AI时代的小白入门手册

我爱免费

作者：微信文章
在AI时代，AI在我们每个人的生活中都占据着日益重要的位置。2026年，AI技术预计将迎来积累期后的井喷式爆发，也许有一天，我们每个人都需要学会如何与这种新的智能生命形式协作。

作为一个AI领域的初学者，今天我请到了AI领域的权威专家ChatGPT，G老师，与我一同完成这篇文章。厘清关于AI的基础概念，例如什么是prompt、API、Agent，AI算法工程师在做什么。无论是男女老少，对于想要对AI有基础了解的小白，都可以从中获得平白易懂的解答。也为我们在下一篇文章中去理解大模型的本质、探讨AI时代的哲学、伦理打下基础。

感谢G老师接受我的采访

萤灯：

G老师，最近vibe coding很火，没有编程基础的人也能学会vibe coding吗？

ChatGPT：

好问题，这个点最近真的很火。先给你一句大白话版结论：

无编程基础完全可以学 vibe coding，而且它本来就是给“非程序员”友好的玩法。

先说清楚：vibe coding 是什么？

vibe coding ≠ 学编程语法

它更像是用自然语言 + AI，把“我想做什么”变成能跑的东西

你不用从 for / if / class 开始，而是从下面开始：

“我想做一个记账小工具”“我想要一个网页，能展示我作品”“我想自动整理 Excel”

然后让 AI 替你写代码，你负责方向和感觉（vibe）。

所以核心能力不是写代码，而是三件事：

会描述需求会和 AI 来回迭代会判断结果对不对

在学习vibe coding的过程中：

不被语法吓到不纠结“正确写法”只关心：能不能用、好不好用

这正是 vibe coding 的精髓

你要练的是怎么和AI说话，不是：“帮我写个程序”，而是：

帮我做一个极简网页，用来记录每日开销，有日期、金额、备注，手机也能用，不要太花哨，偏干净风格

关键技巧：

多用 “像…一样 / 偏向…风格”把需求拆成 列表明确“不要什么”

你可以直接从这个开始，对我输入：

“我想做一个超简单网页
只有一个输入框和一个按钮
输入今天的心情，点按钮后显示一句鼓励的话
不要用任何复杂框架
每一行代码都解释给我听”

你完成这个，就已经在 vibe coding 了。

萤灯：这么一来,我感觉在AI时代,语言变得非常重要,学会用语言准确地描述的能力很关键。有没有一门学科专门研究AI时代的语言学？

ChatGPT：

你说得非常有洞察力：在AI时代，会“用语言与机器沟通”确实已经成为一项核心能力。围绕这个思考，现在有一个新兴的领域，既涉及语言本身，也涉及人类与 AI 的交互——这就是 AI语言学 / 提示工程 （Prompt Engineering） 和 AI时代的语言理解研究。

提示工程（Prompt Engineering）是目前“如何用语言让 AI 理解你”的第一手技能。它桥接了自然语言与 AI 生成系统之间的沟通方式，是未来语言与思维训练的重要组成部分。
提示工程不是简单地写好问题，而是设计好能够让模型真正理解意图、背景、结构的语言，从而输出精准结果。它越来越被认为是“AI时代的语言学实践技能”。

萤灯：你能够向小白简要介绍一下什么叫做prompt吗？

ChatGPT：

这是个特别关键的问题，我先给你一句最本质、不绕弯的定义：

Prompt = 你对 AI 说的话，用来引导它“怎么想、做什么、做到什么程度”

不是“问题”，不是“命令”，而是——一段用来塑造 AI 行为的语言输入。就像一个导演，指示一个演员对同一段台词有不同的表现方法和情绪，我将举一个例子来区分一个普通的向ai提问和一个prompt：
普通提问：

什么是 prompt？

AI 会给你：百科式解释
Prompt（在塑造 AI）：

请用完全小白能懂的方式
不使用专业术语
用生活类比
解释什么是 prompt
字数不超过 300 字

你在控制 AI 的思考方式和输出风格
一个标准 prompt 里，通常包含着：

1️⃣ 背景（Context）

我是一个完全没有编程基础的人

2️⃣ 角色（Role）

请你扮演一位耐心的老师

3️⃣ 任务（Task）

帮我解释什么是 prompt

4️⃣ 输出要求（Format / Style）

用比喻，不要术语，像聊天一样

你可以就同一个问题写两段不同的prompt，看ai的回答会有什么不同。
这里一个非常重要的认知转变，以前我们学语言是为了把想法表达清楚给人听，现在多了一层：用语言塑造另一个智能体的行为

这在历史上是第一次。

萤灯：什么叫API？

ChatGPT：

这个问题你问得非常到位，因为 API 是“会不会用 AI / 软件”的分水岭概念。
一句话本质：

API = 不看内部细节，只通过固定“说话方式”向另一个系统要服务

就好比一个餐厅，大模型就像后厨颠勺的厨师，而API就是点菜系统，你告诉API你要什么菜，它去找大模型解决，然后再把菜端给你
举个例子来区分用不用API的方式：




不用 API 的方式

你直接在 ChatGPT 里打字：

帮我解释什么是 prompt

这是：人 → AI（通过界面）

---

用 API 的方式（程序 / 工具在用）

一个网页、App、软件在背后说：

“嘿，ChatGPT API
这是用户说的话
请按这个格式回复我”

这是：程序 → API → AI → 程序 → 人

你看不到 API，但几乎所有 AI 产品都在用它。

一个极简 AI API 示例（看感觉就行），你现在不用完全看懂，只感受结构：

{

  "model": "gpt-4.1",

  "input": "请用小白能懂的方式解释什么是 API"

}

意思是：

我用哪个 AI

我给它什么话

它会回我一个结果

你熟悉的 prompt，其实就是 API 里的一部分。很多人会混淆Prompt 和 API 的关系，这里做出一个区分：

API = 你和 AI “通信的方式”

Prompt = 你给 AI 的“内容”

就像一个是电话线，一个是通话内容。
放到 AI 语境里，API 在 AI 里是干嘛的？

API 只干一件事：让“模型能力”可以被外部世界调用




萤灯：AI Agent和API有什么关系？算法工程师在这个过程中是要做些什么呢?

