第一课：从 “我问你答” 到”我说你做”
我的理解
本课用三个阶段勾勒了 AI 协作范式的演进：ChatGPT 的”我问你答”只能给文字和思路，Copilot/Cursor 早期的”我说你写”实现了行内补全但仍止步于代码生成，而 2024 年底兴起的 Agentic AI（Devin、Agent Cursor 等）则把”我说你做”变成现实——AI 能自己装依赖、跑脚本、debug 直到交付成品。关键洞见是 Agentic AI 把”写代码”降级为实现目标的中间环节，人只需关注结果而非实现细节，从”AI 出菜谱、人下厨”变为”AI 从买菜到炒菜全包，人只品尝成品”。这一转变对生产力与角色分工都是一次深层冲击，也解释了为何这门课程要在当前时间点强调”机会窗口”。
相关链接
- Ch01-L00 引言 — 课程开篇，提出机会窗口
- Ch01-L02 Agentic AI的范式转变 — 系统化阐述范式飞跃
- Ch01-L03 三大核心特征 — 支撑”我说你做”的三大能力
- Ch01-L04 典型案例回溯 — 范式落地的真实案例
原文
Lesson 2 of 18 第一课：从 “我问你答” 到”我说你做”【视频 2】 大家好欢迎来到真正 a Show transcript ChatGPT：我问你答
如果你回想 2023 年年初的那个时间点，几乎所有人的社交网络上都在讨论同一个话题：ChatGPT。那个时候，你打开朋友圈、Twitter、知乎，甚至公司内部 Slack，你都会看到各种花式“炫技”的 Prompt：有人让 ChatGPT 写一首藏头诗、有人让它做一道高数题、还有人半开玩笑地问 ChatGPT 能不能接管人类。那个阶段，大家普遍认为 ChatGPT 特别“神”。在短时间内，这个工具让许多普通人第一次真正见识到大语言模型（LLM）在自然语言理解和回答层面上的强大。而我自己在那段时间，也的确被 ChatGPT 惊到过：它竟然能在几秒钟之内，写出一篇结构完整的散文、帮我起草一段开源项目的 Readme，甚至配合 Markdown 语法呈现出相当漂亮的排版。那种“我问你答”的直接爽快，很快让 ChatGPT 在短时间内积累了巨量的用户。
然而，随着几个月的新鲜感过去，慢慢地，很多用户会开始发现：ChatGPT 固然可以在对话中输出一段又一段高质量甚至有文采的文字，但它并不能直接处理更复杂的目标。它能输出一段 Python 代码，却没法真的去执行它；它能告诉你怎么做一张股票对比图，却没法自己把这张图画出来。即使是加入了网络搜索等功能，这依旧是一种“我问你答”的模式，只不过它从自己的“大脑”里答不出来，就去网上搜了一段参考资料，再转述给你。这固然比传统搜索引擎多了一层自然语言处理，但本质上依然需要人类去整合、去执行各种后续操作。
一个典型的小故事是，我当时想要做个简单的可视化：对比一下过去五年亚马逊和谷歌的股票走势。我先问 ChatGPT：“你能不能帮我做个对比图？”它立马给出一个听起来头头是道的回答：“由于我没有访问外部数据的能力，我只能给你一个示例……”。说白了，它就只能把可能的数据结构或者代码片段摆给我，却不能真的把股票行情抓出来、再画出图表。
要让 ChatGPT 给出真实的股价数据，我还得人工去下载 CSV、人工再写一段代码，然后自己去执行，最后拿到图。整个过程里，ChatGPT 只是在对话阶段提供了一个“思路建议”或者“参考代码”，并没有真正省掉我在执行层面的工作量。这就是“我问你答”模式最核心的局限：AI 只能给你文字和想法，后面的实现依然要人去补全。
Copilot/Cursor：我说你写
