字节笔记本
2026年10月6日 · 约 7 分钟读完
会写代码不再是护城河：Agentic 编程实战课 01
本文是《Agentic Coding 实战课》系列的第一篇。这套课程面向有专业领域知识、但不打算成为职业程序员的人，目标是让你用 AI 智能体独立完成真实可交付的软件项目，内容依据 Anthropic 2026 年 6 月发布的研究报告。开篇不写一行代码，只解决一个心态问题：拆掉脑子里那块「我不是程序员，所以做不了软件」的牌子。
一个被忽略的事实：编程的瓶颈从来不是打字
先做一道简单的算术题。假设你想做一个「自动把每天销售数据汇总成图表」的小工具，传统做法大致需要这样一张时间表：
| 步骤 | 谁来做 | 耗时 |
|---|---|---|
| 设计功能 | 你（业务方） | 1 天 |
| 把想法写成需求文档 | 你 + 开发 | 2 天 |
| 写代码 | 程序员 | 5 天 |
| 调试改 bug | 程序员 | 3 天 |
| 验收 | 你 | 1 天 |
| 合计 | 12 天 |
真正「敲键盘写代码」只占总时间的三分之一左右，剩下三分之二是沟通成本、理解偏差、等待排期和来回返工。而这三分之二，恰恰是 AI 智能体（Agent）最能压缩的部分：它能直接听懂你的话，立刻把代码写出来给你看，你说「不对」它就改。
第一个结论：编程这件事的瓶颈，正在从「会不会敲代码」转移到「懂不懂业务」。
三种能力的重新洗牌
Anthropic 在 2026 年的研究里提出了一个让很多人意外的发现。他们分析了约 40 万次 Claude Code 会话，发现决定一个人用 AI 编程产出高低的，不是「写了多少年代码」，而是下面三种能力的组合。
能力一：领域专业知识。 你对想解决的问题领域有多懂。财务要做报表工具，你得懂会计准则；科研要写分析脚本，你得懂实验设计和统计；做电商运营插件，你得懂 GMV 和转化漏斗。AI 能写出代码，但它不知道「这道题问得对不对」，只有领域专家才知道。
能力二：规格化能力。 把脑子里模糊的想法，翻译成清晰、可执行、可验证的指令。这是一种可以专门训练的技能，对照两个例子就能看出差距：
| 模糊指令 | 规格化指令 |
|---|---|
| 做个好看的网站 | 做一个响应式落地页，主色 #2563eb，首屏含 H1 和 CTA 按钮，移动端字号不小于 16px |
| 帮我分析下数据 | 读取 sales.csv，按月汇总，剔除退款订单，输出折线图并标注环比大于 20% 的月份 |
能力三：验证能力。 判断 Agent 给你的东西「对不对」的能力。注意，不是看代码对不对，而是看结果对不对。一个完全不懂 Python 的财务专家，可以一眼看出「这张利润表里的毛利率算错了」，这就足够了。代码层面的问题，让 Agent 自己测。
案例：一位会计师如何 3 天做出 ERP 模块
案例主角是一位 38 岁的注册会计师，零编程基础（基于真实场景的复合教学案例）。她所在公司用的 ERP 没有「应收账款账龄预警」功能，每次要导出 Excel 手工计算，两天才能出一次结果。
旧的路径她都试过：找 IT 部门排期，答复最快三个月；外包报价八万；自己学 Python，看了三天教程就放弃了。
换用 Agent 的新做法，她只用了三天。第一天，用自然语言把账龄预警逻辑写成一份清晰的规格文档；第二天，指挥 Claude Code 生成 Python 脚本和网页看板；第三天，测试、修 bug、部署到公司内网。
关键在于，她从头到尾没有亲手写过一行代码。她做的是两件事：把会计准则翻译成 Agent 能懂的话（领域知识加规格化），拿真实账目数据核对结果（验证能力）。而她用十五年积累的会计知识，是 Agent 无法替代的，这正是这个职业在新范式下的持久回报。
那，程序员会失业吗
这是被问得最多的问题。直接给答案：不会失业，但会重新分层。
| 类型 | 现状 | 未来 |
|---|---|---|
| 只会按需求把文档翻译成代码的纯码农 | 危险 | 大量工作被 Agent 替代 |
| 懂架构、懂系统、懂权衡的工程师 | 升值 | 变成 Agent 的指挥官，一人顶五人 |
| 既懂业务又懂技术的人 | 最稀缺 | 拿走大部分溢价 |
注意第三类，这正是本系列希望读者到达的位置：你不需要成为顶级工程师，你需要成为「能指挥 Agent 干工程师活儿」的领域专家。
打个比方，就像上世纪九十年代打字员这个职业消失了，但「会用电脑的人」反而变多了。Agent 让「做软件」这件事民主化，而民主化的最大受益者，是那些原本就有专业内容的人。
一个会让你不舒服的真相
说完好消息，必须说坏消息，否则就是忽悠。
Agent 不是魔法。它放大你的专业能力，也放大你的无知。如果你对自己要解决的问题领域一知半解，Agent 会很「自信地」给你一堆看起来很专业、实则错误的东西，你验证不出来，就会出事。
这就是为什么这套课程不是「教你用 AI 工具」，而是教你一套「专家加 Agent」的工作方法论。工具每年都在变，方法论可以用十年。
一个 10 分钟的练习
本章没有代码，但有一个必做的练习：写下你想用这套方法解决的一个真实问题，格式如下。
# 我的项目构想
## 我想解决什么问题
（用大白话描述，比如「每周手动汇总销售数据太烦」）
## 我为什么有资格解决这个问题
（列出你在这个领域的经验，比如「做了 8 年销售管理」）
## 成功长什么样
（怎么算做完了，比如「周一早上打开就能看到上周排名前 10 的客户」）
## 现在的障碍
（为什么现在做不了）把这个文档存好。如果决定跟着系列走下去，它就是最好的贯穿案例，也是检验学习成果的标尺，到系列结束时，你应当真的把它做出来。
最后一个常见误区：很多人的第一反应是「我想做个微信小程序」。这太大了。先用「一个能让自己每周省两小时的小工具」开始，这是本篇最强烈的建议。
要点回顾
- 编程的瓶颈从「敲代码」转移到了「懂业务」。
- 三种核心能力：领域专业知识、规格化能力、验证能力。
- 「会写代码」不再是护城河，「懂业务加会指挥 AI」才是。
- Agent 放大你的专业，也放大你的无知，所以重在方法论而不在工具。
下一篇会展开研究报告里另一个反直觉的概念：持久回报（Persistent Returns）。为什么专家越用 AI 越值钱，而新手用 AI 反而可能拉开差距？这张曲线图会重塑你对整门课程的预期。
