我高中畢業不會寫代碼，用AI編程做出了變現產品——從零到落地的完整實戰手冊

我高中畢業。

當過兵，退伍後做過新媒體運營，開過奶茶店（虧了30萬），學過AI插畫當過助教管理2萬學生，現在開着白墨打印工廠。2024年才開始接觸AI編程。

到今天，我用AI編程做的產品：pngtrid.com上線1個月無投流變現5K，PNG部落3個月做到5萬收入、86%利潤率，自動化寫作+Skill變現3285元（7天）。

我不是程序員。 我到現在也寫不了一個完整的React組件。

但我用AI編程，做出了能賺錢的產品。用的工具只有一個：VS Code + Claude Code插件。

今天這篇文章，我把過去半年踩過的坑、總結出的方法、整理出的工具體系，完整交出來。不是理論，是我實際在用的東西。每一步都寫清楚了——打開什麼、點什麼、輸入什麼。

你今天看完，今天就能開始。

一、2026年的AI編程，跟你以為的不一樣

很多人對AI編程的認知還停留在"讓ChatGPT幫你寫一段代碼，然後你自己複製粘貼"的階段。

但2026年的AI編程工具已經完全不是那個樣子了。

Claude Code不是一個聊天框。它是一個住在你電腦裏的程序員。

你跟它說"幫我做一個待辦清單網頁"，它會：

• • 自己創建文件
• • 自己寫代碼
• • 自己安裝需要的依賴包
• • 自己運行測試
• • 發現Bug自己修
• • 最後告訴你"做完了，你可以打開這個地址看效果"

整個過程你不需要碰一行代碼。

你只需要做三件事：

第一步：描述你要什麼     ← 用中文說就行
第二步：看它生成了什麼   ← 打開瀏覽器看效果
第三步：告訴它哪裏要改   ← 不滿意就用中文說

這就是AI編程的"三步法"。聽起來簡單，但90%的人卡在第一步——因為他們不知道該描述什麼、怎麼描述、描述到什麼程度。

這就是接下來我要解決的問題。

二、安裝配置：30分鐘從零到能用

這一節我寫得特別細，因為很多人就卡在安裝這一步。

2.1 你需要什麼

• • 一台電腦（Mac或Windows都行）
• • 能上網
• • 不需要任何編程基礎

2.2 安裝VS Code（5分鐘）

如果你電腦上已經有VS Code，跳過這步。

Windows：

1. 1. 打開瀏覽器，搜索"VS Code下載"或直接訪問 https://code.visualstudio.com
2. 2. 點擊下載按鈕，下載Windows安裝包
3. 3. 雙擊安裝包，一路點"下一步"就行
4. 4. 安裝完成後打開VS Code

Mac：

1. 1. 同樣訪問 https://code.visualstudio.com
2. 2. 點擊下載Mac版本
3. 3. 下載完把VS Code拖進"應用程序"文件夾
4. 4. 打開VS Code

2.3 安裝Claude Code插件（5分鐘）

這一步把AI程序員裝進你的編輯器裏。

1. 1. 打開VS Code
3. 2. 看左邊那排圖標，找到"擴展"圖標（長得像四個方塊那個），或者直接按快捷鍵：
• • Mac：Cmd + Shift + X
• • Windows：Ctrl + Shift + X
4. 3. 在搜索框裏輸入 "Claude Code"
5. 4. 找到 "Claude Code" by Anthropic（注意認準Anthropic官方的）
6. 5. 點擊 Install
7. 6. 安裝完成後，VS Code左側或底部會出現Claude Code的面板

2.4 配置模型（10分鐘）

Claude Code插件裝好後，它默認用的是Anthropic自己的Claude模型。但你也可以切換到國內模型，更便宜、在國內網絡環境更穩定。

目前我推薦兩個模型選擇：

我目前自己用的是GLM-5.1。 日常開發完全夠用，成本比Claude低很多。

怎麼配置GLM-5.1：

1. 1. 打開VS Code的設置文件。按 Cmd + Shift + P（Mac）或 Ctrl + Shift + P（Windows），輸入"settings json"，選擇 "Preferences: Open User Settings (JSON)"
2. 2. 在打開的settings.json文件中，找到或添加Claude Code相關配置，把模型改成 glm-5.1

