AI 时代零基础学编程的第一步是什么？

你可能会觉得有些奇怪：拆需求跟编程有什么关系？别急，听我跟你讲个故事。

拿我自己举例：我大学学的是国际贸易，工作岗位是产品经理，就是字面意义上「没学过写代码」的情况。曾经在工作中碰到过这样一个需求：给每个员工按规则生成绩效评价对象。

​

产品经理的困境：功能点价值低 = 没资源

大厂牛马们应该很熟悉了：矩阵管理，各种互相评价。以往的评价人都是系统写死一部分（比如直属上级），员工自己选一部分（比如协作较多的相关方），主管确认一部分；但后来大家都觉得很麻烦，不如让系统直接自动根据规则生成（一套令人眼花缭乱且动态更新的规则，要自动计算不同相关方的权重，还要时间节点拆不同组织架构切片等等），不用人工参与调整确认，所以就想做个功能。

抛开这个需求在实际业务中的可行性不谈（绩效评价这种事情是最容易出 drama 的点，怎么可能不用人工参与调整，到最后还是得在系统里开口子改，甚至结果和过程数据都要一起改），我们只谈功能的实现。

作为产品经理，收到这个需求的官话回复是：这个需求我们要深挖，抽象成通用的规则引擎；实际就是性价比太低，不如找个实习生苦力搞一搞算了（对不起实习生朋友们，没有任何贬低的意思……），反正每年就做两次绩效评价。做成规则引擎也不是不行，但这种非标需求估计换个业务方然后需求又会变，然后被问「为什么方案这么不灵活」；要是做了个灵活的方案就会被质疑「真的有必要这么复杂吗」，以及评估完资源说「这个需求我们排期到明年上」。主打一个「产品不理会业务诉求」、「开发不支持资源排期」及「业务不考虑开发成本」的不合氛围。

这就是在一个大型组织内做事经常碰到的困境：所有的原因都是客观的（因为资源确实是有限的），业务、产品和开发都在搞「抽象」，都在尝试做「复用组件」，然后拿去做晋升汇报抢资源继续造轮子，但具体的一线需求就是推不下去。

​

我的「土法炼钢」

那时候还没有 AI（或许已经有了但我不知道），只是因为憋着一口气要真的帮业务对接的小姑娘解决点问题，与其一直在那里「想价值点、等评审、等排期」，不如自己动手试试看。所以就开始琢磨，这个规则究竟要做什么，输入是什么，输出又是什么？

评价分配规则梳理出来差不多长这样：

• 如果员工的岗位是 A1，小组是 B1，部门是 C1，那么这个员工就应该由 C2 部门的 B2 小组的所有人来评，但不包括 A3 岗位
• 对于 B5 小组里的每一个人，评价对象在既有规则之外都还要加上 D1 部门里岗位不是 A2 的人，和 张三
• 还有其他各种奇奇怪怪的规则，这里都做了简化，要不然单纯的 vlookup 完全可以搞定
• 至于为什么会有这样的规则，属于业务管理问题，不在这篇讨论了，让我们只关注打工人自己能控制的东西吧

常识告诉我这就是个类似 Excel 的 vlookup 工具，只不过简单的 vlookup 只能输出指定列，这里需要在 vlookup 里再嵌套一层 vlookup，根据第一次找到的评价规则在另外一张表里再找人，那为什么不能做个方便的小工具出来点两下就好了。

于是，在某个月黑风高的晚上，尝试性地开始在 Google、B 站、Youtube 上搜解决方案。

先是看各种零代码、低代码平台有没有类似的工具，找了下都不太符合要求。然后又在想，Excel 里的 VBA 是不是就能处理，看了下教程发现有类似的案例，但公司配的 Excel 版本没有 VBA 功能，于是又作罢。

在翻搜索结果的时候看到有用 Python 处理数据的案例，而且那些示例代码看起来很容易懂，基本就是类似自然语言的描述。于是，就在搜索框里打下「Python 根据条件提取 Excel 脚本」几个关键词，一页页打开看，还真让我找到了最贴合的案例。

