最近，一个仿真行业的朋友告诉我，他想做一个知识库，把一些私有文档开放给客户，让客户可以通过 AI 检索文档并回答问题。
他没有 IT 相关的经验，他们公司也没有 IT 团队，按照以前，他们要实现这个可能得找外包。但是我跟他说，你完全可以把你的需求告诉 AI ，让 AI 来分析需求、设计方案和代码实现。他起初不觉得这是一件很容易的事情，但我清楚，这在今天，理论上是行得通的。
我也想知道，一个没有 IT 经验的人，能否在 AI 的帮助下，构建出一套可行的知识库系统并真正部署上线。所以我只引导他怎么去写提示词，短短 2 天，他从框架设计到代码实现，完成了一个基于知识库的对话应用和 MCP 服务的开发。接下来，我想用同样的方法，引导他如何购置服务器，怎么把项目部署到服务器上，怎么做域名解析，让这个项目真正实打实地为用户提供服务。
这个过程，验证了非程序员借助 AI 构建一个系统这条路是行得通的，甚至，比传统的程序员更具有优势。
为什么有优势？
第一，代码不再是护城河。
现在的 AI 已经把写代码这个门槛给彻底抹平了。比如做一个垂直领域的知识库或者是配套的 MCP 服务，底层的架构设计和代码实现几乎已经标准化。以前非技术人员面对写代码这个问题只能望而却步，但现在，只要你有一点学习能力，AI 就可以手把手地把你的需求落地成代码，并告诉你怎么运行。今天，写代码的能力已经不是决定一个系统成败的重要因素。
第二，跨过了“需求传递”的漫长损耗，实现了极短的反馈闭环。
以前做开发，业务方提需求，产品经理写 PRD，程序员写代码，最后测试排 Bug。外包的话，沟通链路更长，经常是做出来的东西不是甲方想要的。 但他现在直接用“人话”给 AI 下指令。他心里想的是什么业务逻辑，AI 当场就转化成代码。遇到跑不通的地方，直接把错误日志复制粘贴给 AI, AI 马上改；或者发现逻辑不符合实际使用场景，他也直接跟 AI 说哪里不对，AI 就能立刻改进并验证。这种单人闭环的迭代速度，是任何外包团队都达不到的。
第三，质量保证，终究要靠懂业务的人来做。
大模型应用最麻烦的问题是幻觉。系统跑起来之后，客户问了一个生僻的仿真问题，AI 生成了一段回答。
很多行业的门槛极高，比如仿真，需要很专业的背景知识。找个外包程序员来做，他看满屏的专业术语完全是懵的，更别说那些专业公式。至少我看着是懵的，就算让我去做，我只能测测接口通不通，AI 有没有去查询知识库。但 AI 回答得准不准，说实话，我真的不知道。
只有懂行的人（比如我这位朋友），扫一眼结果就能甄别对错，进而去微调提示词或者补充知识库。在这个环节，行业经验是不可替代的。
过去的软件开发，是业务方求着程序员把逻辑落实到代码中。现在大语言模型把底层编译的活儿给干了，只要你懂业务逻辑，能判断输出对错，你就能用 AI 把系统搭建起来。
当然，系统架构在高度复杂的场景下依然有巨大价值。但在大多数中小规模应用场景下，我相信 AI 给出的架构方案已足够，懂业务、懂数据的人开始掌握更多主动权，这也是非专业程序员能凭借敏锐的业务触觉“反超”传统程序员的底气所在。