
⠀
每一次轉變，都解決了一個具體的卡點。
這三個卡點，幾乎每個想用 AI 編程的人都會遇到。
⠀⠀
⠀
卡點一：學了工具，不知道做什麼
⠀
你可能也有這種感覺： AI 編程工具很酷，demo 很炫，但等你合上教程，大腦一片空白——"然後呢？拿它做什麼？"
⠀
我 2024 年 10 月買了一個 AI 編程套餐。
第一個月很興奮，在 Base44 上幾句話就跑出來一個小應用，對，那個時候想搞短劇二創切片。
感覺像拿到了屠龍刀。
然後呢？
⠀
拔刀四顧，周邊荒涼。
學了屠龍之術，卻發現身邊一條龍都沒有。
⠀
這是 AI 編程勸退率最高的階段——不是太難了，是太孤獨了。
周圍沒人在用，工作中找不到場景，你也不確定拿它來做什麼值得。
⠀
怎麼突破的： 不要從工具出發找應用，要從你的真實痛點出發找工具。
⠀
我的第一條"龍"是給孩子做錯題本應用。
不是因為它有商業價值，是因為我天天需要用，能提出真實的優化意見。
⠀
你可以這樣做：
- 想一件你每週至少花 30 分鐘重複做的事（整理表格、發通知、做彙報）
- 或者你一直想有但市面上找不到合適的小工具
- 把它當你的第一條"龍"
⠀
痛點越真實，你越不容易棄坑。
"你想拿 AI 解決什麼問題"比"你學了什麼工具"重要 10 倍。
⠀
卡點二：做出來了，但不能用
⠀
你可能也遇到過： AI 幫你生成了代碼，本地跑着挺好，但就是個玩具。離"別人能用"差了十萬八千里。
⠀
Base44 做出來的東西，說白了就是 demo。
能看，不能用。
⠀
要從"有"到"好用"，得自己部署。
這一步才是真正的分水嶺。
⠀
從 Base44 到阿里雲獨立部署，我踩了一串坑：
- 服務器環境配出各種奇怪的報錯
- ICP 備案排了兩週
- HTTPS 證書搞了三遍
- 數據庫遷移差點丟數據
⠀
每一步都是問 AI、查文檔、試錯、再來。
⠀
為什麼這一步這麼重要？ 因為它解決的不是技術問題，是身份問題。
⠀
跑通部署之後，你做的東西不再是"練手作品"，是你的產品。
有獨立域名，有人在用，有真實數據。
你從"AI 工具用戶"變成了"用 AI 做產品的人"。
⠀
你可以這樣做：
- 做出第一個能用的東西后，別急着做第二個。把第一個部署上線
- 部署過程中 80% 的坑，AI 都能幫你排查。你要做的是"給 AI 描述清楚報錯信息"
- 一旦跑通了從開發到上線的全流程，後面再做任何東西都不怕了
⠀
"有"和"好用"差異巨大。 很多人停在了"做出來了"這一步，以為 AI 編程就是讓 AI 生成代碼。
不是。是你帶着 AI 走完從想法到上線的全流程。
⠀
卡點三：每件事都得盯着 AI 做，累
你可能也在想： 用 AI 寫代碼確實快，但我還是要一行行看、一步步教，跟自己做也沒差多少啊？
⠀
這個階段困了我很久。
直到我發現問題不是 AI 不夠強，是我用錯了方式。
⠀
轉折點是一次給孩子的學習 App 做優化。
那天我列了 10 個改善點——配色統一、公式顯示修復、積分功能、打印組卷、錯題閃卡……
以前我的做法是挑一兩個最重要的，其他排到下週。
⠀
那天我換了個方式：
我不寫代碼了，只寫需求。
把每個改善點描述清楚——"組件配色跟主題色不統一，需要全局排查"、"數學公式在移動端顯示錯位"。
然後讓 AI 一個個去幹。
⠀
結果：一天搞定了全部 10 個改善。
⠀
秘密不是什麼神奇工具。是角色轉變。
⠀
以前我是"寫代碼的人"，要盯着每一行。
現在我是"提需求和驗收的人"，AI 是執行搭檔。
⠀
工作節奏變了：
- 給改善點 A 提需求 → AI 開始做
- 切去看改善點 B 的上一輪結果 → 提反饋
- 改善點 C 驗收完畢 → 下一個
- 回來看 A 的產出 → 確認或繼續迭代
⠀
你可以這樣做：
- 下次用 AI 寫代碼時，別一個詞一個詞地教。把整個需求寫清楚，讓它規劃方案
- 你的角色是"項目經理"：提需求、設驗收標準、檢查結果。不是"程序員"：盯着代碼寫
- 多任務穿插着來——給 A 提完需求，AI 做的時候你去看 B 的結果。時間利用率會翻倍
⠀
從"我來寫"換成"你來做，我來驗"，這一步的效率差異是倍數級的。
⠀
一個被忽略的優勢
程序員有個巨大的慣性——"我來寫"。
遇到問題，第一反應是打開編輯器自己敲代碼。
⠀
非程序員沒這個慣性。
所以反而更容易接受"全交給 AI"的協作模式。
而且好多人都說，我根本不敢拒絕 AI 寫的代碼，只能無腦接受。
⠀
我做財務審核系統的時候想明白了一個關鍵點：
確定性的活交給代碼，靈活性的活交給大模型。
⠀
報銷單裏的金額計算、單位換算——這種有明確規則的，用代碼最靠譜。
但每份文件格式都不同的信息提取——這種要隨機應變的，大模型最在行。
⠀
你不需要成為技術專家。
你需要成為"什麼該交給代碼、什麼該交給 AI"的判斷專家。
⠀
而這種判斷力，恰恰是做過項目管理、做過業務分析的人最擅長的。
⠀
三個可以今天就做的事
⠀
第一，找你的龍。 別上來就學工具。先找一個你真實存在的痛點。痛點越真實，你越有動力走下去。
⠀
第二，別停在 demo。 做出第一版之後，逼自己走完部署上線。這個過程會讓你的能力發生質變。
⠀
第三，換角色。 從"我來寫代碼"換成"你來做，我來驗"。你會發現 AI 能做的比你以為的多很多。
⠀
18 個月前我花 20 美金開始學 AI 編程。
如果說最大的收穫是什麼？
⠀
不是技能。
是對"我能做什麼"這件事的想象力——打開了。
⠀
而這種想象力，任何人都可以有。
⠀
我是木樂樂。數據分析+項目管理出身，AI 深度實踐者。
這個號記錄我用 AI 編程搞定工作流和產品的真實過程——包括踩坑。