但找到之后发现，自己不会运行代码，怎么能让这个东西在我自己的电脑上跑起来呢？于是又开始搜「Mac 如何安装 Python」「如何运行 Python」「如何查看 python 版本」「pip 是什么」「虚拟环境是什么」「什么是 Homebrew」「为什么 Homebrew 安装速度慢」「如何安装 pandas」……

就这么一步步地，慢慢有了一个雏形：

import pandas as pd

df_A = pd.read_csv('/path/to/file_A.csv')
df_B = pd.read_csv('/path/to/file_B.csv')

def find_ids(df, **conditions):
    result = df
    for key, value in conditions.items():
        result = result[result[key] == value]
    return result['id'].tolist()

def update_appraiser(row, df_B):
    if row['position'] == 'A1' and row['group'] == 'B1' and row['dept'] == 'C1':
				ids_1 = find_ids(df_B[df_B['position'] != 'A3'], dept='C2', group='B2')
				……
        combined_ids = ';'.join(map(str, ids_1 + ……))
        return combined_ids
    elif ……
		return row['appraiser']

def main():
    df_A['appraiser'] = df_A.apply(lambda row: update_appraiser(row, df_B), axis=1)
    df_A.to_csv('/path/to/file.csv', index=False)
    
if __name__ == '__main__':
    main()

第一眼看上去好像挺复杂，但实际上这就是在几个不同的案例里东拼西凑起来的大杂烩，我都不知道这坨东西究竟是什么意思。

但心态放宽就好了，反正做成了的话自己也掌握了新知识，业务也解决了问题，做不成就不成，没人期待我这样一个没什么编程基础的人上来就会写代码了。所以就硬着头皮看，慢慢就发现：

• 这个引号「‘’」里的东西好像都是表格里的表头或者单元格值；
• row 是行的意思；
• to_csv 后面有个路径，看起来像是文件的地址；
• ……

真的静下心默读一下这段代码，你会发现这非常类似自然语言。不看语法，只用英语翻译能看懂的部分就是：

if row['position'] == 'A1' and row['group'] == 'B1' and row['dept'] == 'C1':
-> 如果这一行里的 position 值是 A1，group 值是 B1，dept 值是 C1

ids_1 = find_ids(df_B[df_B['position'] != 'A3'], dept='C2', group='B2')
-> find_ids 是查工号的工具名字，position 值不等于 A3，dept 值等于 C2，group 值等于 B2
-> 好像说的是要在表 B 里查：岗位不是 A3，部门是 C2，小组是 B2 的人的工号？

combined_ids = ';'.join(map(str, ids_1 + ……))
-> 看不懂，join 是加入，map 是地图？

return combined_ids
-> 返回一个叫 combined_ids 的东西，看不懂

既然有能看懂的部分，那么就上手改改，看看运行出来的结果是什么样的，然后就大概知道这一行代码的作用。有时候改坏了，看着一屏幕的陌生提示，那就复制出来扔到搜索引擎继续搜，这个阶段碰到的问题都一定有标准答案。

最终给业务方提供了一个脚本，能把评价人的工号都找出来，然后再在 Excel 里手动做逆透视（把行数据变成列数据，这一步就是产品经理的基本功了），最终导出能用的数据。

业务方小姑娘开心坏了。

​

真正的基础：需求拆解

上面这个例子是在没有 AI 的时候就已经可以做到的结果，善用搜索引擎，你会发现你碰到过的问题也一定有其他人碰到并解决过。现在更好了，你已经可以完全省略掉在搜索引擎里找答案的过程，直接扔给 AI 让它帮你写好解释，你只需要复制粘贴看结果就行。

当然，一切都有一个大前提：所有的后续步骤都建立在你对业务（或者对你的需求）足够了解的情况下，可以想象，在开始搜索实现方式之前，如果我没办法把业务需求转化为可以用语言清晰描述的规则，至少一个输入能对应一个明确输出的话，那么就算我再会写代码，也还是需要人来告诉我规则是什么。

