图 1：本文封面，点明主题「对话式编程」。
先想象一个场景。你想做一个记账小程序，功能就三个：记一笔、按月汇总、导出表格。你不会写代码，但你会把需求说清楚。几年前这条路到此为止，今天你可以打开一个 AI 编程工具，把这句话直接发过去，拿到第一版能跑的代码——这就是「对话式编程」：用自然语言描述需求，AI 生成代码，你负责验证和提修改意见，循环往复直到能用。
核心结论一句话
对话式编程不是「说一句需求，收货一个成品」，而是一个四步迭代循环：把需求拆小并描述清楚、AI 生成代码、本地运行验证、把报错或不符预期的现象原样喂回给 AI 修正。在这个循环里，AI 负责写，人负责想清楚和验收。零基础和资深程序员的差别，不在「会不会写代码」，而在「会不会拆需求、会不会验货」。
工具现在是什么形态
以两个主流产品为例。GitHub Copilot 官方定价页显示，它提供免费档（每月 2000 次代码补全、50 次对话请求）和 Pro（10 美元/月）、Pro+（39 美元/月）、Max（100 美元/月）等付费档，覆盖编辑器内补全、对话和 agent 模式等能力。Cursor 官方定价页则分为免费 Hobby 档、20 美元/月的个人档、40 美元/用户/月的团队档，主打以对话驱动的代码生成与修改。两家都在把「对话」从问答升级成「能自己改多个文件、跑命令、再自我修正」的 agent 形态。价格与功能随时调整，下手前以官方页面为准。
四步迭代法，一步都不能省
第一步，拆需求。「帮我做一个记账小程序」太大了，拆成「先做一个页面：一个输入金额和分类的表单，提交后存进本地列表」。需求越小，AI 的命中率越高。
第二步，生成。把拆好的小需求发给 AI，拿到代码。
第三步，运行验证。这一步是新手最容易跳过的，也是最值钱的：代码能跑吗？结果对吗？边界情况（输入负数、空值）呢？
第四步，反馈修正。报错信息不要复述、不要总结，整段原样贴回对话框，AI 对原始报错的定位远好过你的转述。然后回到第二步，循环。
拿记账小程序走一遍：第一轮你发「做一个输入金额和分类的表单，提交后存入列表」，AI 给出页面代码；你运行，发现提交后页面闪一下就清空了——这是表单默认跳转行为，你把现象原样发回去，AI 补上阻止默认提交的代码；再运行，负数金额也能提交，你追加「金额必须大于 0」的约束。三轮循环，一个能用的小页面就出来了。注意每一轮你只改一件事，这就是迭代和掷骰子的区别。
图 2：对话式编程的四步迭代循环与零基础注意点。
零基础的四个特别注意
一，需求拆小步。一个对话窗口解决一个小问题，完成后归档重来，上下文越短 AI 越不容易跑偏。二，每步都运行。不要攒三轮生成再跑，错误会叠加，定位成本指数上升。三，关键逻辑要看懂。你不需要会写，但要能读懂「这段代码在干什么」——让 AI 逐行解释给你听，这正是它最耐心的地方。四，密钥、隐私数据不进对话框。API 密钥、用户数据、公司内部信息，一律用占位符代替。
三个常见误区
误区一：描述越笼统越显得自己高级。「做个类似某宝的应用」得到的一定是废品，模糊需求换模糊代码。误区二：报错了就换个问法重新生成。不运行、不看报错地反复重试，是在掷骰子，不是在迭代。误区三：AI 写的代码直接上架。生成代码可能带安全漏洞（官方文档也提醒建议配合扫描与评审），发布前至少要让 AI 自查一遍安全问题，并找懂行的人过一遍关键路径。
给你的行动建议
今晚的最小闭环：选一个免费档工具，挑一个真实小需求（比如「把一段文字按句号拆分成列表」），完整走一遍四步循环，故意制造一次报错并原样喂回。你会发现瓶颈从来不是 AI 的编程能力，而是你把需求想清楚、把现象说准确的能力——好消息是，这个能力练一次就长一截。
你用 AI 写出的第一个能跑的小工具是什么？中间踩过最离谱的坑是什么？欢迎分享。
参考资料
- GitHub Copilot Plans & Pricing（免费档额度 2000 次补全/50 次对话、Pro 10 美元/月、Pro+ 39 美元/月、Max 100 美元/月、agent 模式与 IDE 支持范围） — https://github.com/features/copilot/plans
- Cursor Pricing（Hobby 免费档、Individual 20 美元/月、Teams 40 美元/用户/月、Enterprise 定制） — https://cursor.com/pricing