或者更簡單的方式——直接在Claude Code的設置界面改：

1. 1. 點擊VS Code底部狀態欄的Claude Code圖標
2. 2. 找到模型設置選項
3. 3. 選擇或輸入模型名稱

詳細配置教程可以看智譜官方文檔： https://bigmodel.cn/claude-code

2.5 安裝三件套（10分鐘）

三件套是我做產品的核心工具組合，裝上之後AI編程的效率翻倍。

三件套是什麼？

安裝方法（在VS Code的終端裏執行）：

打開VS Code的終端：菜單欄 → 終端 → 新建終端（或按 Ctrl + `）

然後依次輸入：

# 安裝 gstack
git clone --single-branch --depth 1 https://github.com/garrytan/gstack.git ~/.claude/skills/gstack && cd ~/.claude/skills/gstack && ./setup

# 安裝 GSD
npx get-shit-done-cc@latest

Superpowers在Claude Code對話中安裝：

1. 1. 在Claude Code對話框裏輸入：/plugin marketplace add obra/superpowers-marketplace
2. 2. 等它安裝完成

裝完後驗證： 在Claude Code對話框裏輸入 /help，你應該能看到一個很長的技能列表。如果看到了，說明安裝成功。

注意： 如果安裝過程中報錯，最常見的兩個原因：

1. 1. 沒裝Node.js —— 搜索"Node.js下載"安裝最新版
2. 2. 網絡問題 —— 用國內鏡像：npm config set registry https://registry.npmmirror.com

三、最關鍵的一步：讓AI幫你配置CLAUDE.md

這一步是我認為整個AI編程流程中最重要的一步。

CLAUDE.md是什麼？它是一個特殊的文件，Claude Code每次啓動都會讀它。相當於你給AI員工的"工作手冊"——告訴它你用什麼技術棧、遵守什麼規範、哪些事不能做。

這份文件決定了AI編程質量的上限。 沒有它，AI就像一個能力很強但沒人管的新員工，按自己的理解亂做；有了它，AI就像一個訓練有素的工程師。

不要自己寫模板——讓AI幫你生成

網上很多教程會給你一個CLAUDE.md模板讓你自己改。但說實話，普通人根本不知道怎麼改——你連那些技術名詞都不認識，改什麼？

我的方法是：直接跟AI討論，讓它幫你生成。

具體怎麼做？打開Claude Code，跟它說：

我想做一個 [你的產品想法，比如：在線摳圖工具]。

請幫我生成一份適合這個項目的 CLAUDE.md 文件。

我目前的情況：
- 我不會寫代碼，需要你幫我做所有技術決策
- 我希望用最主流、最成熟的技術棧
- 我需要這個項目能部署上線、能收費

請根據我的產品需求，幫我決定：
1. 用什麼技術棧（前端、後端、數據庫）
2. 適合的編碼規範
3. 項目目錄結構
4. 常用命令
5. 需要遵守的紅線規則

生成完後直接寫入項目根目錄的 CLAUDE.md 文件。

AI會跟你討論幾個問題（比如"你想做什麼類型的網站""有沒有偏好的技術棧"），然後生成一份完整的CLAUDE.md，直接幫你寫到項目文件夾裏。

你不需要理解裏面每一條技術細節。你只需要在後面用的時候，發現問題了，跟AI說："上次你用了XX方案出了問題，以後別用了，改成YY方案"，AI會自動更新CLAUDE.md。

CLAUDE.md的核心玩法是"迭代"：

1. 1. 一開始讓AI幫你生成基礎版
2. 2. 用了一段時間後，AI犯了錯，你糾正了
3. 3. 把這個糾正寫進CLAUDE.md（或者讓AI自己寫進去）
4. 4. AI下次就不會再犯同樣的錯

