文科生到底是如何用中文玩转 Vibe Coding 的？这是范太太的亲历分享。

大家好，欢迎收听老范讲故事的 YouTube 频道。

Vibe Coding 并不一定需要写代码。范太太是一位英语老师，她终于决定自己上手 Vibe Coding 了。她做的事情是：在 Word 文档里用中文描述需求，输入 PDF 和 Word 文档，然后输出归纳整理后的 Word 文档。

这类繁琐的信息汇总、翻译、校对工作，绝对不是什么一键就可以搞定的事情。范太太也没有成为什么 Vibe Coding 大师，但是她觉得投入产出比已经为正了，确实节省了大量时间。

今天老范站在程序员的角度，和大家分享一下这个过程。对于程序员来说，我们可以借此学习文科生思考问题的方式，以后如果要为他们服务，应该如何下手。对于文科生来说，Vibe Coding 已经可以上手干活了，不需要学习编程，但有些思维方式还是要转变，有些坑也需要绕过。

今天的内容分成五部分

今天这个故事分成五段来讲：

1. 先描述一下项目，到底干了一个什么活；
2. 文科生开始 Vibe Coding 之路必须经历的 5 个坑；
3. 从程序员的角度描述一下 AI 到底是怎么干活的；
4. 当文科生都可以用自然语言，透过龙虾或者 Codex 这样的工具解决问题时，世界会变成什么样；
5. 最后，不管你是工程师还是文科生，我们到底应该怎么办。

项目本身：到底在解决什么问题

大家可以想象这样一种任务：很多研究咨询机构都有一种很常见的工作，就是搜集各种报告，汇总到历年积累的完整数据报告里，再写出一份新的报告，说明过去几年所关注的行业或某个范围内发生了哪些事情，什么东西涨了，什么东西跌了，有什么趋势。

这些内容每年都要整理一次。国外很多机构也会发布相应报告，你需要把它们汇总在一起。在这个过程中，就涉及翻译。不管原始材料是什么语言，都需要翻译；总报告还需要不断补充和修订，去年是什么样，前年是什么样，今年的数据要填进去，有些五年前的数据可能还要删掉，只保留最近几年的内容。还需要让所有数据分门别类地补充到原来格式要求的正确位置上去。

这个事情非常烦。因为搜集来的不同来源报告，格式各不相同，写法也不同，甚至有些用词都不一样。有些喜欢用表格，有些喜欢写一大段描述；有些事无巨细，有些写得很简略。但最终目标报告必须是统一格式，而且最后可能还要拿这些数据去汇总，不能把数据加错了，关公战秦琼的事情是不能发生的。

这种汇总报告，通常是研究咨询机构自己出年鉴或者趋势分析报告的基础。找齐原始数据本身并没有那么难，因为大部分原始数据本来就是公开的。但是把这些数据按照复杂逻辑抽取、翻译、汇总，再进行校对，这个过程非常痛苦。

这也是研究和咨询服务之所以值钱的底层原因。普通人也可以拿到那些公开数据，但想把这些数据汇在一起形成结论，那就值钱了。谈笑风生的是大厨大师傅，但要做出一桌子菜，背后洗菜、配菜的人需要付出巨大劳动。

文科生开始 Vibe Coding 必须经历的 5 个坑

一开始先测试几轮，看看这东西到底行不行。结果效果并不好。并不是说你告诉 AI “去把这事干了”，它就噼里啪啦全干完了，没有那么聪明。AI 现在还做不到“上帝说要有光，于是就有了光”那个程度。

你说它做事了吗？确实做了，但是效果完全不可控。有些指令被执行了，有些被忽略了，有些结果本身就很混乱。很多人上来都会遇到这个问题，但不要着急。

第一个坑：先让 AI 复述需求，再开始执行

一定要先让 AI 读一遍需求，然后给出它的理解和不清楚的地方，再进行补充。这个非常重要。因为我们现在是用自然语言描述需求，而自然语言和程序语言最大的区别就在于：程序语言没有二义性，自然语言却可以有很多种理解方式。

