使用桌面Agent一个多月，我前后尝试了好几个平台。
Codex后台能够确认的Token消耗，已经超过4.4亿。Kimi我开的是199元一个月的第三档会员，原以为这个额度对于个人使用应该相当充足，结果只用了五天，整个月的共享额度就见底了。
Kimi并没有公开这档套餐对应的准确Token数，所以我没办法严谨地计算，自己跨平台到底用了多少。和那些每天用AI开发产品的工程师、运营公司的团队相比，4.4亿或许也算不上特别夸张。
但问题是，我甚至不觉得自己用得有多勤快。
很多时候，我只是让Agent帮我整理观点、研究资料、写文章、生成图片，或者尝试做一些游戏和小程序。
没想到这些任务背后的多轮对话、文件读取、工具调用和反复修改，会如此迅速地消耗额度。
看着这些数字，我的第一反应不是“AI太贵了”，而是：我是不是该学点代码了？
几个月前，我绝对不会产生这个想法。
我学代码，不是为了成为程序员
我平常画画、写作、摄影、做内容，从来没有把学习代码放进自己的计划里。
以前我甚至觉得，既然AI已经可以写代码，普通人就更没有必要学了。我们只要说出自己的需求，让AI完成不就行了吗？
真正大量使用Agent以后，我才发现：AI会写代码，不等于我完全不需要理解代码。
比如我让AI做一个小游戏或者网页，第一版通常很难完全符合想象。
我可能会说：“这个按钮的位置不太对”“这里再好看一点”“这个互动效果不是我想要的”。
这些话在人听来似乎能够理解，但对于软件来说仍然非常模糊。
什么叫“好看一点”？是颜色、字号、间距，还是动画节奏？
什么叫“位置不太对”？要向左移动多少，是相对整个页面，还是相对旁边的元素？
什么叫“不是我想要的”？是触发条件不对、执行顺序不对，还是原来的逻辑就错了？
如果我无法说清这些差异，就只能让AI继续猜。
它改一版，我看一下；不对，再让它改一版。每一次修改都像在抽卡，有时第二次就抽中了，有时来回很多轮，结果仍然不稳定。
烧掉的不只是Token，还有时间和耐心。
所以，我想学代码，并不是为了转行成为程序员，更不是为了从零手写一个复杂的软件。
我只是希望自己能够做到三件事：
- 大概看懂AI交付了什么。
- 知道问题可能出现在哪里。
- 在修改细节时能够说得更准确。
最好，一些小地方我自己就能改掉。
代码对我来说，不再只是程序员的专业技能，而是一种与Agent沟通时更加直接、更加精确、歧义更少的语言。
AI没有让我少学，反而让我知道该学什么
很多人担心，AI会让人越来越懒。
既然文章可以让AI写，图片可以让AI生成，代码也可以让AI完成，我们还有什么需要学习的？
但我这一个多月的感受恰好相反。
AI没有让我停止学习，而是不断让我看见，自己下一步需要补什么。
过去，我也知道学习代码可能有用。但“可能有用”是一个非常遥远的理由，很难产生真正的行动。面对陌生的语法、符号和课程，很容易还没开始就放弃。
现在不同了。
我刚看懂一个样式参数，可能马上就能修改页面的颜色和间距；刚理解文件之间的关系，下一次就能告诉AI应该检查哪个位置；刚学会看一条报错信息，可能就能少浪费几轮对话。
每学一点，都能立刻用上。每解决一个问题，又会自然冒出下一个想学的东西。
我听王润宇在一次分享中提过一个判断，大意是：几年前，你让老板亲自拍短视频，很多人会觉得不可能；现在，越来越多老板都开始拍短视频、做个人IP。
今天你让老板学习代码，他们可能仍然会觉得没有必要，但未来几年，这件事也可能逐渐发生。
代码正在从“程序员用来生产软件的工具”，逐渐变成普通人与Agent共同完成数字化工作的接口。
我把这个判断听进去了。
我不确定未来是不是每个老板都会写代码，但我相信，越来越多非程序员会需要一点基本的代码理解能力。
不是为了转行，而是为了看懂Agent做了什么，判断它做得对不对，并提出更准确的修改要求。
有些判断，我暂时没有能力验证。但如果它来自自己长期信任的人，又恰好解释了当下正在遇到的痛点，我愿意先听话照做。
先下场，再边做边验证。
普通人可以怎样开始学代码？
当然，决定学习代码和真正学会代码，中间还有很长的距离。
我也不准备先找一套完整课程，从第一章一路学到最后。对我来说，更合适的方式仍然是“先做后学”。
先选择一个自己真正想做的东西：一个小游戏、一个简单网页、一项内容管理工具，或者一个能解决日常问题的小程序。
让AI先帮我做出一个能够运行的版本，然后请它解释：这个项目有哪些文件，每个文件负责什么；如果要修改颜色、增加按钮或者改变互动效果，具体应该改哪里。
我给自己设定的第一个目标不是“学会编程”，而是先完成几个更小的动作：
- 看得懂项目的大致结构，知道HTML、CSS和JavaScript分别在负责什么。
- 能够根据AI的说明找到一段代码。
- 看见报错时，知道应该把哪些信息提供给AI。
- 遇到简单的颜色、文字和间距调整，可以自己动手试一试。
先学会看，再尝试改；先解决一个眼前的问题，再理解一个新的概念。
这样，AI本身也可以成为学习代码的陪练。
它不只替我写，还可以逐行解释、提供练习、检查修改，并告诉我为什么会出错。
这与传统的“先把理论学完再去实践”不太一样。它更像是在真实项目里不断遇到问题，再从问题里长出学习需求。因为马上能用，所以反馈更快；因为问题来自自己，所以动力也更真实。
4.4亿Token，不是战绩，是学费
回头看，这4.4亿Token并不是一项值得炫耀的使用战绩。
它更像一笔学费。
它让我看到，自然语言虽然降低了使用AI的门槛，却仍然有模糊的边界。
如果需求说不清、交付标准不明确，Agent就只能不断猜测，使用者也只能反复抽卡。
为了减少这种浪费，我开始训练自己的表达：先说明目标，再交代背景、限制条件、交付形式和验收标准。
这种训练也在慢慢反哺我的日常沟通。
现在我跟AI说一件事，会比过去更有结构；而当我与人交流时，也会更习惯先想清楚：我到底想解决什么，希望对方交付什么结果。
这并不与“你不必成为专家，也能借助AI完成专业任务”矛盾。
你不必先成为程序员，才有资格做游戏、网页和小程序。但当你真正开始做这些事情，也可能自然产生了解一点代码的愿望。
AI降低了行动的门槛，行动又反过来激活了学习。
做游戏、做小程序、写文章、生成图片也是一样。很多想法并不是我提前规划好的，而是在与AI协作的过程中，一点点长出来的。
我原以为AI会让我少学一点。
真正深度使用之后才发现，它反而让我不断看见新的能力缺口，并且产生了把这些缺口补上的愿望。
这可能就是“与AI共长”真正有意思的地方。
AI并不是替我长出所有能力，而是在一次次真实协作中，让我看见自己接下来应该长出什么。