单击上方“图灵人工智能”，选择“星标”公众号

您想知道的人工智能干货，第一时间送达

一

前段时间我写过一篇文章，回一位文科生读者的来信。他是应用经济学的研究生，问我该怎么系统学 AI、要不要补数学、该啃哪些书。我给他的回答大意是：别急着系统学，先动手，先让 AI 替你干活。（那篇叫《你不缺书单，你缺的是「敢」》，感兴趣的可以翻回去看。）

那封信像是打开了一个口子。

之后的一段时间，我在公司里陆陆续续跟很多文科背景的同事聊过同一件事——他们现在都在被要求用 AI 做点东西：整理数据、跑个脚本、拿 Cursor 或者 Claude Code 这种 AI agent 写点小工具。有人做得磕磕绊绊，有人干脆卡死在半路。我常常被拉去"对接"一下，帮他们看看到底堵在哪。

对接得多了，我发现一件事：他们卡住的地方，惊人地一致。

而其中一个同事的一句话，我到现在都记得。他做了一半，抬起头跟我说：

我不是学不会，是像在看天书。

我盯着"天书"这两个字想了很久。

因为这个描述太准了。天书的特点不是难，是你不知道自己在看什么。

一本很难的数学书，你至少知道它在讲什么，知道自己卡在哪一步，知道要往回补什么。

而天书不是。天书是每个字你都认识，连起来完全不知道在说什么，而且你连"我不懂的到底是什么"都说不出来。

这是文科背景的人用 AI 学编程时最典型的状态。而它几乎从来没有被正确地诊断过。

二

先说结论，因为它很重要：

文科生学不会编程，九成不是智力问题，是路径错配。

什么叫路径错配？

市面上所有的编程教程——所有的，包括最友好的那些——都是为同一类人设计的：打算成为程序员的人。

所以它们的结构永远是这样的：安装环境 → 变量 → 数据类型 → 条件判断 → 循环 → 函数 → 数组 → 面向对象 → ……

这个顺序完全正确，如果你的目标是三年后能独立开发一个系统。

但你的目标不是。

你的目标可能是：把三千行 Excel 数据自动整理一遍。把一个网站上的公开数据抓下来做论文。做一个能用的小工具。看懂技术同事在说什么，在开会时不点头装懂。

这两个目标之间的距离，比大多数人以为的远得多。

而当你带着第二个目标，走上第一条路的时候，会发生什么？

你会花两周学变量和循环，然后发现它和你要做的事看不出任何关系。你会在第三周失去动力，然后得出一个结论：我可能没这个天赋。

你没有失去天赋。你只是走错了路口。

三：六个卡点

下面是我看到的六个具体卡点。按出现顺序排。

卡点一：环境配置。第一步就死。

这一条听起来很蠢，但它是最真实的杀手。

一个想学 Python 的人，第一件事是装 Python。然后他会遇到：版本选哪个、装在哪、环境变量是什么、为什么命令行说"不是内部或外部命令"、pip 是什么、为什么 pip 装东西失败、虚拟环境又是什么。

这些东西，没有一个和"编程"有关。

它们是运维知识，是一个程序员在日常工作中慢慢渗透会的东西。而一个新手，在他写下第一行有意义的代码之前，就要先跨过这道墙。

我认识的人里，至少三成是死在这一步的。他们连"编程难不难"都还没体会到，就已经放弃了。

而这一步的荒谬之处在于：它跟你要不要学会编程，毫无关系。

卡点二：术语是一张网，而你在用查字典的方式学它

文科背景的人有一个很好的习惯：遇到不懂的词就查。

这个习惯在读书时非常有效，因为文科的概念大体是线性的——查完一个词，你就懂了这个词。

编程的术语不是线性的，是网状的。

你查"API"，解释里有"接口""请求""响应""端点"。 你去查"接口"，解释里有"抽象""实现""调用"。 你去查"调用"，解释里有"函数""参数""返回值"。

查了六层，你离最初那个问题越来越远，而且没有一个词是真的懂了。

这时候人会产生一种非常特殊的疲惫感：不是学不会的疲惫，是"看不到底"的疲惫。

而真相是：这些词本来就不该靠查来理解。

它们是在"你做了一件事、遇到了一个具体问题、然后有人告诉你这个东西叫什么"的过程中，一次性理解的。

说人话：先有经验，后有名字。而不是反过来。

卡点三：AI 能替你写代码，但不能替你判断代码对不对

这是 AI 时代新增的一个卡点，也是最隐蔽的一个。

在 AI 出现之前，一个新手写不出代码，他很清楚自己不会。

现在他能"写"了。他跟 AI 说一句话，AI 给他五十行代码。

然后问题来了：跑不起来的时候，他不知道问题在哪。

是代码错了？是环境不对？是数据格式的问题？是他描述得不清楚？他不知道。他甚至不知道该问 AI 什么。

他能做的只有一件事：把报错信息复制给 AI，说"报错了"。

AI 改一版，还是错。再改一版，又错。改到第五版，代码已经完全变了样，而他从头到尾不知道发生了什么。

这就是"天书"的核心体验。

AI 大幅降低了"写出代码"的门槛，但它一点都没有降低"判断代码对不对"的门槛。而后者，才是真正的编程能力。

很多人以为有了 AI 就不用学了。真相是：有了 AI 之后，要学的东西变了——从"怎么写"变成了"怎么判断"和"怎么描述"。

而市面上几乎没有人在教后面这两件事。

卡点四：你没有那张地图，所以每个新词都是孤儿

这一条是所有卡点里最根本的。

一个理工科背景的人，在正式学编程之前，脑子里其实已经有了一张模糊的地图：他大概知道程序是怎么跑起来的、数据在哪、前端和后端是什么关系、什么叫服务器。

这张地图不是他学来的，是渗透来的。

而文科背景的人没有这张地图。

没有地图的后果是：你学到的每一个知识点，都是一个孤儿。

你学会了写一个函数，但你不知道这个函数在整个系统里的位置。你学会了调用 API，但你不知道请求发出去之后，到底发生了什么。你听同事说"我们上个接口"，你不知道"上"是什么动作。