人总是害怕 AI 搞不清楚，所以通常会写得很啰嗦，跟它讲半天。但 AI 到底理解没理解，其实你并不清楚。怎么办？很简单，让 AI 分析一下：你看看我说的这些事情你都明白了吗？或者你把这个事情拆一拆，到底有哪些我说清楚了，哪些没说清楚，你准备怎么干，跟我说一说。

很多领导带新人时也是这样。我跟你交代一个任务，你跟我讲讲我都说了什么，你打算怎么干，哪些事情你能干，哪些事情你干不了，需要回来问我。这就是正常的人与人交流过程。跟 AI 也是一样。

需求写完之后，你要让 AI 告诉你，哪些事情它明白了，清晰地列出 1、2、3、4、5，先干什么，后干什么，怎么校对。这个很重要。AI 一定要有标准，没有标准，它也不知道做成什么样才算合适。

同时，AI 通常还会在你的需求文档里找到说不清楚的地方，把它搞不明白的问题问出来。它会告诉你：有这几件事我搞不清楚，请你给我一个确定答案。

所以第一步一定要这么做。不要想着自己把需求文档写得很清楚了，直接让 AI 去干，这个事绝对不会有好下场。第一个坑就是：注意跟 AI 一起讨论需求，这是最重要的。

第二个坑：处理单元、定位和标识必须明确

虽然和 AI 说话使用的是自然语言，但处理的单元、定位和标识非常重要。

举个范太太遇到的实际问题。她要求把新一年的数据合并到过去总报告里，并且把发生变化的地方标成红色，方便校对。结果发现 AI 把整段整段都标红了。她觉得可能是自己没说清楚，以为 AI 把英文变成中文就当作“都不一样”了，所以整段标红。

于是她重新描述：如果只是翻译了，不用标；只有含义发生变化时才标红。结果还是整段都是红的。

后来跟 AI 讨论后终于明白了：你需要有“最小变更单位”的概念。到底以什么单位来判断是否发生变化，这件事必须说清楚。是按一句一句来判断，还是按别的方式？这个说清楚以后，AI 就给出了正确结果：一整段文字里，只把发生变化的部分标红，没有变化的部分保持原色，这样后期校对就方便多了。

所以，对于 AI 或程序来说，描述要求时一定要讲清楚：如何区分一个单元，怎么识别它，它的大小范围是什么，它具有什么特征，要对这个单元做什么操作。这样它才能清晰完成任务。

对于 AI 来说，做操作很容易，找到数据很难。AI 真正要干的活，是抽取、比较、翻译、校对和标注。当你把数据单元描述清楚以后，后面的事情它都很容易搞定，甚至还可以和另外一个你标注好的单元进行比较和合并。

AI 干活，或者说程序干活，基本就是这个格式：对什么东西做什么事情，或者对这两样东西做一个什么事情，然后放到哪里去。

第三个坑：很多默认操作并不默认，必须先说清楚

很多默认的事情其实不可控，必须先说清楚。

范太太的案例里，有一些分类去年存在，但今年没了。按道理，应该在今年的数据表格里把这个东西删掉，只保留今年存在的数据项目。对于人来说，特别是有经验的人，这就是默认操作，直接处理了就完了。

但 AI 不会这么做，特别是删数据这件事，它相对还是比较谨慎的。

最后只能补充描述：需要删除的数据不要直接删掉，而是用黄色背景重新标识出来，相当于拿记号笔画了一下，方便事后校对。因为如果直接删掉，你根本不知道原来这里有没有数据，也没法校对。

人干这个活，可能看到就直接删了；但 AI 干活相当于是你有了一个助手，它干完以后你还得再看一遍，所以不能让它直接把数删了。

做了这样的描述以后，AI 就把这种默认处理情况处理清楚了。有时候你觉得 AI 很笨，其实原因并不是它真笨，而是很多人类约定俗成、不用说也知道怎么办的事情，AI 并不知道。你必须明确告诉它。AI 也可以去猜，但那就完全不可控了。

第四个坑：复杂任务一定要拆分

对任务进行分拆非常重要。很多步骤如果让 AI 一把搞定，得到的结果是无法验证和使用的。但 AI 在中间某一步的结果可能是有效的，所以把复杂任务分拆就变得非常重要。

