现在AI编程工具越来越多了，不少朋友觉得，反正有智能体帮忙写代码，大学生自己还学什么编程语言呢。这其实是得考虑考虑的。

咱不是说非得逼着每个同学都去当程序员，而是说，要是一点编程基础都没有、直接上来就用AI，容易出问题。你想想，变量是啥不知道，循环和判断是啥不知道，函数调用和返回值是啥不知道，类和继承是啥也不知道。那智能体给你生成了代码，你就只能原样贴进去跑，跑通了也不知道为什么通，跑不通也不知道为什么不通。知其然都未必能做到，更别说知其所以然了。

这个状态其实挺危险的。你拿一个自己不理解的产物去用，时间长了，会养成一些不太好的习惯——反正看不懂，跑通了就行，出了问题再让AI改。一来二去，自己的判断力没有任何增长，对AI的依赖倒是越来越深。

如果只是偶尔用一下、体验体验，那直接用智能体聊天就够了，不用学太多。但如果可能长期用，尤其是自己手头有稳定的、复杂的业务流程要靠AI来辅助，那掌握一门编程语言就很有必要了，这关系到长期可持续性的问题。

不是让你当专家，是让你能想明白

《资治通鉴》里孙权劝吕蒙读书，说了一句很值得参考的话——不是让你研究经传、当个专业的学者，而是让你"涉猎见往事"，拓宽信息渠道，加深对局势的理解。学编程语言也是一样的道理。

咱建议掌握一门编程语言，不需要去考级，只是说你要能理解最基础的这些东西：变量定义、分支判断、循环控制、函数封装、代码复用、抽象、类别定义和继承关系。说穿了，就这几个基本概念，翻来覆去地组合，就能自己想明白很多事情，有时候更为敏捷。

想的明白了，遇到用得上的时候自己琢磨得清楚，再跟智能体沟通，就能把想要达到的目的、想要的状态、想要的产物描述得更清晰、更准确。你说得越清楚，智能体干得就越利索，效率自然就上去了。

别把鸡蛋放在一个篮子里

还有一个要特别注意的，就是避免对某一个具体模型产生依赖。

你用惯了一个模型，觉得它特别好使，啥都交给它。万一哪天这个模型突然不能用了呢？或者涨价了呢？你所有的流程、所有的prompt、所有的习惯都是围绕它建立的，一下子就抓瞎了，非常被动。

我前阵子发一篇文章的时候，里面截了几个模型的样例图，有位比较敏锐的读者朋友就发现了，说："你这几张图好像一直用的都是同一个模型啊？有尝试过其他模型吗？"

我就跟人家解释了，我只是碰巧截图的时候用的那个模型。其实用多了智能体、把技能加载上去之后，模型之间的差距是可以逐渐缩小的，甚至可以完全忽略。

智能体和技能系统把方法、流程、经验都固化成可复用的"菜谱"了，换一个模型就类似换一个厨师，但只要他照着菜谱做，做出来的菜就会差不太多。当然，换了厨师嘛，略有些许差距是正常的，但大体上不会差到哪儿去。

所以这也是建议大家多用不同模型的原因。不把所有的篮子都放在一个鸡蛋上，防患于未然嘛。

大模型和智能体，不是一回事

大模型相当于具体干活的员工，智能体呢，是服务流程和操作场所。你设计好了这个流程，规定了什么时候做什么事、怎么调用工具、怎么处理结果，然后让大模型来执行。

换个模型，就是换了个干活的。但流程没变，工具没变，所以产出的质量波动不会太大。这也是为什么说，掌握了编程基础、理解了流程逻辑之后，你对单一模型的依赖就会变小。因为你知道自己想要什么，知道流程该怎么走，换个模型无非就是换个人来走这条路而已。

AI和编程可能会成为大学生必备的竞争力，而编程入门就行，也没那么复杂，比如Python，装好之后，花一点时间把变量、判断、循环、函数、类这几个概念跑一遍，写几个小例子，基本的概念框架就有了。

很多事情，只要开始做，就成了一半。