這就像帶新人——一開始給一份工作手冊，後面他犯錯了就補充手冊，越往後他越靠譜。

四、從零開始的第一課：用自然語言寫第一個程序

這部分我把課程的核心教學內容直接寫出來。你跟着做，40分鐘就能寫出你的第一個程序。

4.1 AI編程的三步法

用Claude Code寫程序，流程永遠只有三步：

第一步：描述你要什麼     ← 你的工作
第二步：看它生成了什麼   ← 你的工作（審核）
第三步：運行驗證結果     ← 你的工作（測試）

你永遠不需要寫代碼。 你的工作是"描述需求"和"審核結果"。

4.2 實操：寫一個猜數字遊戲

第一步：描述需求

在Claude Code裏輸入（直接複製這段話）：

幫我寫一個猜數字遊戲，用Python。

要求：
1. 程序隨機生成1到100的數字
2. 讓用戶輸入猜測的數字
3. 告訴用戶猜大了還是猜小了
4. 猜對了告訴用戶用了幾次
5. 遊戲結束後問用戶要不要再玩一次

第二步：審核生成結果

Claude Code會：

1. 1. 創建一個Python文件（比如 guess_number.py）
2. 2. 寫入完整的遊戲代碼
3. 3. 告訴你如何運行

審核要點：

• • 它創建了幾個文件？（應該只有1個）
• • 文件名是什麼？
• • 它有沒有解釋代碼的作用？

第三步：運行驗證

在終端裏輸入：

python guess_number.py

如果報錯說找不到Python，輸入：

幫我檢查一下Python是否安裝了。如果沒有，幫我安裝。

運行成功後，你就有了人生中第一個程序。 真的就這麼簡單。

4.3 迭代優化——這才是AI編程的精髓

程序能跑之後，你可以讓它改進。

加計分功能：

給遊戲加一個計分功能。每次猜對後記錄用了幾次，最後顯示歷史最佳成績（最少猜對次數）。數據存在同一個目錄下的score.txt文件裏。

加難度選擇：

加一個難度選擇功能。遊戲開始時問用戶選難度：
- 簡單：猜1-50的數字
- 普通：猜1-100的數字
- 困難：猜1-500的數字

關鍵技巧：不要一次性給所有需求。 一次加一個功能，加完測試，沒問題再加下一個。任務越小，完成質量越高。出錯了容易定位和回退。

4.4 權限系統——AI每次操作都會問你

Claude Code在執行操作前會徵求你的同意，這是安全設計：

自動放行的操作（不需要確認）：

• • 讀文件
• • 搜索文件
• • 查看目錄結構

需要確認的操作：

• • 寫文件/編輯文件
• • 執行終端命令
• • 創建目錄

彈出的確認提示像這樣：

Allow Claude to write to /Users/you/hello.py? [y/n/a]

安全提示： 不要對"執行命令"類操作輕易選 a，因為命令可能包含危險操作（如刪除文件）。前期一律選 y，熟悉後再考慮用 a。

4.5 怎麼讓AI幫你修Bug

程序報錯了怎麼辦？直接把報錯信息粘貼給AI。

描述Bug時，始終包含三個信息：

1. 期望行為：應該發生什麼
2. 實際行為：實際發生了什麼
3. 錯誤信息：完整的報錯文本

錯誤做法：

我的程序壞了，幫我修一下。

→ AI不知道什麼壞了、怎麼壞的。

正確做法：

我的猜數字遊戲（guess_number.py）有個問題：

1. 期望行為：輸入字母q應該退出遊戲
2. 實際行為：輸入q後程序崩潰了
3. 錯誤信息：
   ValueError: invalid literal for int() with base 10: 'q'

