北京
手工川的本科专业是金融。在投行实习期间，为了完成数据分析和抓取任务，他开始自学计算机。到了2017年，他发现写代码比金融更有趣，于是彻底转了方向。此后几年，他几乎每天都在琢磨怎样把代码写得更好。从2024年10月起，他停止手写代码，此后所有项目的编码几乎都交给AI完成。“严格来说并非百分之百，但至少99%的代码已经交给了模型和Agent，人类只需要负责那起始与结束的1%。”他说。
在2023年和2024年上半年，手工川还认为AI生成的代码与自己的质量要求之间存在明显差距。模型能生成片段、补全函数，却很难稳定地完成完整产品。真正的转折出现在2024年底。随着基于Claude Sonnet 3.5等模型的Cursor走红，他系统测试了AI编程工具，发现模型生成代码的质量已跨过某个临界点，不再是单纯的补全工具，而是能承担大部分实际编码任务的开发者。他认为，自己之所以能如此激进地采用Vibe Coding，正是因为此前积累了足够多的软件开发经验——他能判断AI生成的代码是否合理，能在出现问题时定位方向，也能在MVP跑通后，通过工程化手段补上稳定性、并发、测试和维护能力。
对于完全没有代码经验的人，手工川认为，AI固然可以显著降低门槛，但并不能自动补齐所有工程判断。普通用户首先要学的，不一定是某种编程语言，而是如何准确表达需求、如何与AI交流，以及如何判断模型是否真的完成了任务。很多成功的AI产品看起来像是由“不懂代码的人”做出来的，但其背后通常仍存在一位能够驾驭AI、理解产品和技术边界的人。
谈及如何找到真实需求，手工川的观点颇为直接：不会写代码的人，反而可能更接近真正的大众需求。程序员每天面对的是代码、框架、数据库和开发工具，能想到的往往也是程序员自己的问题。但程序员动手能力强，遇到问题倾向于自己写个脚本或插件，很少愿意为同类工具付费。一个只服务程序员的需求，即便技术精巧，也未必有足够大的商业市场。不会写代码的人离真实生活更近，会考虑去哪里旅行、怎样拍照、怎样做饭、怎样整理工作。这些问题看起来不够“技术”，却可能拥有更大的用户群体。他总结道，“爱生活的人，更容易发现大众需求。”
手工川倾向于采用渐进式Vibe Coding。他通常先向AI提出一个具体需求，让模型直接实现。出问题后，再告诉模型“这里有问题，修一下”；若希望避免同类错误重复，就增加约束，要求模型以后不再采取相同方案。这种方法的目标不是第一次就生成商业级产品，而是尽快看到一个可以运行的版本。他接受AI先交付一个“59分”的产品。只要基本方向成立，就可以根据真实效果决定是否继续投入。借助AI，开发者可以用极低成本先验证想法：原型没价值就及时停止，用户反应积极再逐步补充软件工程能力。产品投入的精力和时间不需要很多，但真正困难的是事先做大量准备工作，把最简单的想法一步步对AI描述清楚。
他最近用YODA在很短时间内制作了一款视频拍摄工具。用户可以提前准备好文稿，面对镜头录制时，系统会实时识别用户说到了哪一句并自动对齐字幕，不再需要按固定速度滚动提词。录制完成后，直接获得一段字幕已匹配的视频，省去大量手动调整的功夫。他把产品展示给一位经常做采访的朋友，对方当场表示：“我现在就给你转100元，你赶快把它上线。”手工川认为，这种不需要解释商业价值、用户看到后马上愿意付费的反应，就是真需求。产品不必追求过于复杂的技术，谁能准确击中特定时期的生活痛点，谁也许就能迅速获得大量用户。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
