三种观点 · 十七个角度 · 深度碰撞
你以为帮朋友装个 Claude Code、发几个教程链接、说一句「你慢慢学哈」，就是对他好？
你错了。
我要告诉你一个市面上 99% 的 Claude Code 教程不会说的真相：
对于一个编程零基础、全职做医学科研的人来说，「自学 Claude Code」这件事的成功率，不到 10%。
不是他不够聪明。不是他不够努力。是这件事的难度被严重低估了，而他的时间和心力被严重高估了。
这篇文章会花你 15-20 分钟。
我会用十七个角度——我自己做了大量调研、碰撞了各种角度、加上我自己的判断——告诉你：为什么「我直接帮他做好 Skills，再慢慢教他」是压倒性的最优解，以及这件事对你自己也有很大的意义。
前半部分是诊断：为什么自学行不通。
后半部分是方案：怎么做，以及你能收获什么。
准备好了。我们开始。
你的朋友有两个目标：学编程，用 Claude Code 辅助科研。
大多数人的直觉是：先学编程 → 再用工具。
反过来。
先用工具出成果 → 建立信心 → 再回头学原理。
为什么？
因为他需要的那个「文献检索 Skill」，不是什么高深的编程项目——它就是一个工具。今天装上，明天就能省三天的活儿。
学编程可以是一年的事。
用 Skill 是今天的事。
这两件事不矛盾，但优先级必须分清。
Reddit 上好多生信研究员分享过一样的经历：纯自学半年一篇分析都没产出，有人带着 pair-programming 两周就跑通了临床数据 pipeline。
这不是偷懒。这是「有人带」和「自己摸索」的效率差。
你帮他做好 Skills，让他第一周就拿到实实在在的产出——文献综述初稿导师看了点头了——那个信心建立起来，比什么教程都管用。
信心是学习的前提，不是学习的结果。
没有信心，连开始都难。
他说「我慢慢学」。
你信了？
让我告诉你「慢慢学」的真实情况：
这不是我瞎说。编程教育圈子里公认的「tutorial hell」——教程地狱，就是这个死循环。
真正的「慢慢学」只有一种方式能成立：先有一个已经跑通的基础，然后在使用过程中慢慢搞懂原理。
先看到它跑起来了，再去问「这玩意为啥这么写」。
把顺序反过来——先学完再用——基本没戏。
自学有个前提。
就是你得知道自己需要学什么。
但他现在啥状态？
这种状态叫啥？不知道自己不知道什么。
在这种状态下自学，效率约等于零。
因为他连「下一步该学什么」都定义不了。
他需要的不是教程，是有个人帮他理清楚：你现在在哪，下一步干什么。
这就是你的价值。
市面上的 Claude Code 教程确实多。B 站保姆级视频、知乎全攻略、YouTube 零基础系列——一搜一大把。
但这些教程有一个致命问题：
它们只告诉你一条顺利走通的路。
写教程的人是成功者，他展示的是「我做到了」。
但现实是什么？
现实是他跟着教程一步一步操作，到第三步就报错了。而且这个错跟教程上的完全不一样——可能是他电脑系统版本不同，可能是某个软件版本冲突，可能是中文路径导致的问题，可能是网络原因连不上。
写教程的人根本不会遇到这些问题，因为他们的环境跟他不一样。
所以教程里不会写「如果你在这步卡了怎么办」。
但小白遇到的问题偏偏就是这些。
Reddit 上有个真实故事：一个用户卡在「AI 改了文件但 Git 不认」上整整三天，查了无数帖子、问了社区，愣是靠自己解不了，最后心态崩了。
这件事的核心不是说教程不行。核心是：
他得先摆正一个心态——在学这个东西的过程中，一定会遇到各种离奇的 bug。这些 bug 可能只有他才会遇到，可能非常小众，可能写教程的人根本想不到。他自己大概率解决不掉。
这时候他需要什么？
一个能帮他兜底的人。
不是教程。不是文档。不是社区。
是一个他能直接问的、看得懂他终端报错的人。
刚好——你就是那个人。
还有一个更头疼的事：
