前阵子跟几个做后端的朋友吃饭聊到一个挺有意思的话题如果以后大部分代码都是 AI 写的那我们还需要学编程吗有人半开玩笑地说那以后就只剩“会提问的人”和“不会提问的人”了。我当时没接话但心里其实有个更具体的判断——AI 写得越多Python 反而越像一门人人都得会一点的语言。这个结论乍一听有点反直觉。毕竟 AI 都能写代码了为什么还要自己学下面我结合自己这两年的实际使用体验聊聊为什么我越来越觉得 Python 是那个“绕不开”的选项。一、AI 生成代码本质上是“把需求翻译成可执行逻辑”先说清楚一件事AI 写代码不是凭空变出来的它需要你把问题描述清楚。而描述问题这件事恰恰和编程思维强相关。举个很常见的场景。你想让 AI 帮你处理一批 Excel 文件把每个表里“销售额”大于 1 万的记录挑出来汇总。如果你只会说“帮我处理一下表格”AI 大概率给你一段似是而非的代码跑起来各种报错。但如果你能说清楚“读取目录下所有 xlsx遍历每个 sheet筛选某列数值最后合并输出”效果就完全不一样。这种“把模糊需求拆成明确步骤”的能力其实就是编程训练出来的。而 Python 因为语法接近自然语言是大多数人建立这种思维的第一门语言。你不需要先搞懂指针和内存管理就能把注意力放在“逻辑怎么组织”上。二、AI 产出的代码最终还是要有人能看懂、能改我见过不少同事用 AI 生成一段脚本跑通了就扔进项目里结果过两个月出了 bug自己都看不懂当时那段代码在干嘛。这不是 AI 的问题是“验收能力”缺失的问题。AI 给的代码不一定对也不一定适合你的场景。你得能读懂它、判断它、必要时改它。而 Python 的可读性在这里优势很明显——缩进强制、语法干净一段 AI 生成的 Python 代码稍微有点基础的人就能顺着读下来。比如下面这段是 AI 经常给出的典型数据处理代码import pandas as pd from pathlib import Path def summarize_sales(folder: str, threshold: float 10000) - pd.DataFrame: 汇总目录下所有 Excel 中销售额超过阈值的记录 frames [] for file in Path(folder).glob(*.xlsx): df pd.read_excel(file, sheet_nameNone) for sheet_name, sheet_df in df.items(): if 销售额 not in sheet_df.columns: continue filtered sheet_df[sheet_df[销售额] threshold].copy() filtered[来源文件] file.name filtered[工作表] sheet_name frames.append(filtered) if not frames: return pd.DataFrame() return pd.concat(frames, ignore_indexTrue) if __name__ __main__: result summarize_sales(./data) print(result.head()) result.to_excel(./汇总结果.xlsx, indexFalse)这段代码不算复杂但如果你完全不懂 Python连glob是干嘛的、sheet_nameNone为什么返回字典都搞不清那 AI 给你再好的代码你也只能干瞪眼。能读懂才谈得上修改和复用。三、AI 工具链本身大量以 Python 为入口这一点可能比想象中更关键。现在主流的 AI 生态从模型训练、微调到数据处理、评测Python 几乎是默认语言。你想调用一个大模型 API官方示例大概率是 Python你想跑个开源模型README 里第一条命令往往是pip install。哪怕你只是想把 AI 接进自己的小工具里也绕不开 Python。比如用几行代码调一次接口import os from openai import OpenAI client OpenAI(api_keyos.getenv(API_KEY)) def ask(prompt: str) - str: resp client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: prompt}], temperature0.3, ) return resp.choices[0].message.content if __name__ __main__: print(ask(用三句话解释什么是向量数据库))这种代码门槛低到几乎为零但它带来的改变很大你不再只是 AI 的“使用者”而是能把 AI 嵌进自己工作流的人。这个差别在半年一年后会被拉得很开。四、别把“学 Python”理解成“当程序员”我特别想强调这一点。很多人一听学编程就头大觉得那是科班出身才干的事。其实不是。未来学 Python 更像学 Excel、学英语——它是一项通用工具技能不是职业门槛。你可能是运营需要批量处理数据可能是产品想快速验证一个想法可能是财务想自动化对账。这些场景都不需要你成为工程师但需要你能写出几十行能跑的脚本并且能看懂 AI 给你的东西。我自己的习惯是遇到重复劳动先想“能不能用脚本解决”然后让 AI 帮我起草我再改。这个过程里Python 基础决定了我是“被 AI 牵着走”还是“指挥 AI 干活”。五、给想入门的人一点实在建议别从语法书啃起。直接找一个自己真实的小需求比如整理照片、合并表格边做边查。把 AI 当结对伙伴不是答案机。让它解释代码、指出问题而不是直接复制粘贴。重点练“读代码”。能读懂别人或 AI写的代码比能默写语法重要得多。先跑通再优化。别一上来就追求优雅能解决问题就是好代码。写在最后“95% 的代码由 AI 生成”这个说法可能有点夸张但方向大致没错。真正的问题不是“还要不要学编程”而是“当写代码变得便宜什么能力变得更贵”。我的答案是把问题讲清楚的能力以及看懂并改造 AI 产出的能力。而 Python恰好是训练这两种能力成本最低的入口。所以与其纠结 AI 会不会取代程序员不如先花一个周末用 Python 把手上那件重复的破事自动化掉。你会发现刚需这个词不是喊出来的是用出来的。