那应该怎么拆？横着拆还是竖着拆？其实不需要去思考 AI 第一步干什么、第二步干什么，在哪一步的结果上出下一步，也不用去搞清楚哪部分重要、哪部分不重要。这些都没关系。

分拆任务的唯一标准是：这一部分能不能独立验收，能不能确认价值。如果可以，就把它拆出来。

你可以让 AI 先把这一块搞定，搞定以后我们可以校验这一块。而且这一块原来特别麻烦，现在 AI 做完以后变得非常简单，人只要确认一遍就行。那它就可以单独成为一块任务。哪怕后面其他步骤出了问题，留下来的这一部分仍然是可用的。这是 AI 处理任务里非常关键的一点。

第五个坑：不要指望 AI 完全搞定，或一次搞定

不要抱着“完全由 AI 搞定”或者“一次搞定”的想法。这是很多人使用 AI 处理问题时最大的坑。

有些步骤 AI 可以搞定，因为它很擅长。根据前面做的任务分拆，就可以得到很多可验证的子任务。剩下的部分，你跟它描述半天，有时候还不如自己干。那干脆就直接上手，因为我们最终要的是结果，不是一个什么都能处理的 AI 工具。

所以一定要想清楚：什么事 AI 干着方便，结果基本可用；什么事人干着方便，只要稍微动动手就能搞定。这个一定要灵活调整。不要惦记着让 AI 把所有事情都搞定，或者一次把所有事情搞定。拆开以后，适合它干的它干，不适合它干的自己干。

这其实有点像带人。比如今天带了一个新学徒，有些事你指挥他干或者教他干，下次他可能还能干出来，而且还能给你省不少事；但有些事，真不如自己上手，三下五除二就搞定。所以我们最终要的是结果，不是别的东西。这一点一定要搞清楚。

这就是文科生使用 AI 过程中必须注意的 5 个点，也可以说是必须绕开的 5 个坑。

实际使用中暴露出的其他问题

当然，还有一些其他问题也在逐渐发现。这里面我跟我太太也有一点小争执。

争执一：坚持使用 Word 是否合适

第一个争执，是她坚持用 Word。Word 是一种非常庞大、功能非常齐全的标记性语言。虽然现在这种标记性语言已经开放出来了，但真正有用的信息，也就是我们写进去的文字，占比实在太小。

使用 Word，会给 AI 处理需求带来巨大的不确定性，因为里面有大量格式说明的内容，这些也要占 token，而且可能会影响结果。

不过目前来看问题不大，因为 AI 上来会先把 Word 拆成 Markdown 或纯文本，再去处理，而不是直接去管那些格式信息。

争执二：文件名和目录管理必须规范

第二个争执，是文件名和目录名。她比较喜欢在一个文件里改来改去，但在我看来不行，必须拆到不同文件和目录里去工作。改完以后，就起一个新文件名，哪怕在文件名后面加上日期都行，千万不要还用原来那个。

其实程序员平时并不是这么干活的。程序员通常是在同一个文件上改来改去，但我们处理的是纯文本，没有格式信息，所以可以用版本控制工具，甚至做代码合并，把不同版本合在一起。

但她用的是 Word 文档，里面有大量格式信息，会干扰文本内容，很难对这种文档做版本控制、差异比较和合并。

所以我强制要求她每做一件事情都新建目录、新起文件名。至少到目前为止，这样做得到了一个可接受的结果。因为如果不这么做，你没法和 AI 来回配合，不知道哪些是它改的，哪些是你改的，也搞不清哪些是可验收的结果，哪些是中间结果。不断起新文件名，可以解决这个问题。

从程序员角度看：AI 到底是怎么干活的

既然前面讲了，文科生只要在 Word 文档里写中文描述，它就能把事情做出来，而且做出的结果确实有用、有价值，那它到底是怎么干的？

1. 先进入 Harness 环境

现在这就是典型的 Harness 环境。Codex、OpenCode、Antigravity、Claude Code，或者龙虾 OpenClaw，都属于这种 Harness 环境，都可以干类似的活。当然，这里头最好用的应该是 Claude Code，只是老范没有 Claude Code 账号，所以用的是 Codex。

