07 AI案例专题：意图即代码
非技术者的AI协作共创与验证方法——从认知对齐到精准表达，再到迭代验证的完整工作流。
目录
开场与背景
引子：AI引起的变革
AI时代的基础概念
非技术者的优势
与AI的协作方法
引子：AI引起的变革
案例一：AI参与破解80年数学猜想：从“检索答案”到“发现新路径”
OpenAI 内部模型提出了新的构造思路，帮助解决数学家 Paul Erdős 于 1946 年提出的“平面单位距离问题”相关猜想。重要之处不只是模型给出答案，而是它给出的推理路径获得了顶尖数学家的认真认可。
戏剧性转折：约 7 个月前，OpenAI 曾因“GPT-5 解决 10 个 Erdős 问题”的说法被数学界质疑：批评点在于模型更像检索到已有文献，而不是产生新的数学发现。
“会找答案”不等于“会做数学”；学术界要求原创推理、可验证证明和专家审查。
多位数学家认为模型给出了原创、巧妙且可推进的构造路径。
更准确的讲法：这不是“AI替代数学家”，而是 AI 第一次更有说服力地展示了从提出候选思路到接受专家检验的高水平协作潜力。
学术界评价
Tim Gowers（菲尔兹奖得主）：
"如果这是人类写的论文提交给《数学年刊》，我会毫不犹豫地推荐接收。这是AI数学发展的里程碑。"
Noga Alon（普林斯顿大学）：
"一个杰出的成就。AI在离散几何和代数数论之间架起了人类从未见过的桥梁。"
Arul Shankar：
"当前AI模型不再只是助手——它们能够产生原创且巧妙的想法，并将其付诸实现直至成功。"
来源：OpenAI相关报道 · Scientific American · Live Science · WSJ, May 2026
案例二：AI视觉创作
传统海报设计流程
AI海报生成流程
流程展示：从人工海报到AI海报
Step 1: 人工海报初稿
Step 2: AI辅助过渡
Step 3: AI海报最终版
AI海报生成：多方案不是终点，筛选标准才是关键
方案A：AI生成背景
方案B：AI生成背景
方案C：AI生成背景
「威尔·史密斯吃意大利面」：视频生成质量的快速演进
案例三：AI对劳动力市场的冲击
Anthropic · "Labor Market Impacts of AI" — Massenkoff & McCrory, 2026.3.5
高暴露 ≠ 立刻失业：真正变化发生在“任务重组”
Anthropic 用 Claude 使用数据构建“AI暴露度”指标，显示很多岗位的任务可被AI辅助或自动化，但企业部署、流程改造和责任边界仍限制落地速度
■ 已实际部署 ■ 理论可行但尚未部署
AI暴露最高的职业
收入影响：高知高薪岗位首当其冲
最高暴露人群特征：薪资比平均高47%、研究生学历比平均多近4倍。AI冲击首先体现为任务结构变化：同一个岗位中，资料整理、初稿生成、重复沟通会被加速，而判断、沟通、责任承担仍需要人。
年龄结构：年轻人就业压力加剧
22-25岁高暴露岗位就业下降约16%。初级岗位招聘自2023年下降约35%。初级岗位的训练价值被重新定义：年轻人更需要尽快掌握“AI协作+领域判断”的复合能力。
未来趋势：AI的理论能力与实际部署之间存在巨大差距，这意味着岗位不会一夜消失，但“入门级、重复性、标准化”的白领任务会持续被压缩。随着部署加速，白领岗位将面临持续压力。
案例四：自然科学——AI正在进入“发现、建模、实验”流程
通用模型正在成为科研“通用接口”
大模型的价值不只在单项指标，而在于把文献、代码、数据、图像和实验流程接入同一个协作界面
来源：Microsoft Azure AI Foundry, Oct 2025 · AI Multiple Benchmark, Sep 2025
AI科研全流程自动化
The AI Scientist（Sakana AI, 2024年8月）：首个实现完整科研流程自动化的框架，从提出假设、编写代码、执行实验到撰写论文，每篇论文成本不到15美元。
AgentLaboratory（AMD & 约翰·霍普金斯大学, 2025年2月）：开源一站式科研AI智能体，覆盖文献检索、实验设计、代码生成到论文撰写全流程。
