第 2 章 · 第 3 讲 · 15:53
来源标注：本内容改编自开源项目 Easy-Vibe（仓库datawhalechina/easy-vibe，路径docs/zh-cn/stage-1/ai-capabilities-through-games/index.md），为二次演绎配音版。原文作者与贡献者来自清华大学深圳国际研究生院及开源社区。本文在原文基础上做了口语化改写、结构重组与实践补充，观点与例子由演接入添加，不等同于原文表述。
games-first-tastegames-first-taste-播客.mp3games-first-taste-播客.srt这一集是整门课情绪上的分水岭。第 1 集讲清楚了「门槛塌了」，第 2 集讲清楚了「路有三条」，但都还停留在认知层。这一集不同，它第一次让你看见一个东西从一句话里长出来。
原文实际上回答了一个非常具体的疑问：如果我完全不会写代码，现在的 AI 到底能帮我做到什么程度？围绕这个问题，原文铺了四层内容：
如果用一句话概括这一集：把需求说清楚，就是新时代的编程能力。 这句话值得刻在手上。这一集里所有让你惊艳的操作，剥开看都只是同一件事的重复——把脑子里的画面，讲成 AI 能执行的话。
原文的能力点散落在数据、平台介绍、边界讨论和实操四块里。我按「听到 → 理解 → 上手 → 排错 → 扩张」五个环节重新排了序，并标注了每个能力在整门课中的位置。
| 能力项 | 原文怎么说的 | 演接入的解读 | 所属环节 |
|---|---|---|---|
| 读懂趋势数据 | GitHub Copilot 采用率与效率数据 | 数据的作用不是让你兴奋，是让你敢把「不写代码也动手」从念头升级为决策 | 听到 |
| 判断能力边界 | 内部工具、看板、轻量游戏可行；商用产品需人工打磨 | 边界感是新手最缺的东西，它决定了你把 AI 当搭档还是当许愿机 | 理解 |
| 描述需求 | 用自然语言说清楚界面与交互 | 这是本集的核心能力，后续所有课程都是它的变体训练 | 理解 |
| 小步加码 | 从一句话到带编号的多条需求 | 一次只加一点，出了问题才知道是哪句话让结果跑偏 | 上手 |
| 平台选型 | 八款主流 Vibe Coding 平台 | 入门阶段挑顺手的深耕，胜过反复横比 | 上手 |
| 看懂生成界面 | 侧边栏、新建、刷新、全屏、下载、代码视图、发布 | 只需要先认得下载和发布两个按钮 | 上手 |
| 报错与修复 | 复制粘贴报错、截图描述现象 | 纠错是对话的一部分，不是失败 | 排错 |
| 让 AI 写提示词 | 让大模型生成项目级提示词 | 元技能，学会之后提示词能力会自己涨 | 扩张 |
| 想象力管理 | 二十个应用与游戏方向清单 | 清单的价值是让你看到描述方式的统一 | 扩张 |
这张表怎么用：竖着看是学习顺序。前三行是「敢动手」的心理建设，中间三行是「能做成」的操作骨架，后三行是「做得深」的进阶杠杆。多数零基础者的误区是从第四行直接开始，一句话扔给 AI，结果不满意，得出「AI 不行」的结论——其实是跳过了边界判断和小步加码。
这一节的数字建议原样记住，因为它们是整套逻辑的地基。以下数据均出自原文引用的 GitHub Copilot 统计：
这组数据的真正读法，不是「AI 好厉害」，而是一个反问：如果最会写代码的那群人都在把写代码交给 AI，那么「会不会写代码」这件事的权重，正在被「会不会说清楚需求」取代。 对普通人来说，这不是安慰剂，是窗口期——竞争的核心技能换挡了，而新档位对所有人都是零基础。
但必须同时泼一盆冷水：数据证明的是趋势，不是捷径。百分之九十六的采纳率背后，是专业开发者能判断 AI 给出的代码对不对。你没有这个判断力，所以你的路径必须是「从小东西开始练判断」，而不是「直接做大东西赌运气」。这正是下一节边界划分的意义。
原文对边界的表述可以整理成一张三层表，这是本集最实用的决策工具：
| 层级 | 典型产物 | 谁主导 | 人的审查强度 |
|---|---|---|---|
| 第一层 | 原型、演示版、内部自用工具 | AI 打第一版，人迭代细节 | 低，多测试即可 |
| 第二层 | 面向真实用户的大型产品 | 工程师长期投入架构、抽象、性能、维护 | 高 |
| 第三层 | 支付、风控、医疗等强安全强合规系统 | 人主导，AI 辅助 | 极高，严禁生成完直接上线 |
