第一部分 · AI Native 开发模式
这一部分不写任何代码。我们先把「脑子里的开关」拨对——想明白什么叫 AI Native 开发模式，以及为什么它是普通人做软件的未来。把这几件事想通了，后面每一步你都会走得很稳。
1. 这不是传统编程课
这一章要解决什么问题
你可能有过这样的经历：买了本编程书，看到第 30 页的循环和函数就晕了，然后书就吃灰了。这一章要先解决你的心理负担——告诉你，那条路本来就不好走，而我们要走另一条。
传统编程课是怎么教的
传统路径大概是这样：先学语法 → 再学数据结构 → 再学框架 → 攒够了「基础」，才敢做一个小项目。
问题是，大多数零基础的人，在「看到自己做出东西」之前就放弃了。因为前面全是抽象概念，没有成就感，也不知道学这些到底能干嘛。
我们这门课怎么教
我们反过来：第一天就做出一个能打开的网页，然后一点点给它加功能。你先尝到「我做出来了」的甜头，再在需要的时候去理解背后的东西。
代码由 AI 写，你不需要一开始就看懂它。你需要看懂的是结果：
- 页面打开了吗？
- 按钮点了有反应吗？
- 数据保存了吗？
💡 核心观念：初学者不需要一开始看懂所有代码，而是要先学会用 AI 把结果做出来，并通过结果判断它是否正确。
本章小结
忘掉「必须先看懂代码」这件事。这门课，你负责判断结果，AI 负责实现细节。
2. AI Native：把代码当成一个黑盒子
这一章要解决什么问题
既然不靠背语法，那到底靠什么？这一章给你一个全新的、也更符合第一性原理的学习框架，它有个名字，叫 AI Native 开发模式。
先想清楚：软件开发的本质是什么
抛开代码不谈，软件开发的本质其实是一句话：
把人的需求，变成一个可以运行、可以验证、可以迭代的系统。
写代码只是实现这件事的手段之一。过去这个手段只有程序员掌握，所以「做软件 = 写代码」。但今天，AI 能替你把「需求」翻译成「代码」，于是普通人也能参与进来了。
AI Native：代码是黑盒，结果是界面
这里是整门课最重要的一个观念转变，请慢慢读：
对我们来说，代码就是一个黑盒子。我们不打开它，也不需要读懂里面怎么跑。我们只跟它的两头打交道——一头是我们喂进去的「需求」，另一头是它吐出来的「结果」。
你可能会想：不看代码，那怎么把东西做对？答案是一个不断转动的三步循环：
- 说清预期：我要什么？做完之后我应该看到 / 用到什么？
- 看结果：AI 做出来了，我打开、点一点、试一试——它符合我的预期吗？
- 修正：不符合的地方，说清楚哪里不对，让 AI 改；然后回到第 2 步，再看。
转几圈，结果就收敛到你想要的样子。整个过程，你都没打开那个黑盒。 这就是 AI Native 开发模式。
💡 今天这套模式还不算 100% 完美——偶尔你可能得瞄一眼代码、懂一点点概念。但方向已经很确定：未来你面对的是结果和预期，而不是语法和实现细节。 我们现在练的，就是这套未来的手艺。
那初学者最该练什么
不是语法，而是这四件事：
- 需求理解：我到底想要什么？
- 任务拆分：这个大目标能拆成哪些小步？
- 结果验收：AI 做完了，对不对？
- 持续修正：不对的话，怎么描述问题让 AI 改？
这四件事，是这门课从头到尾都在练的。
一个关键的比喻：从「问答题」到「选择题 + 判断题」
过去写代码像做问答题——面对空白，从零默写出答案，难。
AI 时代更像做选择题 + 判断题：
- 选择题：AI 会给你几种方案、几种做法，你负责选。
- 例：先做添加任务，还是先做 AI 总结？页面要简单清晰，还是复杂美观？
- 判断题：AI 交出结果，你负责判断对不对。
- 例：这个页面符合我想要的样子吗？这个任务列表刷新后还在吗？
选择和判断，比默写容易得多，而且这才是「产品负责人」真正的工作。
💡 这个「选择题 + 判断题」的思路，会贯穿整门课的每一个功能。看到它反复出现，别嫌烦——这就是新时代开发的肌肉记忆。
本章小结
AI 时代，你的核心能力是：想清楚需求、拆成小步、验收结果、持续修正。把开发当成选择题和判断题来做。
3. 人负责需求和验收，AI 负责代码实现
这一章要解决什么问题
「AI 写代码、我来指挥」听起来很美，但具体怎么分工？这一章把界线画清楚。
这是什么：一种新的分工
想象你是导演，AI 是摄制组。
- 你决定要拍什么、镜头对不对、这条过不过。
- 摄制组负责扛机器、打光、后期。
你不需要会扛摄像机，但你必须看得懂拍出来的画面好不好。
具体到我们的项目，分工是这样的：
| 你负责（人） | AI 负责（Claude Code / Codex） |
|---|---|
| 想清楚要什么功能 | 写出实现这个功能的代码 |
| 把需求讲清楚 | 创建 / 修改 / 删除文件 |