幫我修復。

AI會分析錯誤信息，定位問題，然後修復代碼。對於常見錯誤，修復成功率在90%以上。

調試心態：報錯是信息，不是懲罰。即使資深程序員寫代碼也會出Bug。關鍵是快速發現、快速修復。

4.6 理解AI的"記憶"——上下文管理

Claude Code有"短期記憶"，叫做上下文。就像你的辦公桌——桌面空間有限，放太多東西就開始"找不到"早期放的文件。

核心規則：60%法則。 上下文佔用超過60%後，AI的表現會明顯下降——遺忘早期對話中的約束、重複已經做過的操作、生成跟前面矛盾的代碼。

什麼時候該開新對話：

• • 從功能A切換到功能B
• • 感覺AI開始"忘事"
• • 單次對話超過30輪

兩個關鍵命令：

• • /compact —— 壓縮對話，保留關鍵信息，釋放空間（同一任務繼續時用）
• • /clear —— 完全清空對話，從頭開始（切換到新任務時用）

優先用 /compact，實在不行再用 /clear。

還有一個技巧——用 @ 引用文件：

@guess_number.py 這個文件裏有什麼Bug？

加了 @，AI會看到真實代碼，不會憑空猜。回答質量比不加 @ 高很多。

4.7 結業實操：從零做一個待辦清單工具

這是階段一的結業項目。你將從零到一，用Claude Code做一個完整的命令行工具。

項目規劃：

分步實施（核心原則：不要一次性給所有需求）：

第一步：創建基礎結構

幫我創建一個叫todo-cli的項目。

要求：
- 創建目錄todo-cli
- 使用Python
- 先只做最基本的添加任務和查看任務功能
- 數據存在JSON文件裏

驗證：運行程序，能添加任務和查看任務。

第二步：加完成和刪除功能

現在幫我加上以下功能：
1. 標記任務為已完成（用編號）
2. 刪除任務
3. 數據自動保存到tasks.json

驗證：添加幾個任務，標記完成，刪除一個，重新運行程序看數據是否保存。

第三步：優化體驗

幫我優化用戶體驗：
1. 任務列表顯示編號
2. 顯示任務總數和已完成數
3. 輸入無效命令時給出提示

第四步：寫說明文檔

幫我寫一個README.md，包括：
- 項目名稱和簡介
- 功能列表
- 使用方法

完成標準：

• • [ ] 能添加任務
• • [ ] 能查看任務列表
• • [ ] 能標記任務完成
• • [ ] 能刪除任務
• • [ ] 重啓後數據還在
• • [ ] 有README.md

做到這裏，你已經入門了。 你學會了AI編程最核心的東西：三步法（描述→審核→驗證）、分步開發（不要一次性給所有需求）、Bug描述三要素、上下文管理。

五、三件套怎麼配合：一個人 = 一個技術團隊

三件套裝好了，CLAUDE.md配好了。現在講它們怎麼配合使用。

5.1 三件套各自幹什麼

GSD（項目管家）——管"做什麼""什麼時候做""做了多少"

GSD把大項目拆成小階段，每個階段有目標、有驗收標準。你做完一步，它自動進入下一步。最關鍵的是——它會把所有狀態保存在 .planning/ 目錄裏。也就是說，你今天做到一半關了電腦，明天打開還能接着做，不會丟失進度。

GSD的5步流水線：

spec（需求）→ discuss（討論）→ plan（計劃）→ execute（執行）→ verify（驗證）

gstack（專家團隊）——管"做得好不好""有沒有遺漏"

gstack像一個外部顧問團，裏面有多個角色：

Superpowers（開發紀律）——管"怎麼做才對""不能怎麼做的紅線"

Superpowers的特點是自動觸發，你不需要手動調用它。它會：

• • 寫代碼前先寫測試（TDD：紅→綠→重構）
• • 有Bug時觸發"系統化調試"——"沒有調查就不修復。不要猜測。不要假設。不要'試一下'。"
• • 寫完後自動做完成驗證

5.2 三件套怎麼配合——真實場景演示

我拿做pngtrid.com時的流程來演示：

第1步：想清楚方向（用gstack）

在Claude Code裏輸入：

/office-hours

然後跟AI對話：

我想做一個AI生圖工具網站，面向國內用戶。目前市面上的AI生圖工具要麼太貴，要麼需要翻牆。
我想做一個國內的、價格合理的AI生圖站。
幫我分析一下可行性和切入點。

gstack不會直接回答"好，開始做"。它會追問你：

• • "你的目標用戶具體是誰？設計師？電商賣家？還是普通用戶？"
• • "你打算用哪個AI生圖模型？Stable Diffusion？Midjourney API？"
• • "你的定價方案是什麼？免費+付費？還是純付費？"
• • "你的獲客渠道想好了嗎？SEO？社羣？"