Claude Code 不是一个「学一次就会」的东西，它一直在变。
每次大版本更新，AI 的行为方式、工具怎么调用、上下文怎么管理，都可能变。Reddit 上一大堆人吐槽：「YouTube 教程写的时候还好，我看的时候 AI 的表现完全不一样了。」
教程的有效期可能只有两三个月。官方文档都经常落后一两个月。
一个全职做医学科研的人——
他根本没有精力去追这种更新节奏。
你可以。他不行。
这话不好听但得说：
很多人看教程，不是在学——是在给自己一个「我在努力」的心理安慰。
看完了觉得自己学了。关上视频打开终端——一行命令都敲不出来。
网上到处是这种帖子：「我看了 20 个 Claude Code 教程，觉得自己挺牛了，结果打开终端直接傻眼。」
为啥？
因为看教程是「看别人做」，跟「自己做」是两码事。
看教程 = 看了一场手术直播 → 觉得自己会开刀了。
用 Skills 做一个真实的文献检索任务 = 亲手做了一台手术 → 你是真会了。
真正有用的不是「看了多少教程」，而是「跑通了多少个真实任务」。
这条对他杀伤力特别大。
学医的人思维模式是什么？「查文献 → 穷举证据 → 确认无误了才敢动手」。严谨。完美。不能出错。
编程的思维是什么？「先跑起来再说，报错了改就行，很正常。」
这两种思维是冲突的。
当他看到一个红色的报错信息，他的第一反应不是「哦，改一下就好」——他的第一反应是慌了。
然后他会怎么做？
回去看教程。
学一大堆什么「agentic workflow」「RAG」「tool calling」这些专业名词。
觉得自己还没准备好。
不敢动手。
这个死循环在 Reddit 上被无数人精准描述过：「用 AI 写代码其实很折磨人，一出 bug 就怀疑自己，然后又去看一堆概念，越看越觉得自己啥都不会。」
你帮他做好 Skill 的意义就在这——他不需要面对报错，他只需要面对一个已经跑通的工具。
恐惧感和陌生感，直接跳过了。
直接上数据。
| 项目 | 自学得花多少时间 | 他实际能挤出多少时间 |
|---|---|---|
| 学终端基本操作 | 5-10 小时 | 每天最多 30 分钟碎片时间 |
| 装好 Claude Code + 配 MCP | 3-5 小时（一切顺利的话） | 卡一次就是半天 |
| 搞清楚 Skills 是什么、怎么用 | 2-3 小时 | — |
| 遇到第一个报错然后解决它 | 1-10 小时不等 | 大概率在这里放弃 |
| 加起来保守估计 | 20-40 小时 | 得花 2-3 个月 |
你帮他做：你花 2-4 小时，他花 0 小时就能开始用。
效率差：10 到 20 倍。
Reddit 上零基础用户说啥的都有：「学了两周想砸电脑。」「上班忙成狗根本不可能靠自学坚持。」
即使那些天生喜欢折腾的人，也经常要三到六个月才摸出门道。
而他——每天课题、实验、论文、导师的活儿压着——
心力和精力根本不可能有。
大家嘴上说「Claude Code 很简单」。
实话？对不是技术背景的人来说，光看教程真的学不会。
「帮他做不是花他更多钱吗？」
事实恰恰相反。
但我不想把这事说得太美好——你帮他做，也不是说每次一发入魂。
实际情况是这样的：
他每次提过来的都是一个新需求——比如「帮我做个 PRL/AR 相关的文献检索 Skill」。这个需求你自己之前也没有完整跑通过，你也需要花不少时间测试、调 prompt、换思路、反复试。
有时候一个 Skill 要试好几个方向才能找到最优解。这个过程你也消耗 Token，也不轻松。
但区别在哪？
你有长期的实战经验。你知道大概往哪个方向试。你踩过的坑比他多得多。你遇到报错能快速定位问题而不是懵逼。
而他是纯零基础——走弯路的概率更高、 prompt 写得不精准导致 AI 疯狂循环、反复试错的次数更多。
所以不是说你能「精准操作一步到位」——没有那么夸张。
