从"能跑就行"到"知道为什么能跑"
很多 Vibe Coder 都经历过类似的阶段：用自然语言描述需求，AI 生成代码，应用跑起来了，全程没看过一行代码。做简单的前端小工具——AI 词典、学习工具、录屏工具——这套流程确实够用。
但一旦项目复杂度上升，需要后端、数据库、多用户功能、API 集成，问题就来了。Bug 修不动，AI 陷入循环，你却无法判断它是在解决问题还是在制造新问题。脑子里有一堆产品想法，手上却只能做出原型，离真正可用的产品差了一大截。
这中间缺的不是"成为工程师"的能力，而是一层技术直觉：能做架构决策、能选对技术栈、能识别 AI 在胡说八道、能在它卡住时介入。
用一个 Prompt 让 Claude Code 当你的老师
核心思路是给 Claude Code 一个结构化的 Prompt，让它为你设计一门完整的课程。这个 Prompt 包含三个关键部分：
你的背景交代——告诉它你是谁、会什么、不会什么。比如："我是人文社科背景，没有任何计算机训练，日常用 Claude 和 Gemini，已经用自然语言做过几个前端小工具。"背景越具体，课程越贴合。
你的学习目标——明确你想达到什么程度。不是考 CS 博士，而是：
- 能有效驾驭 AI 编程工具，做出合理的架构和技术选型
- 理解代码底层运行逻辑，具备排查问题的能力
- 有足够的技术语言能力，能和工程师讨论方案
课程设计标准——这部分最关键，直接决定输出质量：
- 项目驱动：每个章节对应一个可运行的项目，先做出来再学原理。项目复杂度递进——从简单网页，到完整网站，到带 API 的聊天机器人，到有数据库和后端的 Web 应用，再到移动端应用
- 只教现代实用技术：当下主流的语言、框架和工具，不学用不上的理论
- 真正的零基础友好：为"不知道 Terminal 是什么"的人设计，用类比和故事讲概念
- 个性化：根据你的兴趣设计项目，做你真正想用的东西
为什么这个方法比传统学习有效
传统 CS 课程的问题在于，它从抽象概念讲起，你学了半天不知道这东西什么时候能用上，然后就放弃了。这个方法反过来：先让 AI 帮你把东西做出来，看到成果之后再拆解背后的原理，最后给你小任务巩固概念。
这其实暗合了一个学习规律——有了具体的产品体验作为锚点，抽象概念才有地方挂靠。你不是在学"什么是 HTTP 请求"，而是在理解"为什么刚才那个聊天机器人能收到回复"。
实操建议
把上面的 Prompt 框架复制到 Claude Code 里，替换成你自己的背景和目标，让它生成完整的课程大纲。拿到大纲后，直接从第一个项目开始动手。每完成一个项目，你对代码的理解就会进一层，驾驭 AI 工具的能力也会跟着上一个台阶。对于已经在用 AI 写代码的人来说，这可能是补齐技术短板最高效的方式——不用从零学起，而是从你已经会的地方往下挖。