第16课：不会编程也能学AI，但要知道代码是什么

学习目标

• 理解No-code、Low-code、Programming三种方式
• 知道零基础也可以先学概念再逐步学代码
• 掌握变量、条件、循环、函数、文件、API等最小编程概念

正文

No-code

No-code = 零代码。通过图形界面完成自动化或应用搭建。

Low-code

Low-code = 低代码。大部分用可视化工具，少量用代码。

Programming

Programming = 编程。 用编程语言明确告诉计算机怎样处理数据和执行逻辑。

初学者应该学到什么程度？

不需要一开始就成为程序员，但建议理解： 变量、条件、循环、函数、文件、API、错误信息。

Python

Python 是AI、数据分析和科研中非常常见的编程语言。 后续 CampusAI 可为非计算机专业学生提供“代码解释模式”，而不是默认每个人都会写代码。

1. 本课要建立的整体认识

No-code、Low-code和Programming是不同实现方式，不是高低贵贱排序。选择取决于任务复杂度、可控性、维护成本和团队能力。

2. 把核心概念逐层拆开

2.1 零代码适合规则清楚、连接标准工具的简单流程

零代码适合规则清楚、连接标准工具的简单流程，优势是启动快，限制是定制和迁移能力较弱。

2.2 低代码用可视化组件完成大部分工作

低代码用可视化组件完成大部分工作，再用少量代码处理特殊逻辑。

2.3 编程能精确表达数据与流程

编程能精确表达数据与流程，适合复杂产品，但需要测试、版本管理和持续维护。

2.4 变量保存数据

变量保存数据，条件控制分支，循环处理重复任务，函数封装可复用步骤，异常处理负责失败情况。

2.5 AI可以解释和生成代码

AI可以解释和生成代码，但开发者仍要理解输入输出、依赖、权限、错误和测试结果。

3. 把概念串成一条完整流程

学习编程不必从大型项目开始：先读懂短代码→修改一个变量→运行观察→制造错误并理解提示→写小函数→读取文件→调用API→为结果写测试。

4. 用真实场景理解

自动整理报名表可以用零代码工具，也可以写Python脚本。数据量小、规则固定时前者更快；需要复杂清洗、审计和长期维护时，代码方案可能更合适。

5. 学习时应该怎样判断自己是否真正理解

不要只看自己是否“听过”这些词。请尝试不用原文，向一位没有技术背景的人解释本课概念；再画出关系或流程；最后换一个与你专业相关的例子。如果无法说明输入、处理、输出、依据和风险，就说明还停留在名词记忆阶段。

遇到模型、工具或规则变化时，优先保留这里学到的判断框架：先定义任务，再确认资料与边界，随后执行、测试和核验。具体品牌和界面会变化，但这种工作方法可以持续使用。

6. 本课小结

本课不是要求一次记住全部细节，而是建立一个能够继续扩展的知识框架。完成正文后，请结合后面的示例、测验和实践任务，把理解转化成自己的语言和可检查的成果。

7. 进一步拆解：从“知道名词”到“会做判断”

学习技术概念时，最容易出现的问题是记住了定义，却不知道什么时候使用，也不知道怎样发现错误。下面逐项使用同一组问题检查理解：

• 零代码适合规则清楚、连接标准工具的简单流程：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 低代码用可视化组件完成大部分工作：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 编程能精确表达数据与流程：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• 变量保存数据：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。
• AI可以解释和生成代码：继续追问它接收什么输入、产生什么输出、依据从哪里来、失败时会出现什么现象、由谁负责复核。把这五个问题写出来，概念就会从一句定义变成可用于真实工作的判断工具。

8. 建立自己的操作检查表

第一张是“任务表”：写清服务对象、目标、已有材料、最终交付物和完成标准。第二张是“数据与来源表”：记录每项材料从哪里来、何时获得、是否允许使用、是否需要更新。第三张是“执行表”：把任务拆成可以观察状态的步骤，标明每一步的输入、处理、输出和失败提示。第四张是“核验表”：列出必须人工检查的事实、数字、引用、权限、安全和专业边界。

这四张表适用于本课所讲的大多数任务。它们能防止把“模型给出了结果”误认为“工作已经完成”，也能帮助团队在出现问题时迅速定位到底是需求不清、资料错误、流程中断，还是输出没有经过验证。

9. 与前后课程的关系

这套20课不是彼此孤立的知识点。本课涉及的概念，需要与Prompt中的任务说明、API与软件系统中的执行链、RAG中的资料依据、数据分析中的质量检查以及AI安全中的责任边界结合起来。学习时可以不断回到一个问题：如果把这个概念放进完整AI产品，它位于哪一层，会影响谁，又需要谁来检查？

10. 课后自查

1. 我能否不用术语堆砌，用自己的话解释本课核心关系？
2. 我能否画出一个包含输入、处理、输出和核验的流程？
3. 我能否举出一个与自己专业、学习或工作有关的实例？
4. 我能否说出至少两个容易犯的错误，以及怎样提前发现？
5. 我能否把本课方法用于一个真实任务，并留下可检查的成果？

示例

常见误区

• “不会编程就不能学AI。”——大量AI应用学习不要求先会编程。
• “有AI写代码就不用学基础。”——不会判断变量、错误和数据流，很难发现问题。
• “低代码等于没有技术门槛。”——仍需理解业务和数据逻辑。

小测验

点击题目查看答案。

实践任务