三个关键推论：
第一，能力边界和信任边界是两回事。 AI「能写」支付代码，不等于支付系统「敢用」AI 写的代码。前者是能力问题，后者是责任问题。原文强调第三层必须引入严格的审查与测试流程，说的就是责任问题。
第二，「小而清晰」是三特征共同成立的领域。 范围清晰（一页网页、一个内部工具、一个小玩法）、结果可见（立刻能在浏览器里验证）、纠错直接（下一轮对话点明现象即可修正）。三个特征缺一个，AI 的出错率就会明显上升。接到一个需求，先拿这三个特征过一遍，你大概就知道该不该派 AI 上场。
第三，大项目的瓶颈在流程视角。 原文说得很明确：大型项目要接后端、连数据库、整合第三方服务，还牵扯权限、安全、并发和业务规则。合理的做法是人先梳理整体流程——关键步骤、每步的输入输出与状态变化、哪些节点对性能和安全敏感——再基于流程图把独立环节拆给 AI。拆步骤、定架构、做集成、担运维，这四个动作始终在人这边。
原文给出的新旧对比非常干净：
| 过去 | 现在 |
|---|---|
| 安装编程环境（Python、Node.js） | 打开浏览器，访问网页 |
| 配置代码编辑器 | 用自然语言描述功能 |
| 学习标记语言、样式语言和脚本语言 | AI 自动生成代码并实时预览 |
| 处理各种依赖和报错 | 看一眼结果，继续对话 |
这种「对话即编程」的模式，让编程从「写代码」变成「描述需求」。原文给这个范式起的名字是 Vibe Coding，氛围式编码：人主要通过自然语言告诉 AI 想要什么，看一眼跑出来的结果，再继续对话、继续修改，而不必从头手写、理解、管理每一行代码。
需要提醒的是，范式转移不等于难度消失，而是难度换挡。过去的难点在语法和环境，现在的难点在表达和判断。语法错了编译器会告诉你，需求描述模糊了，AI 只会默默地给你一个模糊的东西——很多人觉得「AI 听不懂我说话」，其实是自己没想清楚要什么。这一集之后的整个课程，本质上都是在训练「想清楚」和「说清楚」。
原文介绍课程主用平台的同时，列了一张扩展清单。整理如下（平台信息以原文为准，排名不分先后）：
| 工具 | 出品方 | 特点 |
|---|---|---|
| Kimi Code（原文推荐） | 月之暗面 | 编程助手，提供终端版与编辑器扩展，底层为编程专用模型 |
| Google AI Studio（原文推荐） | 谷歌 | 支持 Gemini 模型，适合快速原型开发 |
| Figma Make | Figma | 与设计工具深度整合，适合设计师实现交互原型 |
| Coze | 字节跳动 | 零代码可视化搭建，支持插件、定时任务与多渠道发布 |
| v0.dev | Vercel | 输入描述生成可运行的界面组件代码 |
| Bolt.new | StackBlitz | 可直接生成并部署完整的 Web 应用 |
| Lovable | Lovable | 专注生成高质量前端应用，支持一键部署 |
| Replit Agent | Replit | 集成 AI 助手的在线编程环境，支持多语言与实时协作 |
选型建议（演接入添加）：入门阶段只用一个，用到能稳定做出小东西再换。判断标准有三条：生成速度是否可接受、预览是否实时、出错时能不能把报错完整丢回去。课程主用的平台胜在中文友好和全栈模块完整，英文平台在生态集成上各有千秋。反复横比是新手最贵的时间黑洞。
这是原文的实操核心，也是本集音频的高光段落。最终作品的设计非常巧：蛇吃掉的是文字字符而不是豆子，吃掉八个单词后大模型据此创作一首诗，诗完成后再自动生成一幅画。 吃掉的是字，吐出来的是诗和画。
这个设计真正的教学意图，不是教做游戏，而是让你体验「自然语言需求如何被逐层展开」。原文给出的演进路径值得完整复盘：
第一版，一句话。 「帮我做一个贪吃蛇游戏。」——得到一个能玩的最简版，验证链路通畅。
第二版，加第一条。 「可以吃不同的单词，它们会被收集在一个盒子里。」——小步加码，先确认这一条能落地。
第三版，完整三条。 ① 吃不同单词并收集进盒子；② 吃到八个单词时大模型据此创作一首诗，可重新混合；③ 诗完成后自动生成图像。
复盘要点：从一句话到三条编号需求，变化的不只是长度，是结构。把功能拆成编号、把每一条讲具体，AI 的产出稳定性会显著提升。这是提示词工程最基础的肌肉，后面课程会不断复用。
