AI都能写代码了,为什么我还要学Python?

新闻

作者：微信文章
AI 都能写代码了，为什么我还要学 Python？

前段时间在一个技术分享会上，有个刚毕业的学生问我："现在 AI 编程工具这么强，我还有必要花时间学 Python 吗？感觉 AI 几秒钟就能写出我要一天才能写完的代码。"

这个问题让我愣了一下。

不是因为问题太蠢，而是因为三年前，也有人问过我类似的问题："有了计算器，我还需要学心算吗？"当时我觉得这问题有点可笑，但现在想想，这两个问题本质上是一样的——工具变强了，基础能力还重要吗？

答案是：比以前更重要。
AI 时代，Python 不是可选项，是必选项


这听起来很反直觉对吧？AI 都能写代码了，为什么学编程反而更重要了？

因为 AI 改变的不是"要不要学编程"，而是"怎么学编程"和"学到什么程度"。

就像有了导航软件，你不需要背地图了，但你得知道自己要去哪里。AI 可以帮你写代码，但它不知道你想解决什么问题。这个"知道自己要什么"的能力，恰恰需要你懂编程。

我做过一个实验。

让一个完全不懂编程的产品经理和一个会 Python 的开发者，分别用 Claude Code完成同一个任务--写一个数据分析脚本。

产品经理花了 2 小时，写出来的代码能跑，但性能差、容错性弱、可维护性几乎为零。开发者花了 20 分钟，代码简洁、健壮、可扩展。

差距在哪？

不在写代码的速度，而在"知道什么是好代码"。这个判断力，AI 给不了你。
AI 是放大器，不是替代品


很多人对 AI 有个误解：觉得 AI 能替代程序员。

但实际上，AI 更像一个"能力放大器"——它放大的是你已有的能力，而不是凭空创造能力。

什么意思？

如果你懂 Python，AI 能让你的效率提升 10 倍。但如果你不懂 Python，AI 只能让你从 0 到 0.5——能写出能跑的代码，但写不出好代码。

我见过太多这样的案例：用 AI 生成了一堆代码，看起来能用，但一上线就出问题。为什么？因为 AI 生成的代码，你看不懂它的逻辑，不知道它的边界条件，更不知道它可能在哪里出错。

举个具体例子。

我让 Cursor 写一个"读取 CSV 文件并统计数据"的脚本，它给了我这样的代码：
import pandas as pd
df = pd.read_csv('data.csv')
print(df.describe())

看起来没问题对吧？

但如果你懂 Python，你会知道这代码有几个坑：
- 文件不存在怎么办？
- 文件太大内存爆了怎么办？
- 数据格式不对怎么办？
- 编码问题怎么办？

AI 不会主动告诉你这些，因为它不知道你的具体场景。但如果你懂 Python，你会知道要加异常处理、要考虑内存优化、要处理编码问题。

这就是"懂"和"不懂"的区别。

AI 能帮你写代码，但不能帮你"想"代码。
Python 是 AI 时代的"通用语言"


这是很多人没意识到的一点：在 AI 时代，Python 不只是一门编程语言，它是你和 AI 沟通的"接口"。

为什么这么说？

现在几乎所有的 AI 工具、框架、库，都是用 Python 写的或者提供 Python 接口。TensorFlow、PyTorch、LangChain、Hugging Face……你想用 AI 做点什么，绕不开 Python。

更重要的是，当你想定制 AI 的行为、调整 AI 的输出、把 AI 集成到你的工作流里，你需要写代码。而这个代码，90% 的情况下是 Python。

我有个真实案例。

公司要做一个智能客服系统，用的是 GPT-4 的 API。产品经理提需求："我们要让 AI 的回答更符合公司的语气，不要太正式。"

如果你不懂 Python，你只能求 AI："帮我写个代码，让 GPT 的回答不那么正式。"AI 会给你一个通用方案，但不一定符合你的需求。

但如果你懂 Python，你可以这样做：
def customize_response(response):
# 替换正式用语
    response = response.replace("您", "你")
    response = response.replace("请问", "")
# 添加口语化表达
if random.random() < 0.3:
        response += " 😊"
return response

