还有人学不会 AI 编程，我出手了！|ai编程|git|上下文|代码|程序员|编辑器

大家好，我是程序员鱼皮。

最近因为身体原因，没办法直播带大家做项目了，唉。。。

不过我也没闲着，除了高强度编写免费教程之外，我还在打造一套付费的、体系化的 AI 编程视频课程。

正好借这个机会，我系统梳理了一下 AI 编程的完整学习路线，今天分享给大家。

经常听到有同学说：AI 编程不就是对话么？有手就行吧？

我不否认这个说法。确实，如果你只是做个简单的小工具，打开一个 AI 零代码平台，用人话描述一下需求，几分钟就能做出来。

但问题是，一旦项目复杂起来，各种问题就冒出来了。AI 不理解你的需求、代码质量不稳定、改了一个地方另一个地方又出 Bug、项目越做越难维护…… 这时候你就会发现，光靠聊天根本撑不住。

那 AI 编程到底要学什么？

我把它分成了六个阶段，从零基础入门到进阶提升，每个阶段要掌握的内容都不一样，下面一个个来讲。

鱼皮的 AI 编程学习路线一、AI 编程入门

这个阶段的核心就是一句话，先把东西做出来。

不用纠结原理，不用理解代码，做出能用的东西就是胜利。

首先你需要理解 AI 编程的基本概念。比如什么是 Vibe Coding、什么是大语言模型、什么是 Token、传统编程和 AI 编程的思维区别是什么。这些概念不复杂，我在开源的里用最通俗的方式讲过了，花 10 分钟读一遍就能理解。

然后直接动手开干。打开一个 AI 零代码平台，比如 Lovable、美团 NoCode 或者百度秒哒，输入一段需求描述，看着 AI 帮你生成代码、页面展示出来、一键发布到网上。这个过程带来的成就感，就是最好的学习动力。

跑通了第一个项目之后，你会发现 AI 编程的过程其实就是：向 AI 描述需求 → 多轮对话不断优化 → 验证效果并修复问题，循环往复。

建议先做 3 ~ 5 个简单项目来巩固练习，比如个人名片网页、倒计时工具、简单计算器这类。完全零基础的话，不建议一开始就用 Cursor 这类专业工具，等你做了几个小项目有了感觉，再去学更专业的工具。

二、掌握主流 AI 编程工具

零代码平台的能力终究有限，想做更复杂的项目，就需要学习更专业的 AI 编程工具了。

工具分类

目前市面上的 AI 编程工具大致分四类：AI 代码编辑器（如 Cursor、Codex、Trae）、AI 命令行工具（如 Claude Code）、AI 编程辅助插件（如 GitHub Copilot）、AI 零代码平台（入门阶段已经用过了）。

目前最主流的 AI 编程工具是 Cursor、Codex 和 Claude Code，下面我分别简单介绍一下。

Cursor 是基于 VS Code 的 AI 代码编辑器，界面友好、功能齐全，能够一键切换各种主流模型，是我日常 AI 编程的主力工具。

Codex 是 OpenAI 推出的 AI 编程工具，有桌面端和 CLI 版本，默认使用 GPT 系列模型，性价比很高。

Claude Code 是终端编程 Agent，处理复杂任务的能力最强，在 SWE-bench 基准测试中拿到了行业最高分。不过它运行在命令行里，上手门槛略高。

如果你是新手，建议从 Cursor 开始入门，因为它有完整的可视化界面，代码编辑和审查体验是最好的。

如果 Cursor 的成本负担不起，Codex 也是很好的选择，Plus 版每月 20 美元就能用上 GPT-5.5 模型，性价比不错。可以搭配 VS Code 来查看和编辑代码。

等你熟悉了 AI 编程的工作方式，再去尝试 Claude Code 的命令行操作，感受一下最强 Agent 的威力。

AI 编程工具要学什么

无论你选哪个工具，要学的东西是相通的，我总结为 5 个部分。

基本使用：Chat 对话、Agent 自主编程、Tab 智能补全、@ 符号引用上下文
核心特性：Plan Mode 计划模式、Background Agent 后台执行、Browser Use 浏览器测试
扩展增强：MCP 连接外部服务、Agent Skills 技能包
使用技巧：多 Agent 并行、子 Agent 拆分任务
自定义配置：规则文件定义 AI 行为规范、项目级约束