這些問題逼你想清楚。 很多人上來就"我要做個XX"，但細節全沒想。gstack幫你把模糊的想法變成清晰的方案。

第2步：創建項目並拆解（用GSD）

想清楚後，在Claude Code裏輸入：

/gsd-new-project

跟AI描述你的產品方案（把第1步討論出的結論告訴它）。AI會自動生成項目結構，把大項目拆成多個Phase。

然後規劃每個Phase：

/gsd-plan-phase

AI會輸出一個詳細的計劃，類似這樣：

Phase 0：基礎搭建（1天）
  - 項目初始化（Next.js + Tailwind + 數據庫）
  - 用戶認證系統
  - 基礎頁面佈局

Phase 1：核心功能（3天）
  - AI生圖功能集成
  - 圖片生成隊列
  - 圖片展示和下載

Phase 2：付費系統（2天）
  - Stripe/微信支付集成
  - 會員等級和額度管理
  - 支付回調處理

Phase 3：上線準備（1天）
  - SEO優化
  - 性能優化
  - 部署到Vercel

每個Phase有驗收標準。比如Phase 1的驗收標準可能是："用戶可以輸入提示詞、點擊生成、看到AI生成的圖片、下載圖片。"

第3步：執行（GSD + Superpowers）

/gsd-execute-phase

AI開始按計劃執行。這一步是Superpowers自動介入的時候——

它會在寫每個功能前先寫測試。這意味着它不是"寫完代碼就交差"，而是"寫完代碼、跑通測試、確認沒問題"才告訴你做完了。

你在這個過程中做什麼？

1. 1. 看AI的計劃——它每次執行前會告訴你"我接下來要做XX"，你確認OK它才開始
2. 2. 驗收每個Phase——它做完了，你打開瀏覽器看看效果，點點看，功能是不是你想要的
3. 3. 給反饋——"這個按鈕位置不對""這個頁面太慢了""這個顏色不好看"，直接用中文說

如果AI在做的時候你關了電腦，第二天打開，GSD的狀態都還在。你只需要說"繼續上次的Phase 1"，它就知道從哪接着做。

第4步：質量檢查（用gstack）

代碼寫完了，別急着上線。用gstack做幾輪檢查：

# 代碼審查——檢查Bug和安全漏洞
/review

# 真實瀏覽器測試——AI會打開你的網站，操作一遍，截圖給你看
/qa

# 安全審計——全面掃描安全問題
/cso

為什麼AI寫的代碼也需要審查？

因為AI有"確認偏誤"——讓它自己檢查自己的代碼，它傾向於說"沒問題"。就像你寫完一篇文章自己校對，總覺得沒什麼要改的。

我的做法是多層審查。實測數據：用另一個AI交叉審查Claude寫的代碼，審計準確率約47%（不高），但它唯一標記為Blocker的問題，恰好是Claude完全沒發現的盲區。

獨立審查的價值不在於準確率，而在於視角互補。

第5步：發佈（用gstack）

/ship

AI會自動處理構建、部署。你確認就行。

六、為什麼AI編程容易翻車？——四級治理模型

我見過太多人用AI編程做出一坨屎。不是因為AI不行，是因為沒有治理。

AI就像一個能力很強但沒有方向感的新員工。你不給規則，它就按自己的理解做——而且它覺得自己做得挺好。

治理的本質：把人腦中的隱性知識，轉化為AI能理解和執行的顯性規則。

我的解決方案是四級漸進式治理模型：

L1：基礎級（5分鐘搞定）

就是上面說的CLAUDE.md。讓AI幫你生成。

90%的個人項目做到這一步就夠了。 不要提前引入複雜度。

L2：規範級（30分鐘）

當你感受到這些痛點時再升級：

• • 團隊超過2人，開始出現風格不一致
• • 需要部署到生產環境
• • 反覆在新session中重複相同的指令
• • AI總是犯同一個錯誤

L2在L1基礎上加：

• • rules（路徑級規則）：不同文件夾用不同規則。比如API目錄下要求所有接口必須有錯誤處理，前端目錄下要求每個組件必須有類型定義
• • Hooks（自動化鈎子）：比如AI每次修改文件後自動運行測試，測試不通過就回滾
• • 自定義Agent：創建專門的審查Agent、文檔檢查Agent