每一个知识点都是悬空的，所以它们无法互相支撑，所以你记住了也很快会忘。

而最要命的是：没有人会教你这张地图。因为教程的作者有这张地图，他们默认所有人都有。

这是知识的诅咒——当你懂一件事之后，你就再也想不起来不懂它是什么感觉了。

卡点五：你不敢问，因为你怕问出一个蠢问题

这一条不是技术问题，是心理问题，但它劝退的人不比前面四条少。

一个文科背景的人，在技术环境里，会有一种持续的不安全感。

他不敢在群里提问，因为怕问的问题太基础。他不敢跟技术同事说"我没听懂"，因为那会暴露他不专业。他在 AI 面前会好一点，但也会有一种奇怪的羞耻——连 AI 都跟我解释三遍了，我还是不懂。

于是他假装懂了，然后带着一个没解决的问题继续往前走。

而编程是一个极度依赖前置理解的东西。一个没解决的问题，会让后面十个问题都变得无法理解。

三个月后，他会觉得自己什么都不会，而且不知道从哪开始补。

卡点六：没有人告诉你"你现在这样算不算会了"

文科的学习是有反馈的。你写一篇论文，有人给你打分，告诉你哪里论证不足。

自学编程没有这个。

你做出来一个能跑的东西，你不知道它做得好不好。你看懂了一个概念，你不知道这个"懂"够不够用。你学了两个月，你不知道自己现在处在什么位置。

没有坐标系，就没有进展感。而没有进展感，人是撑不下去的。

这一条解释了一个很常见的现象：很多人其实已经会了，但他们自己不知道，所以还是觉得自己不会，然后放弃了。

四：把六个卡点排一排

六个卡点讲完，我们把它们排一下，你会看到一个很有意思的分布：

六个里，只有两个是真正"硬"的问题。

其他四个，是路径、方法、心理和环境造成的，它们本来就不该存在。

而现实是，大部分人在前四个卡点上就已经耗尽了全部的意志力，根本没走到那两个真问题面前。

所以我说：文科生学不会编程，九成不是智力问题。是他们把力气全花在了不该存在的障碍上。

五：那条被 AI 劈开的新路

那正确的路是什么？

我先说一个可能有点冒犯的判断：

对绝大多数文科背景的人来说，"学会编程"这个目标本身，就是错的。

不是因为你学不会，是因为它不是你真正需要的东西。

你真正需要的是：能让计算机替你完成一件具体的事，能看懂技术同事在说什么，能判断一个技术方案靠不靠谱，能在需要的时候把一个想法变成一个能用的东西。

这些能力，和"成为程序员"是两条路。

而在 AI 出现之前，这两条路是重合的——你想让计算机干活，你就必须自己会写。

AI 最大的意义，就是把这两条路劈开了。

现在有一条新的路：你不写代码，但你指挥代码。

在这条路上，你需要的核心能力，和传统编程完全不同：

• 描述能力
  把一件事说清楚到 AI 能执行。这恰恰是文科训练的强项。
• 判断能力
  看到结果，判断它对不对、够不够、有没有漏掉什么。
• 拆解能力
  把一个大目标，拆成 AI 能一步步完成的小任务。
• 一张够用的地图
  不需要懂细节，但要知道整个东西大概长什么样。

注意前三条。它们全部是文科训练擅长的东西。

一个学历史的人，受过的训练是：面对模糊的材料，提出精确的问题，判断证据的可靠性，构建一个结构。这套能力，和"指挥 AI 写代码"所需要的能力，重合度高得惊人。

所以文科生不是没有优势。是他们的优势，在旧路径里完全用不上，而在新路径里正好是核心。

六：我为什么关心这件事

我不是计算机专业出身。我在一家公司的 IT 部门工作，我见过太多这样的场面：

一个非常懂业务的人，因为不懂技术，在会上一句话都插不上。技术同事说了一个方案，他觉得哪里不对，但他说不出来，所以只能点头。三个月后项目做出来，果然不是他要的。

这个损失，不是他一个人的，是整个组织的。

而这个损失的根源，不是他不够聪明，是没有人给他一条合适的路。

我一直觉得，在这个时代，"懂业务但不懂技术"的人被排除在外，是一件非常浪费的事。因为真正好的东西，永远是从"懂问题的人"手里长出来的，不是从"懂工具的人"手里。

AI 第一次让这件事变得可能了。而我们大部分人，还在用十年前的方式教编程。

一个请求，也是一个实验。

上面六个卡点，我是根据我自己的经历、以及和一些人的交流总结出来的。它不一定准。

所以我想做个小调查：如果你是文科背景、试过学编程或者学用 AI 做东西，在留言区告诉我一件事——你卡在第几条？

只回一个数字就行（1 到 6），当然也欢迎你说说具体的情况。如果六条里没有你的，那更好——请告诉我你卡在哪。那是我漏掉的。

我会看每一条。

如果这条线上确实有足够多的人，我会认真把这件事做下去——写一份《文科生的技术地图》，把上面说的那张"没有人教你的地图"，画出来。不画得多深，就画到够你听懂会议、够你判断一个方案、够你指挥 AI 完成一件具体的事。

这个东西该有的，只是一直没人做。

这是「文科生的 AI 生存指南」系列文章。

文章精选：

1.图灵奖得主姚期智最新演讲： AI有边界，恰恰是好事