是说同样一个需求，你的 Token 消耗大概是他的二分之一到五分之一。 因为你走的弯路比他少，但你也走弯路。
总的来说：他报销 Token，你来做——整体花费比他自己做要少，而且产出质量高得多。
Claude Code 这个东西本质上是个会读写你电脑文件的 AI 助手，而且它的数据会走云端。
医学科研经常涉及患者数据、病历信息、临床样本数据。
一个不懂数据安全法规的人——
他根本判断不了：这份数据能不能喂给 AI？
他不知道中国有《数据安全法》，不知道学术伦理审查（IRB）对数据使用有严格要求，不熟悉脱敏的标准流程。
万一不小心把一个没脱敏干净的患者数据丢给 AI 了——轻了论文撤稿，重了机构处罚甚至法律麻烦。
这不是吓唬人。
所以前期所有涉及数据的操作，必须 100% 由你来管。
具体怎么做：
这条没有商量余地。错一次代价太大。
AI 写的代码经常有一些不容易发现的小错误——比如统计方法的假设不对、某个包的版本不兼容导致结果偏差、随机种子没固定导致实验不可重复。
这种错误在医学科研里特别要命——论文审稿人一挑出来，整篇文章的可信度就完了。
怎么办？
分工。
| 谁来管 | 管什么 |
|---|---|
| 他的学术导师 | 研究方案设不设对、统计方法选得对不对、结论有没有逻辑问题 |
| 你 | 代码跑得对不对、有没有 bug、能不能重复出来、版本有没有问题 |
| 最终结果 | 两个人都过了眼才算数 |
导师审科研方向，你审技术实现。两道关卡都过了，产出才靠谱。
你甚至能在做的过程中反过来提建议——比如「这个统计检验的样本量够不够，我帮你跑一下 power analysis」——这种配合，他自己一个人做根本不可能有。
纯自学最怕的就是「代码看不懂也照样用」——那才是真正的定时炸弹。有你来 review，这个风险就兜住了。
这条很多人没想过：
他好不容易摸透了一套 prompt 技巧——结果 Claude 模型一升级，AI 的行为方式变了，之前的写法不好使了。
Claude 的更新有多快？几乎每个月都有变化。
你因为一直在用，随时能跟上这种变化，改改模板就行。
他呢？
隔了两个月再用，发现之前的东西不灵了——又得从头摸索。
然后又是那种熟悉的挫败感：「我学的东西又白费了。」
这个维护成本不是一次性的，是持续的。他一个人扛不住。
做医学科研的人，时间就是论文、就是基金、就是毕业能不能毕。
纯自学的话，前一两个月大概率不但没有产出，反而因为折腾工具把原来的科研时间给占了——生产力是下降的。
你先帮他搞定两三个核心工具，同时把操作过程录个屏讲解一下——他立马就能看到成果。
网上好多科研人员后悔过一件事：「早点让人带我，早就多发一篇 paper 了。」
他浪费在自学报错上的每一天，都是少做一天真正科研的代价。
这事很简单。
他报销 Token，不是在付你钱，是在保你本——让你帮他做事的时候不用自掏腰包。
就这样。
你们是朋友。他有一个你能帮上忙的问题，你有这个能力帮他。他出 Token 的费用，保你不亏，你出时间和技术帮他解决问题。
这中间没有什么甲方乙方，没有什么服务交付，就是两个人互相帮忙。
而你在这个过程中不是白干的——
你帮他做的 Skills 模板、prompt 写法、配置方案——这些东西不是用完就扔的。
先说一个事实：医学科研的工作流重复性非常强。 文献检索、数据清洗、统计分析、论文框架——几乎每个做科研的人、每个课题组，干的都是这一套。区别只在于研究方向不同，但底层流程是一样的。
这意味着什么？
你帮他做的这些 Skills，换个方向改改关键词，就能直接用在别的课题上。
你自己以后进实验室做科研，这些东西直接就是现成的。 不用重新做。你的导师要你跑一个文献综述？现成的 Skill。要你清洗一批临床数据？现成的 Skill。你直接改改就能上手。
你身边其他同学遇到类似的需求（很多人都会遇到），你也是改改模板就能帮上忙。