2. 先找到过程描述文件

系统拿到指令以后，会先找到指定的过程描述文件，也就是我告诉它应该按照哪个文件里的描述去干活。

其实编程也是类似的过程，只不过我们会有约定俗成的入口文件，比如 main，编译器会从那里开始，然后决定引用什么东西、一步一步怎么做。现在既然是 Word 文档，那我们就需要明确告诉系统：请按照哪个文件名里的描述去干活。

3. 再寻找源文件和目标文件

然后 AI 会去寻找源文件和目标文件，也就是你到底要处理哪个文件，处理完以后生成什么结果。

4. 自动规划执行步骤

接着 AI 会自己做规划，不管是 Codex 还是别的工具，都会自己规划：第一步干什么，第二步干什么。

5. 自动编写 Python 代码

规划完以后，它会自动去编写 Python 代码。这部分我们不用管。到现在为止，我也没有看过任何一行 Python 代码，甚至我自己也不太会 Python，所以这并不重要。

6. 把确定性任务交给程序执行

接下来，AI 会把确定性的任务扔给 Python 去跑。比如从 Word 或 PDF 里抽取文本，做简单比对，判断这个和那个是不是相等，进行数据填写，把目标填到哪里去，以及文档格式化。

所谓文档格式化，就是在 Word 文档里除了文字之外，再加一些标记，比如这里是红色、那里是几号字。这些都属于确定性任务。

7. 把不确定任务交给大模型处理

还有一些不太确定的任务，需要调用外部模型来做。比如非结构化数据的信息抽取。我写了一大段文字，里面说某年某月某日，某公司投资了谁多少钱，占股多少，这就属于非结构化数据。

我们可以给大语言模型一个指令，让它抽取时间、公司名、甲方、乙方、投资金额、持股比例、估值等信息。这类信息抽取就需要大模型来完成。

还有翻译，也可以由大模型来做。翻译当然也可以通过远程 API 或专门翻译接口搞定，但通过大模型也能完成。

8. 根据验收结果反复迭代

做完这些以后，AI 会根据前面讨论过的验收结果，对输出进行验收。如果发现不对，它会重新编写 Python 代码，再干一遍。它也是分步骤的。如果哪一步做对了，就保留对的部分，把不对的步骤继续往下做。这就是整个运作过程。

当然，这个过程充满了很多不确定性。比如我们描述了数据，但它没有找到，或者它找到了一些数据，却和我们的描述不完全一致，只是有点像。

这个时候它就会尝试：是不是可以这样试试，那样试试？它在读源文件和目标文件时，如果发现原始文件里有一堆跟你的描述很像的数据，就会考虑：我是不是可以写一个信息抽取模块把它们抽出来？还是说我可以写一个 Python 代码，把它们提取出来填到另一个地方去？

它就是不停地做这样的事情，把尽可能确定、可验证的事情做到它确认的最好结果，然后告诉你：这块我做完了。做完以后，它有时还会问你，我可以进一步再验证一次，要不要我去做？一般我们会说，你再验证一次吧，再进行一次手工验证。它就会按照要求再把目标文档验证一次。这就是 AI 真正干这个活的过程。

当文科生都能用自然语言解决问题，世界会怎样

文科生不需要会写代码，但必须有逻辑

第一点，文科生不要害怕使用 Vibe Coding 工具。不需要懂代码，但逻辑依然非常重要。你自己都描述不清楚的问题，AI 也搞不定。如果实在描述不清楚怎么办？可以跟 AI 讨论，它能够帮助你把逻辑梳理清楚。

AI 提效意味着部分岗位会被替代

但也有一个很现实的结果：大裁员就在路上。范太太通过 AI 完成一部分工作，再结合她自己手工处理，相当于半自动完成整个流程。跟原来纯手工相比，大概能够节省 60% 到 70% 的时间。