这种定制化的能力，只有懂编程才能做到。AI 能帮你写代码，但它不知道你想要什么样的"不正式"。
学 Python 不是学语法，是学思维


很多人觉得学编程就是背语法、记 API。

但实际上，编程最重要的是"计算思维"——把复杂问题拆解成可执行步骤的能力。

这个能力，AI 教不了你。

我见过一个极端案例：一个完全不懂编程的人，用 AI 写了一个"自动化报表生成工具"。代码能跑，但逻辑混乱到让人心态崩了——同样的功能重复写了三遍，变量命名毫无规律，函数嵌套层级深到自己都看不懂。

为什么会这样？

因为他不懂"如何组织代码"。他只是把需求一股脑扔给 AI，AI 给什么他就用什么，完全没有整体设计的概念。

而如果你学过 Python，你会知道：
- 相同的逻辑要抽象成函数
- 相关的功能要组织成模块
- 复杂的流程要拆解成步骤
- 变量命名要有意义

这些不是语法问题，是思维问题。AI 能帮你写代码，但不能帮你"设计"代码。
Python 是最低成本的"试错工具"


这是我最看重的一点。

在 AI 时代，想法变得极其廉价——你可以用 ChatGPT 生成 100 个创意。但把想法变成现实，还是需要成本的。而 Python，是成本最低的"想法验证工具"。

什么意思？

假设你有个想法："我想做一个工具，自动分析我的微信聊天记录，找出我最常聊天的人。"

如果你不懂编程，你只能：
- 找外包（贵）
- 求 AI 写完整的应用（复杂）
- 放弃（可惜）

但如果你懂 Python，你可以花 30 分钟写个脚本，验证这个想法是否可行。如果可行，再考虑做成产品；如果不可行，也没浪费太多时间。

我自己就是这样。

我有很多"灵光一现"的想法，大部分都是用 Python 快速验证的。有些想法验证后发现不靠谱，就放弃了；有些想法验证后发现有价值，就继续深入。

这种"快速试错"的能力，在 AI 时代变得更重要了。因为 AI 降低了创意的门槛，但没有降低执行的门槛。而 Python，恰好是连接"创意"和"执行"的桥梁。
那么，AI 时代该怎么学 Python？


说了这么多"为什么要学"，那"怎么学"呢？

我的建议是：不要像以前那样学。

以前学 Python：从语法开始，学变量、循环、函数，然后学类、模块，最后学框架。这个过程可能要几个月。

现在学 Python：从问题开始，用 AI 帮你写代码，然后你去理解这些代码。这个过程可能只要几周。

具体怎么做？
1. 确定一个实际问题


比如："我想自动整理我的照片，按拍摄日期分类。"
2. 让 AI 帮你写代码


用 Cursor、Codex 或 Claude Code，描述你的需求，让它生成代码。
3. 逐行理解代码


不要直接复制粘贴，而是逐行问自己："这行代码在做什么？为什么要这样写？"
4. 尝试修改代码


改一个参数，看看会发生什么。加一个功能，看看怎么实现。
5. 遇到问题再学理论


当你不理解某个概念时，再去查文档、看教程。

这种"问题驱动"的学习方式，比传统的"知识驱动"高效得多。因为你学的每个知识点，都是为了解决实际问题，而不是为了考试。
最后说两句


AI 时代，Python 不是变得不重要了，而是变得更重要了。

但"重要"的方式变了。

以前学 Python 是为了"写代码"，现在学 Python 是为了"用代码"。以前你要记住所有语法，现在你只需要知道"什么时候该用什么"。

AI 是工具，Python 也是工具。但 AI 是"执行工具"，Python 是"思考工具"。前者帮你做事，后者帮你想事。

所以，AI 都能写代码了，为什么还要学 Python？

因为 AI 能帮你写代码，但不能帮你想清楚"要写什么代码"。而这个"想清楚"的能力，恰恰是 Python 教给你的。

---

【互动】你在用 AI 写代码时，遇到过哪些坑？欢迎评论区聊聊你的经验。