data-to-paper（NEJM AI, 2024年12月）：从数据到可验证研究论文的全自动化平台，在简单研究目标中80-90%的案例能独立复现同行评审论文的发现。
"假设提出→实验执行→结果分析"
流程的数字科研协作者
案例五：社会科学——AI擅长处理材料，不自动理解社会
可用场景：把“资料密集型任务”变成可迭代流程
文献检索、访谈资料整理、开放式问卷编码、变量说明、初稿润色，都可以被AI显著加速。
但社会科学的核心不是“材料越多越好”，而是研究问题、理论框架、样本偏差、语境解释和伦理边界。AI可以帮你更快处理材料，不能替你承担解释责任。
AI的优势与局限
AI擅长：
提炼材料 · 生成对照表 · 辅助开放式编码 · 翻译与润色 · 形成可讨论的初稿
AI短板：
样本代表性 · 价值判断 · 文化语境 · 研究伦理 · 把相关性误读为因果性
核心启示：社会科学案例最适合用来说明“AI协作不是外包思考”。真正决定研究质量的仍是问题意识、方法选择、理论解释和伦理自觉。
来源：LLM social science research literature, PNAS / Nature Human Behaviour discussions
AI时代的基础概念
AI核心概念关系脉络（上）—— 从理论到技术
AI核心概念关系脉络（下）—— 智能体与工程落地
搜索/代码/文件/API/浏览器
MCP协议 → Agent/Skill → 工作流编排 → AI应用落地
从「聊天对话」到「工具调用」——AI应用的关键是可靠地接入真实流程
非技术者的优势
技术门槛抹平：专业人士拿回话语权
AI产品的应用落地使技术门槛大幅降低，原本在各自领域的专业人士重新掌握了创作主导权。
AIGC电影创作
好的AIGC电影仍需要导演把控叙事节奏、视听类人才设计镜头语言——AI生成画面，但故事和情感由人定义。
AI艺术设计
高艺术性的AI海报仍需要设计师定义风格、调整细节、把控审美——AI是画笔，人是画家。
游戏开发
好的游戏仍需要深谙用户心理的游戏从业者设计玩法和体验——AI生成素材，人设计体验。
文学创作
好的剧本仍需要文学创作者给出大框架、遴选和优化内容——AI生成文本，人赋予灵魂。
话语权的本质：谁能定义好问题，谁就能指挥AI
工程架构能力
程序员对复杂项目的工程架构与管理能力
视听引导能力
导演对AI片段生产的视听描述与抽卡遴选能力
审美方向能力
设计师对风格、美感的方向引导能力
低质量、重复性、缺少判断的工作更容易被AI替代或压价，因为任何外行都可以依托AI完成原本有专业门槛的基础工作。
📚 语文老师说："我需要一个学生点名的工具" → AI生成友好界面应用
📖 武侠爱好者将小说文本输入即梦 → AI生成对应片段视频
AI时代的核心能力：把模糊意图变成可执行、可验收的任务
定义问题
• 目标：谁使用？解决什么问题？为什么现在要做？
• 场景：在什么环境、设备、流程中发生？
• 成功标准：什么结果才算可用，而不只是“好看”？
先定义问题，再请求答案
拆解任务
• 任务拆解：将复杂目标分解为AI可执行、可检查的子任务
• 流程编排：安排不同工具/模型在合适环节协作
• 检查清单：把需求转成验收标准，避免“看起来对，其实不可用”
从“提需求”升级为“拆任务”
约束边界
• 资源约束：时间、预算、素材、技术栈和设备环境
• 风险约束：隐私、版权、安全、合规和伦理边界
• 输出约束：格式、尺寸、性能、兼容性和交付标准
先定边界，再让AI发挥
验证结果
• 事实核查：要求来源、日期、假设和不确定性
• 用户路径：按真实场景测试，而不只看截图
• 风险边界：识别隐私、安全、版权和伦理问题
没有验证，生成越快风险越大
示例：用AI做一个“课堂点名与反馈”小工具
与AI协作构建应用
核心转变：从“让AI帮我做”变成“我管理一个AI协作流程”
低效：把AI当许愿机
• 一次说一个很大的愿望
• 只看第一版是否惊艳
• 不说明边界、数据和验收标准
• 出错后让AI“全部重做”
• 把生成结果直接当成最终结果
有效：把AI当协作团队
• 先写目标、用户、约束和验收标准