| 判断结果对不对 | 安装依赖、运行项目 |
| 描述哪里不对 | 修复报错和 bug |
为什么现在需要这种分工
因为代码细节又多又碎，对初学者来说是「劝退区」。而 AI 恰好最擅长处理这些又多又碎的细节。把它交给 AI，你才能腾出精力关注真正重要的事：这个产品对不对、好不好用。
一个重要的安慰
💡 不懂代码，也能先验收结果。
你不需要看懂 for 循环，也能判断「添加任务后列表有没有变化」。你不需要理解数据库原理，也能判断「刷新后数据还在不在」。结果是所有人都看得懂的语言。
本章小结
你是导演，AI 是摄制组。你管需求和验收，AI 管代码和执行。看结果，不必看代码。
4. 我们要做什么：AI Todo 助手
这一章要解决什么问题
一门课如果每章换一个例子，你会很累，而且没有「养成一个东西」的成就感。所以我们全程只做一个项目。这一章告诉你它长什么样、会怎么长大。
这是什么：AI Todo 助手
一开始，它只是个最普通的待办清单：输入一件事、点添加、它出现在列表里。
然后我们一点点给它加能力，直到它变成一个会思考的助手：你扔给它一句「下周要办一场 50 人的线下沙龙」，它能自动帮你拆成十几个可执行的小任务，还能分类、排优先级。
它会怎么一步步长大
这就是我们接下来的路线图，每一步都在上一步的基础上继续，而不是推倒重来：
静态 Todo 页面 ← 先看到一个页面
↓
Vue Todo 应用 ← 能真正增删改
↓
Flask Todo API ← 有了自己的后端
↓
SQLite 保存 Todo ← 数据不再丢失
↓
AI 帮你拆解任务 ← 开始「聪明」起来
↓
AI 总结 / 分类 / 判断优先级
↓
工程化升级（FastAPI 等） ← 变得更专业
↓
Docker 部署上云 ← 别人也能用
↓
扩展成内容生成器 / 知识库 / 小程序💡 这里已经藏着一道选择题：为什么先做「静态页面」而不是先做「AI 功能」？因为要先有一个能看见的东西，才好验收后面的每一步。做产品，顺序本身就是一种选择——通常先做能立刻看到结果的部分。
为什么选 Todo 这个例子
因为它够简单，人人都懂「待办清单」是什么，你不会卡在「这个例子到底在干嘛」上；同时它又够完整，涵盖了一个真实应用的全部环节——界面、交互、后端、数据库、AI、部署。麻雀虽小，五脏俱全。
本章小结
全程一个项目：AI Todo 助手。从一个静态页面，长成一个会拆解任务的智能助手，再部署上云。你在养一个真实的产品。
5. 课程工具：Claude Code / Codex
这一章要解决什么问题
工具太多是初学者的第一个大坑。这一章直接帮你把选择收敛到最小，让你不用纠结。
这是什么
Claude Code 和 Codex 是目前最强的两款 AI 编程助手。你在终端（一个可以打字给电脑下命令的黑框）里用自然语言跟它对话，它就能帮你创建项目、写代码、运行程序、修 bug。
它们的用法几乎一样。二选一即可——这门课的所有任务，两者都能完成。
为什么只推荐这两个
市面上还有 Cursor、Cline、Roo Code 等等一堆工具。对初学者来说，在工具之间比来比去，是纯粹的浪费时间和精力。我们直接选两个公认最强的，选定了就别再回头看。
💡 又一道选择题，但这道题我已经替你选好了：用 Claude Code 或 Codex。你把省下来的纠结精力，全部投到「做产品」上。
在我们的项目里怎么用
从下一部分开始，你所有的动作几乎都是：
- 打开 Claude Code / Codex。
- 用「任务提示词模板」把这一小步的需求讲清楚。
- 让它去做。
- 看结果、验收。
- 不对就把问题描述给它，让它改。
关于国内网络
如果你在国内，官方服务偶尔连不稳。这不影响学习方法——你只需要在环境准备时，用 cc-switch 之类的小工具把服务源换成可用的即可。这只是环境里的一个小设置，我们会在第二部分简单带过，不会让它变成课程的主线。
本章小结
工具就一个决定：Claude Code 或 Codex，二选一。别的都别管。下一部分，我们就把它装起来、跑起来。
这一部分的收尾
到这里，你还没写一行代码，但已经完成了最重要的准备——换脑子，装上 AI Native 的思维方式：
- 做软件的本质是把需求变成能运行、能验证、能迭代的系统。
- 代码是黑盒：你不打开它，只在需求和结果两头工作。
- 用一个循环推进：说清预期 → 看结果 → 修正，转到满意为止。
- 你负责的两件事：选择题（替 AI 做决定）+ 判断题（验收结果符不符合预期）。
- 全程一个项目：AI Todo 助手；工具只需一个：Claude Code 或 Codex。
带着这套 AI Native 思路，我们去 第二部分：环境准备，把工具真正跑起来。