ChatGPT：

你把两个最容易混在一起、也最关键的词放在了一起：Agent 和 API
先给你一句总览：

API 是“能力接口”，
Agent 是“会自己用接口做事的角色”。

1️⃣ 算法 / 模型（Model）

真正的“智能内核”

会预测、生成、理解

你几乎碰不到它

这是算法工程师的主战场

---

2️⃣ API（接口）

把“模型能力”包装成可调用服务

定义：你能传什么、它回什么

API 是能力的出入口

---

3️⃣ Agent（智能体）

一个“会做事的角色”

能理解目标

能调用 API

能决定下一步干嘛

Agent = 使用 API 的主体
再举那个餐厅的例子，算法工程师 = 厨师团队，API = 菜单 + 下单系统，Agent = 服务员 /店长，它能听懂你说的话，判断你真正想吃什么，帮你点菜，必要时追问你，帮你把菜端回来

但是 Agent 自己不做菜，它只是会合理地使用菜单
那 Agent 是什么？简而言之，Agent 是一个“有目标的 AI 使用者”

它会做这些事

接收一个目标

拆解目标

决定行动

评估结果

循环直到满意（这一步非常重要：Agent 会“自己决定再调用 API”）

所以

API 是“被动能力”，
Agent 是“主动使用能力的系统”。

算法工程师主要做 5 件事（但通常只被看到 1 件）

---

① 训练和改进模型（大众最熟悉的那部分），例如提升理解能力、提升生成质量、减少胡说、控制偏差

---

② 决定模型“擅长什么 / 不擅长什么”，即决定大模型能力边界

---

③ 设计 API 形态（非常关键但被低估），例如prompt 怎么传？上下文怎么放？返回结构是什么？ API 的设计，会直接影响 Agent 能不能玩得转

---

④ 为 Agent 提供“可控性”，例如system prompt、温度（随机性）、工具调用格式、安全限制，简而言之， 算法工程师在给 Agent“方向盘”

---

⑤ 研究：Agent 能不能更像“自主体，即能不能让 AI 更好地“自己用 API 做事”？

下图可以说明这几者之间的关系：



萤灯：这么说来，算法工程师有两种，一种自己并不需要去训练大模型,他只是需要掌握怎么去调用大模型,并且让大模型更符合自己开发的产品的需要,我可以这样理解吗?而还有另一种算法工程师，例如研发ChatGPT、Claude的那些人，他们做的才是训练大模型的工作?

ChatGPT：

你说的对，第一种算法工程师更准确的名字是

应用层算法工程师 / LLM Engineer / AI 产品算法工程师

他们的核心工作不是“造脑子”，而是

选用合适的大模型（GPT、Claude、开源模型）

设计 prompt / system prompt

设计 Agent 行为

调用 API

控制输出质量、一致性、安全性

让模型在产品场景里表现得“像个人”

他们 几乎不训练大模型，有时会微调（fine-tune），但规模不大

而第二种人可以被称作：

基础模型研究员 / 大模型算法工程师 / AI Research Scientist

他们不“写 prompt”，他们在研究：模型如何学会语言

第一类工程师关心的是：

这句话怎么说，AI 才更温柔？

他们关心的是

为什么一个模型，在看了海量文本后，
会“自动”学会语法、语义、推理？

很多时间花在读论文、做小规模实验、验证假设

---

他们真的在“训练模型”，但不是大多数人想的那样一行行喂数据

真实是：设计训练目标 + 监控训练过程

他们会决定：用什么数据比例，预测什么目标，loss 怎么算，训练会不会崩

然后让系统跑 几周甚至几个月。很多时候只是盯着曲线：

“这条线如果再往上，我们就完了。”

---

他们关心的是“规模”，而不是功能

---

他们在做你看不到的“对齐”（Alignment），这是 ChatGPT 特别重要的一层。他们在研究：

怎么让模型不乱说

怎么理解“人类偏好”

怎么学会拒绝

怎么不被 prompt 轻易带偏

这一步决定了AI 是工具，还是风险

---

他们在“赌未来的方向”，很多研究不是立刻有用的，比如：

多模态

自主 agent

长期记忆

推理能力

他们关心的是：

“如果 3 年后 AI 要更像智能体，那今天我们应该押哪条路线？”

这两层谁更“重要”？答案是：互相离不开。

没有上层模型，应用层玩不出花

没有应用反馈，研究层不知道什么有用

比如ChatGPT 本身，就是研究成果 × 应用设计 × 人类反馈三者叠加的产物

（未完）

注意：本文大量内容由AI生成、人类再编辑，请注意鉴别

在下篇文章中，我们将进一步探讨大模型和AI的本质，AI如何能够理解人类的语言。揭开AI的神秘面纱，其实AI并不可怕。