一开始帮一个人做，花的时间多。后面帮第二个人、第三个人，越来越快——因为你踩过坑了，知道哪些路走得通。
相当于你在帮他做的过程中，顺手积累了一套「医学科研 AI 工具包」。
这个东西对你自己做科研用、辅助导师用、教同学用，全都有用。 你不是在帮一个人——你是在帮所有以后要做科研的自己和同学。
说实话，这事儿你不亏。
你帮他做 Skill 的时候，你自己也在成长：
简单说就是：他的问题是你的练兵场。 你帮他解决问题的同时，自己也在变强、在积累、在给以后自己做科研铺路。
回头看。
十七个角度。
没有一个支持「让他自己看教程从零折腾」。
为什么自学行不通？
为什么也不能完全你来做、他啥也不学？
所以答案只有一个：你先接手 → 慢慢教 → 他逐步独立。
Skills：你来写，或者拿现成的 Skills 给他用。他就是纯用户——只管用，不需要懂原理。
你要帮他搞定的事：
关键心理策略：
这个阶段不要跟他说「你也得学编程哦」。
先让他用。让他第一周就用这个工具跑出一个文献综述初稿，导师看了觉得还行。
那一刻信心就建起来了。
后面想学的动力自然就有了。不需要你推着他。
Skills：他开始在你做好的 Skills 上自己小改——改改参数、调调模板、试着换一下 prompt 的写法。
你的角色：大量协助。看看他改得对不对，给他讲讲「为什么这样写」，解答他的问题。
新的需求他先自己描述、先自己试；搞不定再来找你。每周聊个半小时就行。
他可以凭兴趣去看一两个入门视频。不是为了「系统学习」，是为了回答他在使用过程中冒出来的好奇心。
Skills：他自己尝试从零写一个新 Skill——自己描述需求、写操作步骤、测试效果。
你的角色：只在他卡住的时候帮忙调试，做做 code review，平时不介入。
可以让他拿一个真实的课题数据做一次完整分析，从头到尾自己走一遍。
Skills：全部自己搞——写的、改的、调试的、维护的。
你的角色：偶尔答个疑，每个月聊一次看看有没有什么新问题。
整个过程有个安全机制：一旦他又开始焦虑了（不敢动手、反复看教程不实践、觉得自己学不会），就退回上一个阶段。不是退步，是保护——避免他掉进完美主义的坑里出不来。
说了这么多他能得到什么，你呢？
这不是单方面的付出。
| 你得到什么 | 具体说 |
|---|---|
| 实战积累 | 每做一个 Skill 都是真实场景练手，比看教程强十倍 |
| 教学的深化 | 把东西讲给别人听的过程，你自己的理解就更深了——好多盲点只有教的时候才发现 |
| 跨领域学习 | 你会接触到真实的科研问题（选题逻辑、数据瓶颈、统计方法），这些对你自己以后做研究有用 |
| 以后能教更多人 | 他身上积累的经验和模板，以后其他同学来问你的时候直接就能用 |
| 给自己的科研之路打底 | 你迟早要进实验室，这些实战就是提前准备 |
| 人际关系 | 帮朋友解决实际问题，这种信任和关系是真实的 |
| 成就感 | 看着一个零基础的人从「打开终端就害怕」到能自己做分析——真的挺爽的 |
| Token 费用没有负担 | 他报销费用保你不亏，你可以放心去试各种方案 |
帮他的过程就是帮你自己。 你在帮朋友解决问题的同时，自己也在变强、在积累、在为以后铺路。
投入的时间也是递减的：
前 2 周： ████████ 你花的时间多
第 2-3 月：████ 逐步减少
第 4-5 月：██ 偶尔帮一下
第 6 月+： █ 基本不用管了十七个角度。大量调研。各种角度的碰撞。
所有的结论指向同一个方向：
对于一个全职做医学科研、编程零基础的人来说，自学 Claude Code 的成功率极低。你先帮他做好 → 慢慢教他 → 他逐步独立，这是唯一现实的路径。
先打药。
不是偷懒。
是唯一能让他活到「学会自己打药」那一天的办法。
自学太慢了。恐惧感太强了。挫败感太强了。基本等于一步登天。