L3：協作級（2小時）

5-15人的團隊。在L2基礎上加Plugin打包、Agent Team（多個AI並行工作）、Forked Subagent（子代理繼承完整上下文）。

L4：度量級（需專人維護）

15人以上的公司。Managed Settings通過MDM強制下發配置，所有員工統一規範。

核心原則：寧可低一級，不要高一級。當你明確感受到當前層級的痛點時，再升級。

很多人一上來就想搞L3的Plugin打包，結果配置太複雜，AI反而不好用了。從L1開始，遇到問題再加規則，一步步來。

七、質量保障四件套：怎麼防止AI翻車

AI寫的代碼最大的問題不是"不能用"，而是"看起來能用，但藏着坑"。我總結了四個質量保障手段，形成完整鏈路：

1. ralph-loop（開發過程中持續驗證）

核心理念：Memory is Poison, Tests are Cure.

Claude的上下文會丟失、會幻覺，但測試不會。把驗證邏輯寫進測試，而不是依賴Claude"記住"。

四階段循環：

約束確認 → 代碼生成 → 執行監控 → 閉環驗證
      ↑                           ↓
      └─────── 測試失敗 ←─────────┘

2. code-review三層審查

核心設計：信息隔離。 每層審查者不知道其他層的結論，避免確認偏誤。

• • Layer 1：Claude自審（必選，~30秒）——快速掃一遍
• • Layer 2：Codex交叉審（變更>200行時推薦）——用另一個AI審
• • Layer 3：/ultrareview雲端審（重大變更時用）——多個AI Agent並行審查

3. 對抗性審計（上線前必做）

三階段信息不對稱設計：

• • Phase 1：Agent只看需求不看代碼，猜測可能的風險
• • Phase 2：看代碼 + Phase 1的假設，驗證或推翻
• • Phase 3：看代碼 + 前兩輪結果，找盲區

關鍵是Phase 1必須用新對話，防止被已有上下文"帶偏"。

4. verification（完成確認）

鐵律：

"代碼已寫"不是驗證證據，"測試通過"才是。
"我覺得沒問題"不是驗證證據，"curl返回200"才是。

驗證矩陣模板：

八、從想法到上線的完整SOP

現在把前面的內容串起來，給你一個可以直接照抄的SOP。

階段0：調研（3小時，不能跳）

這步我上一篇精華帖寫了完整的6步BRD流程。核心：先花3小時，再決定要不要花3周。

我自己的教訓——pngtrid.com的第一個版本，跳過了調研，定位模糊。後來花了2天做BRD調研，重新定位，上線1個月變現5K。

那2天比之前亂做的所有時間都有價值10倍。

階段1：讓AI幫你配置項目（30分鐘）

1. 1. 打開VS Code，新建一個項目文件夾
2. 2. 打開Claude Code對話框
3. 3. 跟AI說你的產品想法，讓它幫你生成CLAUDE.md
4. 4. 跟AI討論確認後，讓它寫入文件

階段2：討論方向和規劃（1小時）

1. 1. /office-hours —— 跟AI討論方向，想清楚
2. 2. /gsd-new-project —— 創建項目，拆成多個Phase
3. 3. /gsd-plan-phase —— 生成詳細的執行計劃

階段3：執行開發（7-14天）

1. 1. /gsd-execute-phase —— AI按計劃執行
2. 2. 每個Phase做完，你驗收：打開瀏覽器看看效果
3. 3. 不滿意就用中文告訴AI哪裏要改
4. 4. 做到一半關了電腦？第二天打開說"繼續上次"就行

階段4：質量檢查（1天）

1. 1. /review —— 代碼審查
2. 2. /qa —— 真實瀏覽器測試
3. 3. /cso —— 安全審計
4. 4. 不通過就讓AI修，修完再查，直到全過

階段5：上線發佈

1. 1. /ship —— 一鍵發佈
2. 2. 獲客走垂直渠道（Reddit、社羣、平台插件市場），不走Google大搜

九、我的真實踩坑記錄

坑1：跳過調研直接寫代碼

pngtrid.com第一個版本，沒有做調研，定位模糊。上線後才知道市場定位有問題。後來花了2天做BRD調研，重新定位，上線1個月變現5K。

那2天比之前所有時間都有價值10倍。

坑2：不給AI定規則

早期讓AI自由發揮，選了個我不熟悉的技術棧，出了Bug我修不了。後來在CLAUDE.md裏限定了技術棧，這個問題再沒出現。

坑3：不做質量審查

有一次跳過審查直接上線，用戶反饋支付頁面有Bug。從那以後，鐵律就是"測試通過才算完成"。

坑4：上下文太長導致AI"忘事"