工具不用全学，选 1 ~ 2 个深入掌握就够了，操作逻辑都是相通的。

AI 编程扩展

MCP 相当于给 AI 编程工具装上了「万能插头」，让 AI 能够连接外部服务。比如通过 Figma MCP 读取设计稿生成代码，通过数据库 MCP 查询业务数据，通过联网搜索 MCP 获取最新信息。

Agent Skills 是给 AI 准备的「技能包」。装上文档处理技能，AI 就知道怎么生成 PPT、处理 Excel；装上代码规范技能，它就知道怎么按公司标准写代码。

还有 CLI 命令行工具也越来越值得关注。AI 大模型天生擅长读命令、执行操作，现在大厂纷纷开源了自家产品的 CLI 工具，本质上就是在给 AI 提供操作接口。

会用工具之后，下一步就是把项目做得更好。这个阶段要学的技能不需要编程基础，零基础也能学。

需求分析

做项目的第一步不是让 AI 写代码，而是要先想清楚做什么。明确项目目标和核心功能，将大需求拆解为小任务，确定技术栈和项目架构。

我早期做项目的时候，恨不得一条提示词把整个页面全交给 AI 一把梭，结果生成出来的代码问题一大堆。后来我学会了「小步快跑」，一次只让 AI 完成一个小功能，做完验证没问题再继续下一个，效率反而高了很多。

提示词工程是 AI 编程的核心技能，写好提示词能让 AI 生成的代码质量提高好几个档次。

一个好的提示词通常包含角色设定、背景信息、具体需求、约束条件和输出格式。

有几个万用的技巧：

需求描述要具体，不要模棱两可，比如「做得好看」应该改成「背景改成蓝色渐变，按钮加圆角」
遇到复杂任务时，要进行拆解
给 AI 举例子，它会更容易理解
学会不断追问和迭代

上下文管理

光靠提示词还不够，你还要学会给 AI 提供充足的参考信息。

最重要的是学会使用项目规则文件。建议优先学习通用的AGENTS.md格式，几乎所有主流 AI 编程工具都支持。在规则文件里写入项目技术栈、编码规范、目录结构说明，AI 生成代码时就会自动遵守这些约定。

然后是学会用 @ 引用来引用文件、函数、文档作为上下文，让 AI 基于已有代码生成新代码。

还要注意上下文窗口的限制，一个对话专注于解决一个问题，解决完了就开新的对话。

Bug 排查

无论是人还是 AI，都会遇到 Bug，所以要学会排查和解决 Bug。

向 AI 描述 Bug 时，要告诉它期望的效果和实际的效果，提供完整的错误信息，说明已尝试的解决方案。

遇到解决不了的问题，要及时回退到上一个稳定版本，不要让 AI 一条路走到黑。如果发现 AI 卡在同一个问题上反复修不好，试试换个角度描述问题。

Git 版本管理

Git 就是 AI 编程时代的「后悔药」。AI 可能改崩你的代码，有了 Git 你可以一键回退。

AI 时代，不用把 Git 的每个命令都搞懂，核心是学会git add/git commit/git push这三个命令，学会用git diff查看 AI 改了什么，用git checkout回退到之前的版本。

前面讲的需求分析、提示词、上下文、Bug 排查、Git 都是单点技能，当你开始做真正的完整项目，就需要把这些技能串成一套规范的开发流程了。

按照需求拆解 → 方案确认 → 逐任务实现 → 代码审查 → 重构优化的流程来推进，单次对话只做一件事，做完验证再继续。每完成一个功能，用 Git 提交一次代码，相当于打了一个存档点。万一后面 AI 改出了问题，可以随时回退。