而你——帮他做好几个 Skill，投屏教他用，每周聊半小时——就是那个让他从「害怕」跨到「有信心」的台阶。
剩下的路，他自己会走。
你觉得帮朋友搭好 Skills、配好环境、手把手教他用——你是个好朋友？
我告诉你：你是在害他。
而且是那种他现在感谢你、三年后恨你的害法。
上一篇文章从 17 个角度论证了「代做是最优解」。
我现在从同样的 17 个角度，告诉你为什么每一条都是错的。
不是「有一定道理但不太对」。
是根子上就歪了。
这篇文章会花你 15 到 20 分钟。可能会让你不舒服。但如果你真的关心你那个朋友——一个编程零基础、全职做医学科研的人——请你读完。
因为你以为的「保护」，其实是「阉割」。
我们开始。
你帮他装环境、写 Skills、配 MCP、教他用。
看起来效率极高。
但你做的本质是什么？
你在替他体验「从不会到会」的全过程。
而这个过程——那些报错、崩溃、迷茫、然后突然搞通的瞬间——恰恰是学习这件事最有价值的部分。
你拿走了它。
你给他的是一个跑通的工具。
但你没给他的是：下次遇到新问题时，自己搞定的能力。
这叫什么？
这叫「你在的时候他是专家，你不在的时候他是废物」。
2026 年。
AI 已经把编程的门槛降到了有史以来的最低点。
他不需要学 Python。不需要背语法。他只需要用人话跟 Claude 说：「帮我把这个 Excel 清洗一下，然后画个散点图。」
Claude 会帮他写代码、跑代码、修 bug、解释每一步。
他唯一需要学会的，就是怎么跟 AI 说话。
而这个，没有人能代替他学。
你代做？你代的是他的未来。
好，我们逐条来。
第一，你说「先出成果、后学习」，信心是前提不是结果。
这话听起来对。
但他建立的是什么「信心」？
是「我真牛逼我自己搞定了」的信心？
不。
是「我有个技术牛逼的朋友」的信心。
这叫信心吗？
这叫安全感。
而安全感一旦来自别人，就永远不稳。
真正的信心只有一种来源：自己从零到一搞定了一件事。
让他用 Claude 写一个最简单的脚本。
他会失败。他会卡住。他会怀疑人生。
然后他搞通了。
那个瞬间的信心——是你代做一万个 Skill 都给不了的。
你给他的「成果」是假信心。
他自己挣来的才是真信心。
第二，你说「慢慢学」是伪命题，编程忘得快。
忘了就再学。
2026 年了，Claude 随时在。
他忘了一个命令怎么写？直接问 AI。十秒钟的事。
忘就再问，AI 不烦。
自学才是真正的「慢慢学」——每一步都在他脑子里长根。
你代的，是假的快，真的废。
第三，你说「他不知道自己不知道什么」。
这才是最扯的。
医学科研的人，天天在和「不知道自己不知道什么」打交道。
他连「自己不知道什么」都不知道？
太好了！
这正是自学最好的起点。
让他去问 Claude 一个蠢问题。
AI 会直接告诉他：「你这个问题问错了，应该这样问……」
不知道的东西瞬间暴露。
他自己去踩坑、自己爬出来。
这才是科研思维。
你代做？
他永远不知道有哪些坑。
等到哪天你不在了，他掉进一个你没见过的坑，直接淹死。
自学教他的，不是具体代码。
是「发现自己不知道什么」的能力。
这能力，比任何代码都值钱。
第四，你说教程只走成功路径，不管 bug，需要心态 + 兜底的人。
完美反驳。
bug 才是最好的老师。
医学实验，天天失败。
病人数据不对、统计显著性没了、假设被推翻。
他早就练出了面对失败的心态。
现在让你「兜底」，等于给他发一根拐杖。
你在的时候，他走得飞快。
你一走，他直接摔倒。
自学的时候，bug 爆炸了怎么办？
他会气到砸键盘。
然后呢？
他会自己去问 Claude：「这个错误怎么回事？」
AI 会手把手教他。
一次、两次、十次。
他就学会了。
bug 不是敌人，是朋友。
它在教他：科研和编程，本质都是迭代。
你剥夺了他和 bug 相处的机会，就是剥夺了他成长的机会。