即便是用 AI 来协作，你也仍然需要扮演从「需求」到「代码实现」中间的桥梁角色。越能够清晰地描述需求，AI 产出的结果就越好。

• 明确目标：我想要解决什么问题
• 分析输入：我需要哪些数据？数据从哪里来？
• 确定输出：我希望得到什么结果？结果是什么格式？
• 梳理流程、规则：从输入到输出有哪些步骤？每一步的判断条件是什么？
• 用自然语言描述：用清晰、简洁的语言把规则和需求描述出来，就像写作文一样

这就是我所理解的「基础」：在 AI 时代，哪怕是零基础学编程，比学语法、框架更为基础的其实是你的「需求拆解」能力。你可以在最开始的时候完全没有任何概念，但你需要会翻译——要么把你的需求翻译成条件格式（如果 A 那么 B），要么能读懂别人或 AI 所写的示例代码里的逻辑判断。

毕竟大多数人「零基础学编程」的最终目的并不是要成为一个专业写代码的程序员，而是要通过编程能力的拓展来更好地解决生活和工作中存在的问题。

​

拆解之后：像学外语一样学写代码

在我的认知里，代码就是语言的一种。人与人沟通用中文，用英语；人与机器沟通用代码。（我知道这不严谨，还有很多编译到二进制的工作，理解意思就行。）当年学英语是怎么学的，现在学代码也是一样。非理科生可能逻辑确实弱一点（对不起，刻板印象了），但就像英语阅读理解一样，先浑个脸熟，逻辑可以慢慢捋（而且还不像以前有时间限制）。

不过，也正因为像做英语阅读理解一样，词汇量是拿分的基础。一篇文章里有 10% 的生词你还能靠上下文逻辑关系蒙一蒙，要是 90% 都不认识，那跟瞎做也没区别。但现在有了 AI，你相当于带着文曲星——算了，还是换个没那么暴露年龄的例子，你相当于带着讯飞翻译笔进考场，「哪里不会点哪里」。

当然，我也知道这种碎片化的信息并不是真的「知识」，这种「干中学」相比与系统学习也有其局限性。但对于编程小白来说，获取「微弱但持续的成就感」比「严谨而系统的学习框架」在初期更为重要。毕竟不是要转去当全职码农，而是要用写代码的能力来实现自己的产品设想。先做出来看看，有了甜头自然就有了深入学习的动力。

另外，这些基础知识本身也不难（即便是对于如我一样的非理科专业），甚至对于一些人来说属于看了就等于会了的程度。如果当年初高中上微机课时都能绕过网管去玩泡泡堂（又是一个暴露年龄的例子），现在觉得看起来困难可能真的只是因为没有迈出那一步上手试试。跟朋友聊的时候也在感慨，学生时代每天都在跨领域学习新知识，那时候是怎么做到九门学科每天都在学新东西的，工作时间久了之后，估计就在每天的麻木中忘了自己仍然有跨领域学习的能力。

别光看了，开始上手试试吧。

推荐我自己用过的一些基础学习资料和方式：

• O’REILLY 的 Head First 系列书：你可以当成教材跟着看和练，或者跟我一样，把它当成字典用，碰到 AI 举例我都无法理解的情况就去看书。最基础的可以从 HTML 和 CSS 那本开始看，先写一个静态网页建立下成就感。PS：Head First 的书写得是真好，虽然有很多外国人的冷幽默翻译过来之后变得更冷了，但整体的结构和循序渐进的方式会让你觉得「以前上学的时候老师要都这么教就好了」。
• DeepLearning.ai 上吴恩达的系列公开课：这上面的课是反复听反复有收获，但建议是先有了一点 Python 基础再听。我就是听了那个《Prompt Engineering for Developers》的 9 节课之后入门的。
• freecodecamp：看完书听完课之后，直接上手写代码过认证考试，又是一轮反复强化记忆。
• 最后，你还可以让 AI 帮你生成题目来检查知识点的掌握情况。别忘了 AI 可是个 7*24 小时的高级私教。

​