出问题怎么办（原文原意）：开发中常见的意外有四类——点按钮没反应、使用功能报错、功能未按预期工作、前端页面与设计不符。处理方式是把现象喂回去：报错直接复制粘贴，界面问题截图，配一句文字说明。原文特别强调「哪不对说哪」，现象越具体，修复越快。
进阶玩法（原文原意）：基本功能跑通后，可以加彩色单词、吃豆特效、魔法单词（加速、变大），或者改成每吃一个单词就生成诗和画。更进一步的元技能是让大模型自己生成项目级提示词——原文给出的请求模板是：说明目标（网页贪吃蛇、吃单词生成诗歌、包含图像生成模块），要求生成「更完整的提示词」，然后用拿到的提示词在全栈开发模式重新生成项目。这一步的心理意义大于技术意义：你会第一次意识到，提示词本身也是可以外包给 AI 的产品。
把 AI 生成的东西用起来之前，拿这张清单过一遍。清单条目全部源自原文的边界讨论，按使用场景排列：
通用项（任何产物都查）
原型与内部工具（第一层）
面向真实用户的产品（第二层）
强安全强合规场景（第三层）
内容约束：本集全部数据、平台信息、实操步骤均来自原文，未做外部补充；解读、比喻与行动建议为演接入添加，已与原文表述区分。原文提到的平台特性可能随产品更新变化，以各平台官方信息为准。
能力约束（源自原文，务必牢记）：
使用约束：本集所有「几分钟做出一个东西」的体验，都建立在「小步加码、反复迭代」的基础上。跳过迭代直接求大而全，是新手挫败感的最大来源。
| 现象 | 第一反应 | 正确做法 |
|---|---|---|
| 点按钮没反应 | AI 不行 | 把现象和页面截图丢回对话，点名这个按钮 |
| 功能报错 | 看不懂，算了 | 完整复制报错堆栈，别只贴一行关键字 |
| 做出来和想的不一样 | 将就用 | 明确指出差在哪，哪块对哪块不对 |
| 一句话需求结果很差 | AI 不行 | 检查自己是否拆了编号、讲明了交互 |
| 试了一个平台就放弃 | 我可能不适合 | 换一个顺手的平台，同一个需求再做一遍 |
如果你是完全的零基础，这一集之后按这个顺序走，两周内可以建立完整的手感：
第一周，建立信心。 第一天，只做一件事：打开任一平台，输入「帮我做一个贪吃蛇游戏」，做出来，玩一次。第二天，把它改成吃单词的版本。第三天，加颜色变化。每天一个小改动，改动前先想好怎么说。周末，挑清单里一个你眼睛发亮的方向，做一个最简版。
第二周，建立判断。 每天做完，问自己三个问题：这次我说清楚了吗？哪里 AI 理解错了？如果重来一遍，我的话怎么改能一次到位？把答案记在同一个文档里。一周后回看，你会清晰看到自己「说清楚」的能力在涨——这就是这门课真正的进度条。
接到任何想做的点子，先拿「范围清晰、结果可见、纠错直接」三个特征过一遍。三个都占，放心派给 AI；缺两个以上，先自己把需求拆小再动手。坚持一周，你会对「什么东西值得扔给 AI」形成直觉，少走大量弯路。
练法：把自己最近想做的五个点子写成三行，每行标注三个特征占几个。占不满的，写下拆小的方案。
照着原文的演进路径，把一个最简贪吃蛇升级成会写诗的版本：一句话版 → 加一条需求 → 三条完整需求。每跳一级，对比一次结果的差异。重点不是最终作品，是体会「描述的具体程度」和「产出的稳定程度」之间的正相关。
判断标准：升级到第三级时，如果你能预判 AI 大概会给出什么结构，说明你已经入门了。
新手最贵的损耗是「说不清哪里不对」。建一张表，左边写现象，右边写你最后怎么描述给 AI 的。比如「点了没反应」「颜色不对」「字被挡住了」「生成太慢」。积累二十条之后，你和 AI 的沟通效率会明显上一个台阶。
为什么有效：纠错直接的前提是现象具体。词表就是把「感觉不对」翻译成「可指认现象」的词典。
用原文的模板，让大模型生成一份项目级提示词。拿到后不要直接用，逐句批改：哪句太虚，哪句缺了验收标准，哪句的优先级该调。改完再用它生成项目。
练的是：你早晚要从「写提示词的人」变成「审提示词的人」，这一步是预演。
每做完一个东西，给它贴一个标签：自用玩具、可演示原型、敢给别人用、敢谈钱。四个等级对应原文三层划分。每月回看一次，如果三个月来所有产出都停在第一级，说明该换练法了——不是做更多，而是挑一个往第二级推。
来源：Easy-Vibe（datawhalechina/easy-vibe）stage-1/ai-capabilities-through-games。本内容为二次演绎配音版，解读部分由演接入添加。