那些专业技能要求不高，但非常机械、枯燥的工作，一旦交给 AI，从体感上就会舒服很多，因为这部分工作真的很烦，把它交给 AI 还是很开心的。

很多工作的本质，是在非结构化与结构化之间来回转换

以前很多工作，实际上就是把各种非结构化数据结构化地处理，再以格式化的非结构化形态输出。这个说法有点绕，意思是：最早的数据其实在数据库里，都是结构化数据，一行一行，各种关系都很清楚；但当我们把它写成报告时，会加很多格式，比如字大字小、各种字体、换颜色、加图标，这个过程叫格式化。

可格式化完成的 PDF 报告，又重新变成了非结构化数据，因为很多内容变成了一大段一大段文字，有些即使是表格，也没有足够清晰的说明和约束，实际上依然是非结构化数据。

真正的结构化数据，是有非常清晰的数据字典和数据约束的。这些数据被公开时，公开出来的是花里胡哨的发行版，也就是格式化好的非结构化结果。而研究咨询和数据机构的价值，就在于他们手里有结构化数据，可以方便地研究、辅助决策，并再次输出。

比如找四大或者各种咨询公司，他们不会把后台数据库开给你，真正的结构化数据永远不会给你，给你的都是一份一份报告。你要是想把这些报告重新塞回数据库里再去应用，难度非常大。

刚才讲的整个任务过程，本质上就是把一大堆公开的、非结构化的、格式化好的、花里胡哨的报告，重新塞回数据库里，再生成一份新报告。以前这些事都要靠人工完成，很多研究机构也是不断拿别人报告回来，往自己数据库里填。

你说能不能专门编写软件来做？当然可以，但成本非常高，而且这种报告可能一年才用一回，最后不划算，还不如找个人吭哧吭哧去做。现在 AI 不能说彻底搞定了这件事，但绝对可以极大提效。如果没有新的业务和收入进来，那就只能裁员了，这没什么办法。

更积极的一面：更多人能用上更完整的数据

说点正面的。既然生产效率提高了，总应该有好处，不能光带来裁员。

正面的地方在于：我们每个人在做决策时，都可以使用更完整、更新、更准确、更大范围的数据了。那这东西有用吗？能赚钱吗？数据就是财富，数据就是权力。

当每个人、每个机构都能获得原来难以企及的数据之后，就会做出更正确的决策，或者决策效率大幅提升。这样就会有更多新生意出现，原来没法做的，现在可以做了。这才是真正正面的部分。

所以，让我们动起来吧。

最后建议：程序员和文科生分别该怎么办

给程序员的建议

对于程序员来说，我通过观察文科生用 Vibe Coding 处理问题的过程，已经能更清楚地知道：以后如果有人想用类似方式处理问题，他们可能会遇到哪些问题，以及这些问题应该如何解决。这对我来说是一个帮助。

给文科生的建议

对于文科生来说，记住这 5 点非常重要。我们把顺序稍微调一下。

1. 放弃让 AI 一次搞定、一键搞定所有问题的幻想，这不现实。
2. 和 AI 讨论需求和处理步骤。因为我们使用的是自然语言，尤其是文科生的自然语言，往往会更啰嗦一些。让 AI 帮你梳理清楚，把你没说清楚的地方列出来。
3. 向 AI 描述如何识别和获取目标数据的特征和范围，这是最重要的。AI 能找到需要处理的数据，至于怎么处理都相对简单；关键是它怎么识别出这个数据。你一定要把这块讲得非常清楚。
4. 把各种默认状态都明确描述出来。很多事情是人一看就知道怎么办的，AI 没那么聪明。
5. 把完整任务按照可验收的价值点进行分拆。把 AI 擅长的事情交给 AI，把 AI 不擅长的事情自己上手，这样才是最高效的方式。

如果你已经订阅了 OpenAI 或者 Anthropic 的各种套餐，抓紧把 Vibe Coding 工具跑起来；家里已经有龙虾的，或者准备装龙虾的，也别让它闲着。

好，这就是今天的故事。感谢大家收听。请帮忙点赞、点小铃铛、参加 Discord 讨论群，也欢迎有兴趣、有能力的朋友加入我们的付费频道。再见。

背景图片