• 每次只推进一个可检查的任务
• 用截图、日志、测试结果反馈问题
• 保留可用版本，再继续迭代
• 重要场景请专业人员复核
关于 Vibe Coding：它适合快速探索和原型验证；一旦涉及真实用户、数据、支付、隐私或安全，就必须转向规格、测试和人工复核。
方法一：Prompt四要素——让AI知道“要什么、像什么、不能怎样、如何验收”
❌ 模糊Prompt
AI产出结果 ⬇
✅ 四要素Prompt
目标：展示设计作品，吸引潜在客户。
风格：深蓝+白色，留白多，干净。
约束：纯HTML/CSS，单页，移动端适配。
验收：页面加载快，视觉专业。"
AI产出结果 ⬇
方法二：描述系统，而不只描述屏幕
页面只是结果，系统才是规则：数据从哪里来、用户如何流转、异常如何处理。
❌ 屏幕思维（只描述UI）
✅ 系统思维（描述行为）
邮箱+密码
写入用户记录
检查凭据
记住登录
未登录跳转
空值/密码错误
系统思维三要素
方法三：迭代优化——从"一步到位"到"对话式精进"
低效做法
Round 1："做个网站"
→ AI给了个基础页面
Round 2："全部重做，要好看"
→ AI推到重来，丢失之前内容
Round 3："还是不对，算了"
→ 放弃
有效做法：分层迭代
Round 1 骨架："做一个产品展示页，顶部导航+中间网格+底部联系"
→ 确认整体结构 OK
Round 2 风格："改成深色主题，卡片圆角加大，加hover效果"
→ 只改样式，不动结构
Round 3 细节："导航栏固定顶部，卡片加阴影，字体调大"
→ 精修细节，逐步打磨
迭代黄金法则
1. 先骨架后细节——结构对了再调样式
2. 一次只改一个维度——布局/颜色/内容分步改
3. 保留可用版本——每次大改前留备份
4. 具体反馈——不说"不好看"，说"颜色太暗"
方法四：上下文管理——用项目说明固化意图与边界
项目说明：AI的“共享记忆”
复杂项目先写一份计划文档，减少AI在长对话中遗忘目标、改丢边界。
分治策略：一次只推进一个可验收单元
不要一次让AI做所有事，每次只做一个完整、可测试、可回退的单元。
关键时刻：建立检查点
每次完成一个功能，先确认可用，再继续下一个。如果后续改坏了，可以回到上一个稳定版本——不要在没有备份和验收的情况下让AI做大范围重构。
AI协作构建能力也存在巨大的差距
主讲人研究生相关课程中期实验测验：一个原本接近工科本科毕业设计工作量的任务，被压缩到 3 小时课堂时间内完成。
测验任务
目标：构建一个 Web 应用，调用云端大模型能力，实现猫咪图片鉴定任务
完整流程：上传图片 → AI 鉴定 → 历史管理 → 可视化图表呈现
能力要求：前端交互、云端模型调用、结果结构化、数据持久化、图表展示
时间压力：3 小时课堂内完成一个原本可作为工科本科毕业设计工作量的系统原型
这不是“写一个页面”的测试，而是对应用架构、模型接入、调试与 AI 协作方法的综合考察。
完成进度：50人班级
结论：影响构建效率的关键几个要素：应用架构思维（程序员的专业能力）、应用调试能力、AI沟通方法、AI工具选择。
常见陷阱与反模式：生成越快，越要管理风险
陷阱一：一次给太多需求
"做一个有用户系统、支付、聊天、上传、搜索的社交平台" → AI迷失，每样都做不好
建议：每次只做一个完整功能
陷阱二：不提供上下文
"帮我修一下这个bug" → AI不知道你的项目用什么技术栈
建议：告诉AI项目类型、框架、相关文件
陷阱三：让AI大范围重构
"把整个页面重写一下" → 可能引入新bug，丢失已有功能
建议：要求“手术式编辑”，只改需要改的部分
陷阱四：不验证就继续
AI生成代码后直接追加新功能 → 累积的bug最终导致系统崩溃
建议：每完成一个功能就验证一次
陷阱五：信任AI的“假知识”
AI可能"幻觉"出不存在的API、过时的库版本、不安全的实现
要求AI给来源、日期和不确定性；关键事实必须人工复核
陷阱六：忽略合规与伦理
把学生信息、客户资料、未公开文档直接交给工具 → 可能带来隐私和合规风险
先脱敏、再上传；敏感场景使用本地或合规方案
真实趋势：AI协作开发进入主流，但信任正在下降