注意，如果是在企业中做项目，AI 生成的代码不能直接用，一定要经过审查。重点关注业务逻辑是否正确、有没有遗漏错误处理、有没有安全隐患、改动是否影响了其他功能。

还要有基本的安全意识。不要把 API Key 直接写在代码里，AI 推荐的第三方包要验证是否真实存在，用户输入要做校验。

项目部署上线

开发流程跑通了，下一步就是把项目部署上线，让全世界都能访问你的作品。

快速部署推荐 Vercel 平台，能够一键部署前端和全栈项目，免费额度就够用了。进阶可以学 Docker 容器化部署、云服务器部署。

做了几个项目之后，你可能会发现，光靠 Vibe Coding 的方式跟 AI 随意对话，小项目做得挺顺的，但项目一旦大起来就容易翻车。这时候你需要了解几种更成熟的 AI 编程模式，不同场景选择不同的方法，能让你做项目更稳更快。

1）Agentic Engineering 智能体工程

适合中大型项目，由 Karpathy 在提出 Vibe Coding 后进一步定义。核心思路是你不再自己写代码，而是作为「总指挥」来编排 AI 智能体，设计好系统架构和约束条件，让 AI 去执行实现，你负责审查和验收质量。从随性聊天变成有规划地指挥 AI 干活。

2）Harness Engineering 驾驭工程

这是目前 AI 圈非常火的概念，适合企业级项目。

Harness 本意是马具，你可以把 AI 想象成一匹马，这个模式就是围绕它搭一整套工作环境和流程，让它跑得又快又稳。

3）SDD 规范驱动开发

这是 AI 时代的一种新型开发方法论，强调在编码之前先创建明确的、AI 能直接理解和执行的规范文档。

传统开发流程是：想到什么写什么，边写边改，最后再补文档。这样容易导致需求不清晰、代码和文档对不上。

而 SDD 的思路正好相反：先把需求写成规范文档，并且把规范文档当作代码的唯一真相来源。

实际开发中可以灵活组合多种模式。做小工具时用 Vibe Coding 快速出活，做正经项目就切到 Agentic Engineering 的思维，项目越大越复杂就越需要 Harness 的工程化方法。想详细了解可以看我的。

四、AI 编程项目实战

学完上面的技能后，最重要的事情就是做项目。实战是最好的老师，只有真正动手，才能把之前学的知识融会贯通。

建议分三个阶段来做。

刚开始可以做一些纯前端的小工具和小应用，不需要后端和数据库，难度最低，重点是跑通 AI 编程的完整流程。比如个人作品集网站、在线简历生成器、记账工具、番茄钟、Markdown 编辑器这类。

有了几个小项目的基础后，可以挑战包含前端页面、后端接口、数据库、用户认证的完整全栈应用了。比如博客系统、在线商城、社区论坛这类。

当你全栈项目做得比较熟练了，就可以挑战更复杂的项目了。比如在项目中接入 AI 大模型 API，做 AI 对话、AI 内容生成、AI 知识库、AI 数据分析等功能。还可以对接各种第三方服务，比如 Stripe 国际支付、对象存储、短信服务、内容审核等。

如果你想体系化地学习，可以跟着我的项目教程做。我在上有近 30 套保姆级项目教程，含简历写法和面试题解，覆盖了从 AI 编程项目到传统编程项目的各种类型。

其中标注了 AI 编程的项目不需要编程基础就能跟着做，重点推荐几个。

1）是一个自动化发现并推送 AI 领域前沿热点的全网监控工具，以 Vibe Coding 为核心，实战 MCP 和 Agent Skills 扩展 AI 编程能力，掌握 AI 编程全链路工作流。

2）是纯 AI 编程开发的商业级万能视频下载网站，实战 Stripe 海外支付集成、SEO 优化，学会用 AI 编程打造能赚钱的产品。

3）是以 Vibe Coding 为核心的 Next.js 全栈 SaaS 项目，实战 GitHub App 开发、OpenRouter 统一接入多种 AI 大模型，掌握 AI 编程的完整工作流。

4）是基于 Spring Boot + Vue 的闯关式技术练兵场，AI 模拟产品经理出题、用户拖拽选择技术方案、AI 智能评分，实战 LangChain4j AI 开发框架、结构化输出、对话记忆、工具调用等主流 AI 开发技术。

5）是用 AI 编程从 0 开发的微信小程序，用户输入想学的知识，AI 自动联网搜索并生成交互式闯关题目，答完生成学习报告。实战 Taro 跨端开发、Python FastAPI 后端、LangChain AI 应用开发、Tavily 联网搜索、RAG 知识库、Agentic RAG 和微信小程序上线全流程。