这种局限在最初可能不显得如此明显，因为 ChatGPT 本身带来的震撼就已经足够大：毕竟，之前我们很多人都还没见过如此流畅且“通情达理”的 AI。但随着时间推移，人们对生产力和效率的需求进一步提高，尤其是程序员、数据分析师这些群体，会愈发清晰地体会到“答案只是一半，能不能自动执行才是真正的效率解放”的渴望。与此同时，ChatGPT 那种纯文字回答模式也暴露出幻觉（hallucination）的种种问题：当 AI 编造了一些不真实的引用文献，或者写出一段带有逻辑缺陷的代码，人类还得多花时间来校对和修正。看起来好像“我问你答”还给我们带来了额外负担。
在 2023 年上半年，大家开始在 ChatGPT 的基础上进行各种衍生尝试。比如有人用 GPT API 写了个小脚本，让 ChatGPT 生成 Python 代码后，自动保存到本地再执行，试图做一个“自动化端到端流程”。还有人开始给 ChatGPT/GPTs 连接不同的插件，如搜索插件、抓取网页的插件、甚至在线执行命令行的插件。这一系列努力其实都想把 ChatGPT 从一个纯文字的回答者，变成一个更主动、更脚踏实地去做事的帮手。但在实操中，大家往往发现：这样拼凑出来的流程并不稳定，而且经常需要在多个 App 或多个插件之间来回拷贝。时间一长，那种“还是我在为 AI 打工”的无力感又出现了。
也就是在这种背景下，Copilot 以及一系列类似的“自动补全”工具，迅速走入大众视野。GitHub Copilot 一开始并没有让大家想到“AI 的突破”，但它在实际编程中的效率提升却实实在在。比如你在写一个函数，还没敲完关键逻辑，Copilot 就给出了自动补全，一键 Tab，你就能省下敲几十行代码的时间。
这甚至衍生出了一种新的编程方法：注释驱动编程。你只要在函数前写一句“# 该函数用于解析网页中的链接并返回字典结构”，Copilot 就自动把相关逻辑写好，效率非常可观。当时很多程序员都说“真香”，因为它变成了一种“我说你写”的用法：写注释，AI 来补完代码。与 ChatGPT 对比，Copilot 并不擅长回答一些通用常识问题，也不能给你做“人生建议”，但它在特定的场景——也就是编写代码——方面足够高效，且整合到了 VS Code 或其他 IDE，完全不需要你反复切换界面。这让人们对“AI 可以干实事”这个愿景又多了一分信心。
可是，等我们在 Copilot 里写了一段大功能、或者想修改多文件时，你会发现它依然只能帮助你局部补全。如果你要进行跨文件、全局的项目级重构，或者你要把写好的代码拿来执行、出结果，还是要你人工去做一堆粘贴和切换操作。于是，在 2023 年底就有了 Copilot Chat、Cursor Chat 这类产品的诞生，它们尝试在 IDE 里内置一个 Chat 窗口，希望用自然语言来批量改动多文件。这很明显是一个更进化的形态，因为你只需要在 Chat 窗口说一句“给我把所有函数都加上 docstring、并统一改成 async”，AI 就能一键搞定。你不必在每个函数头上写注释让 Copilot 猜，而是更明确地告诉 AI 自己的意图，让它一次性完成大批量操作。
这个时候，我们体会到的效率会大幅提升，有点像从“小工”进化到“包工头”——包工头一声令下，小工们各自干活，再把结果汇总起来。可即便如此，AI 并不会真的去跑这个代码，也不会自己安装依赖，更不会进行自我 debug。你还是要手动编译运行、把错误信息截图，再贴回 AI 看看它能不能帮你解决。
到这里，我们看到：传统 ChatGPT 之类的对话式 AI，让我们从“Google 搜索 + 人工整合”进化到“我问你答”，能省下不少阅读与整理资料的时间；而 Copilot 或 Cursor 早期版本等自动补全工具，又让程序员们从“我问你答”进化到“我说你写”，切切实实地提高了代码撰写的速度。在这两个阶段中，AI 都在不停给我们惊喜，但也都还没触及到“自动执行”这个层次。