采用率上升
Stack Overflow 2025 调查显示，AI工具已经成为开发工作中的常规辅助。
同一调查也显示，开发者对AI输出准确性的信任下降，说明“会用”不等于“可放心上线”。
从“生成代码”到“治理质量”
典型案例
来源：Stack Overflow Developer Survey 2025 · Anthropic Economic Index 2025 · NIST GenAI Profile 2024
案例解剖：一个内部工具从想法到可用原型
示例：非技术者用AI构建“资料整理与检索”小工具。重点不是炫技，而是把需求、边界和验收写清。
关键决策点
• 第1次迭代：先做静态原型 → 验证流程是否顺
• 第2次迭代：加入真实样例数据 → 发现字段缺失
• 第3次迭代：补充搜索和标签 → 验证是否找得到资料
• 第4次迭代：处理空状态/错误输入 → 接近可用
更稳妥的交付判断：
AI可以把“可运行原型”做得很快，但内部工具是否能投入使用，取决于数据安全、错误处理、使用说明和维护责任。
核心启示：非技术者构建应用的关键不在“完全不懂技术”，而在能把业务规则讲清楚，并用真实场景验收。
与AI协作构建应用——方法论全景
五步方法论
1. 思维转变：你管理AI协作流程，而不是许愿
2. 四要素Prompt：目标+上下文+约束+验收
3. 系统思维：描述行为，而非屏幕
4. 分层迭代：骨架→规则→功能→细节
5. 验证闭环：真实路径+边界输入+风险清单
核心要点
为当下优异的、适合该领域任务的 AI 模型服务买单。模型能力本身会大幅提升效果上限。
说明先行：复杂项目先写目标、数据、边界、验收
小步推进：每次只做一个可检查单元
检查点：完成即验证，验证即保留稳定版本
关键公式
清晰意图 + 约束边界 + 真实验证 = 可依赖的AI协作产出
非技术者的真实优势
你更接近真实业务、真实用户和真实约束。把这些说清楚，AI才有可能生成真正有用的东西。
容易误解的一句话：
"AI会帮我把想法直接变成可靠产品"
更准确的说法：
"AI可以加速原型，可靠性来自人的约束、验证和责任"
Codex Agent：自然语言驱动代码生成
OpenAI Codex 是新一代编程 Agent——用日常语言描述需求，AI 自动生成可运行代码。传媒出版从业者无需学习编程，也能快速构建数字工具。
• 输出：可直接运行的代码 + 执行结果
• 支持：Python、JavaScript、网页开发等
• 特点：具备推理能力，能分步骤解决复杂任务
• 定位：你的"编程实习生"——会写代码、会调试、会解释
用一句话生成交互式图表页面，嵌入报道中
2. 自动化排版工具
批量处理文档格式、生成目录、统一样式
3. 交互式内容开发
读者调查问卷、动态目录、数据查询页面
从"意图"到"代码"：出版业实战案例
以下案例展示了非技术背景的传媒从业者如何用 Codex Agent 解决实际业务问题。
Prompt："用ECharts生成一个柱状图，展示2021-2025年各季度销售额，支持鼠标悬停显示具体数值"
结果：10秒生成完整HTML页面，可直接嵌入微信公众号
Prompt："写一个Python脚本，批量读取Word文件，提取标题和正文，按章节生成EPUB电子书，保留原有图片和格式"
结果：一键完成，节省人工排版80%时间
Prompt："生成一个网页问卷，包含5个单选题和2个多选题，提交后自动统计结果并显示图表，数据导出为Excel"
结果：完整前后端代码，可立即部署使用
Agent 实战：智能发票报销全流程
Codex Agent 不仅生成代码，更能调用本地数据、连接审批系统，实现端到端自动化。以下是发票报销的完整 Agent 工作流演示。
• 推理：自动提取金额、日期、税号等关键字段
• 行动：填写报销单、提交审批流、通知用户
• 记忆：记住个人银行卡信息，下次自动填充
Agent 模式：只需说"报销这张发票"→ AI 自动完成所有步骤，包含：读取个人信息、识别发票、校验数据、提交审批。整个过程无需人工干预。
谢谢大家，欢迎交流！
扫码添加微信，继续交流探讨