第五，你说教程时效性短，Claude Code 更新太快。
更新快才好！
2026 年，AI 工具一个月一个大版本。
你代做的时候，用的是上个月的 prompt。
等他自己要用，已经过时了。
自学呢？
他每天都在用最新的 Claude。
他会跟着 AI 一起进化。
他问：「现在最新的写法是什么？」
AI 直接教他。
他学到的不是死 prompt，是「跟上时代」的能力。
你代做一次，他一辈子落后。
他自学一次，他一辈子领先。
第六，你说看教程只是缓解焦虑。
不。
焦虑才是最好的燃料。
自学的时候，他会焦虑：我是不是太笨了？
好。
焦虑逼着他打开 Claude，逼着他敲第一行 prompt。
当他看到代码跑通的那一刻，焦虑变成满足感。
下次再焦虑，他知道怎么解决。
你代做？
他连焦虑的机会都没有。
他只会越来越依赖你的「安心丸」。
真正的成长，从来不是没有焦虑，而是学会和焦虑共舞。
第七，你说完美主义陷阱，医学思维和编程思维冲突。
恰恰相反。
医学思维需要严谨，编程思维需要迭代。
两者不是冲突，是完美互补。
医学让他追求 100% 正确。
编程教他：先跑起来，80% 就够，后面再迭代。
自学编程，正好打破他「必须一次完美」的死结。
让他写一个简单的数据清洗脚本。
第一次肯定烂。
他会崩溃。
然后他改、改、改。
第十次，干净漂亮。
这过程，恰恰是医学思维最缺的——快速迭代、拥抱不完美。
2026 年的 AI，让这种迭代快到离谱。
他一天就能走完别人一个月走的路。
你代做？
他永远停留在「必须完美」的陷阱里。
第八，你说自学时间成本高，20-40 小时 vs 你 2-4 小时。
短视到极点。
这 20-40 小时，是投资。
投资到他大脑里，复利一辈子。
以后他做任何科研项目，都能自己用 AI 加速 10 倍、100 倍。
你那 2-4 小时？
是消费。
消费完了，他还是零。
而且下次还要再消费。
算账？
你算的是眼前小账。
我算的是他一辈子的大账。
20 小时换一辈子自主权。
值到爆。
第九，你说 Token 费用倒挂，专家也要试，但比小白省。
错。
他自学以后，prompt 会越来越精准。
同一个任务，他后来用的 Token 只有你现在的十分之一。
因为他学会了怎么跟 AI 说话。
你代做的时候，你自己也在试错，Token 照样烧。
区别是：你烧的 Token，知识留在他脑子里吗？
没有。
他烧的 Token，每一分都变成他的能力。
长期看，他省的不是 Token，是时间和依赖。
第十，你说隐私合规红线，前期必须专家操作。
2026 年，早就有本地运行的 AI 工具、匿名模式、脱敏方法。
他自学第一件事，就是学会怎么保护数据。
你教他一次，他一辈子都会。
你代做？
他永远不知道红线在哪里。
等到哪天他自己要处理真实病例数据，直接踩雷。
自学让他从第一天就学会合规。
这才是真正的安全。
第十一，你说科研质量需要三方协同。
协同的前提，是每个人都有自己的能力。
他不会代码，只能当甩手掌柜。
你代做，他永远是「提需求的人」。
自学后，他能自己写、自己改、自己验证。
三方协同变成他主导。
质量只会更高。
因为他最懂自己的科研逻辑。
AI 只是工具，他才是大脑。
第十二，你说模型升级导致之前学的白费。
错。
他学的是底层思维：怎么把问题拆解、怎么描述需求、怎么验证结果。
这些永远不会白费。
模型升级了？
他直接问新模型：「老版本的这个逻辑，现在怎么写更好？」
三分钟学会。
自学的人，学的是「学的能力」。
代做的人，学的是「依赖的能力」。
第十三，你说机会成本，时间 = 论文。
论文重要。
但一辈子只会「等别人帮我写代码」的科研者，能发几篇顶刊？
自学 20 小时，换来以后每篇论文节省 50 小时。
长期算，他发更多论文，质量更高。
而且，他不再是「靠别人」的科研者。