我们真正想要的是一个能把繁琐的重复劳动彻底接管、能从头到尾把事情做完的 AI。假设你能对它说：“给我在当前项目里搞一个自动化分析，把过去五年几家科技公司的股票抓下来，做个比较，然后画一张图。如果抓数据时发生错误，你自己想办法 debug，直到成功。”在这个想象场景里，你完全不用手动安装依赖，也不用贴错误日志过去给它看——AI 自己就干了。这种愿景在 2023 年时看上去还很遥远，大多数人都认为 AI 只能输出文字，不可能真的自己执行命令、管理代码、修复错误。
Agentic AI：我说你做
然后，到了 2024 年底，市面上开始冒出一些名为“Agentic AI”的产品，或者说“多步决策 AI”，其中最典型的就是 Devin、Agent Cursor、Windsurf 等等。这些工具共同点在于：把 AI 与操作系统、终端命令行、外部工具深度整合，让 AI 能自己选择调用何种工具，并且在执行结果的基础上进行下一步决策。也就是说，如果在执行某个命令时遇到错误，它不会傻傻停住，而是会自己去分析报错信息，再修复脚本重新执行，一直到跑通为止。
最早有人把这种做法称为“AutoGPT”或“BabyAGI”，可那些实验性质的开源项目往往不够稳定，或需要大量繁琐配置。而 Devin、Agent Cursor 等则进一步完善了产品化，让你在一个统一界面里下达指令，AI 直接去跑命令、写代码、进行多轮迭代，最终把你要的成果交付出来，甚至中途都不需要你做多少手动操作。
如果说 ChatGPT/Claude 是“我问你答”，Copilot/Cursor(早期) 是“我说你写”，那么 Agentic AI 就是“我问你做”——你可以直接把任务结果作为需求告诉 AI，它就会自己设计思路，自己去执行，一步步完成目标。这个范式真正让人感到“哇，AI 终于不仅仅是个语言模型或代码提示工具，而开始像一个实习生或助理，可以实打实地完成一些工作量不小、环节众多的任务了”。
举个实际案例：在 Agent Cursor 里，我试过用一句话让它帮我画那张谷歌和亚马逊的股票对比图，不仅要把两个股票价格起点对齐，还要带有可视化、带趋势线。结果它就自己创建 Python 文件，自己安装需要的库（pandas、matplotlib、yfinance 之类），遇到少装依赖时自己改 requirements.txt，再跑一次，直到输出一张 .png 文件给我。我从头到尾几乎没干什么，只是把结果图拿过来贴到我的文档里。
这与过去 ChatGPT 给你一段 Python 代码可太不一样了——ChatGPT 出的那段代码要我去复制、去装库、出错了再贴回去问它怎么改。而现在在 Agentic AI 工具里，就好像跳过了这所有繁琐步骤，AI 自己就把程序跑通了。你只需要确认最终成果好不好就行。
另一个更有意思的例子是给图片加圆形遮罩。按过去的经验，我或许会想到用 Photoshop 或一些在线网站去做；但现在，只需要对 AI 说：“我有这张头像，想给它加一个圆形遮罩，并且去掉背景”，AI 就写了个命令行脚本，调 Pillow 或者 ImageMagick 之类的东西执行。如果第一次尺寸或效果不符合预期，你告诉它“再大一点”或“颜色柔和一点”，AI 又会改脚本重试。一来二去，几轮迭代后就能得到一张满意的透明 PNG。整个过程，人也没离开过一个 IDE 界面，甚至没有手动去找啥图像处理软件，就让 AI 给包办了。
从这个角度看，Agentic AI 彻底把“写代码”当成了实现目标的中间环节，而不是最终交付物（deliverable）。我们需要和关注的是结果，而非一堆实现细节。过去 ChatGPT/Copilot 那种“写好代码再给人类去执行”的模式，就仿佛是做饭前先让 AI 提供一道菜谱，而人类必须亲自下厨；如今 Agentic AI 则如同一个真实的厨房助理，从买食材到洗切炒全包了。你只要说你想吃什么，AI 就端出成品让你品尝——这当然会带来更大的冲击和更深层次的思考。