有一次在一個對話裏讓AI做了太多事情，做着做着它開始重複已經做過的操作，生成的代碼跟之前矛盾。後來我學會了一個規則：單次對話超過30輪，就開新對話。 GSD的狀態保存在文件裏，不會因為開新對話丟失。

坑5：定價踩坑

第一個定價方案是免費。想着先吸引用戶再收費。結果免費用戶一堆，付費用戶為零。後來改成Freemium模式（免費體驗 + 付費Pro版），付費轉化率才上來。

不要做最便宜的。做中偏上。用戶選的不是"便宜"，是"划算"。

坑6：一次性給AI太多需求

有一次跟AI說"幫我做一個電商系統，要用戶註冊、商品管理、購物車、訂單、支付……"，它做出來的東西東拼西湊，Bug一堆。後來改成一步步來——先做註冊，測通了再做商品管理，做完了再做購物車——質量好了很多。

任務越小，完成質量越高。出錯了容易定位和回退。

十、進階學習路徑

如果你把上面的內容都做了，想繼續深入，這裏是一個完整的學習路徑，從零基礎到企業級，分4個階段28課：

階段一：零基礎入門（1周，6課）——你現在正在學

結業標準： 能獨立用Claude Code做一個命令行工具。

階段二：基礎精通（2周，9課）

結業標準： 能獨立做完整Web應用。

階段三：高級進階（2周，6課）

結業標準： 能做多AI協作的複雜項目。

階段四：大師殿堂（2周，7課）

結業標準： 能搭建企業級AI編程治理體系。

十一、今天就能開始的行動清單

別光看，動手。

今天（1小時）：

1. 1. 安裝VS Code
2. 2. 在VS Code裏安裝Claude Code插件
3. 3. 配置模型（推薦GLM-5.1或Kimi K2.6）
4. 4. 打開Claude Code，跟它說："幫我寫一個猜數字遊戲"，看它怎麼做
5. 5. 運行它生成的程序，玩一玩

本週（3小時）：

1. 6. 想一個你想做的產品（哪怕很小）
2. 7. 用BRD方法調研3小時（我上一篇文章的SOP）
3. 8. 跟AI討論你的想法，讓它幫你生成CLAUDE.md
4. 9. 安裝三件套（gstack + GSD + Superpowers）

下週（7天）：

1. 10. 用GSD的5步流水線開始做你的產品
2. 11. 每個Phase做完做代碼審查（/review）
3. 12. 全部做完做質量測試（/qa）+ 安全審計（/cso）
4. 13. /ship 一鍵發佈

上線後：

1. 14. 垂直渠道獲客（Reddit → 社羣 → 平台插件市場）
2. 15. 持續迭代，把用戶反饋告訴AI，讓它更新CLAUDE.md
3. 16. 當治理層級不夠用時，升級到L2

最後說一句

我不是科班程序員。高中畢業，當過兵，做過新媒體運營，開過奶茶店（虧了30萬），開白墨打印工廠。2024年才開始用AI編程。

但AI編程改變了我的賺錢方式——pngtrid.com上線1個月變現5K，PNG部落3個月5萬收入，自動化寫作7天變現3285元。

這些數字不大，但對一個不會寫代碼的人來說，每一分錢都是AI編程方法論的驗證。

2026年，AI編程Agent已經非常強了。Claude Code的Plugin生態已經有32,000+個插件，13,000+開發者貢獻。AI編程已經過了"試試看"的階段。

核心矛盾從"AI能不能寫代碼"變成了"怎麼讓AI寫出可維護、可擴展、可交付的生產級代碼"。

這就是三件套、四級治理、質量四件套的價值——不是教你跟AI聊天，是教你像管理團隊一樣管理AI。

你的優勢不是會寫代碼，是會用AI。2026年，後者比前者值錢。