他变成了「能自己驱动 AI」的科研者。
在 2026 年，这才是真正的竞争力。
第十四，你说 Token 报销是朋友互助保本，不是商业。
互助可以。
但互助不等于制造依赖。
真正的互助，是教他钓鱼，而不是每天给他鱼。
你现在「保本互助」，等于在给他发拐杖。
等他离不开你了，你还好意思说「朋友」？
让他自学，你省心，他强大。
这才是真正的互助。
第十五，你说模板可以复用给其他同学。
模板是死的。
人是用模板的人。
你给十个同学模板，他们还是不会自己改。
他自学一次，学会了「自己造模板」。
以后他不仅自己用，还能教别人。
一个自学者，能辐射十个人。
你代做，只能辐射一个——而且是永远依赖的那一个。
第十六，你说帮朋友就是帮自己提升。
帮？
你这叫「帮」吗？
你这叫剥夺他的成长，顺便让自己觉得很厉害。
真正的提升，是看着他从零到能独立跑通一个复杂分析，然后他反过来教你一个新 prompt。
那时候，你俩才是真正的互相提升。
而不是你永远当「代码保姆」。
第十七，所有角度指向同一结论。
是的。
所有角度指向同一个结论：
放手让他自学。
你以为你在保护他。
其实你在阉割他。
2026 年，AI 把编程变成了人人能学的技能。
现在不让他学，以后他就真的跟不上时代。
痛苦吗？
会。
第一周他会崩溃。
但崩溃之后，他会站起来。
站起来之后，他会感谢你——感谢你没有拦着他。
兄弟，
把鼠标还给他。
告诉他：「去吧，自己干。」
你会看到一个完全不一样的他。
一个不再需要你兜底的他。
一个能自己面对未知、自己驱动 AI、自己推动科研的他。
那才是真正的朋友。
那才是真正的帮。
现在，
停下你的代做。
让他自学。
因为自学，才是正路。
代做，才是死路。
去吧。
他会感谢你的。
你帮朋友装好 Claude Code，做好几个 Skills，投屏教他用——这是对他好还是害他？
网上两种声音。
一种说：「直接帮他做好，别让他自学，零基础自学成功率极低。」
另一种说：「你帮他做好等于给他拐杖，离了你他就摔。放手让他自学才是正路。」
两种说法都有道理。但两种说法都错了一半。
真相在中间，但不是折中——是两边最强的部分拼在一起。
这篇文章是在第一版（力挺代做）和第二版（力挺自学）写完之后，经过正反两方互相挑毛病、逐条对照之后，写出来的修正版。
它比第一版更诚实，比第二版更现实。
我会告诉你：该帮的地方为什么要帮，该放手的地方为什么要放，以及这条线画在哪里。
他有两个目标：学编程，用 Claude Code 辅助科研。
但这两个的优先级不一样。
他现在最急的是什么？是课题要推进、文献要做综述、数据要清洗、导师要看进展。
学编程是长期的事。用工具出成果是今天的事。
如果你让一个每天被课题压着的人先花两个月学怎么装 Claude Code，他大概率中途放弃，连工具都用不上。
Reddit 上有生信研究员分享过：纯自学半年啥都没产出，有人带着两周就跑通了。这不是个例。
所以第一步的逻辑是：先帮他把几个核心 Skill 装好、跑通，让他第一周就能用、第一周就能出结果。
信心建立之后，学习的动力自然就来了。
但这里有个关键——
你帮他装好环境、做好 Skill，不等于你要一直帮他做下去。
你搭的是脚手架，不是一辈子的拐杖。脚手架的意义是让他先站到楼上去，然后尽快拆掉。
他说「我慢慢学」——这话不是空话，但它只在一个条件下成立：
他得有一个已经跑通的东西可以边用边学。
如果他手上什么都没有，从零开始看教程，编程又忘得快——中间断个一两周基本从零来过，最后多半陷入「永远在学、永远学不会」的循环。
但如果他手上有一个你帮他做好的 Skill，他每天用着，用着用着自然会冒出问题：「这行 prompt 为啥这么写？」「能不能换个检索策略？」
这种问题驱动的学习，才是对成年人、对忙碌的人最有效的学习方式。
所以「慢慢学」不是伪命题——但前提是先给他一个能跑的基础。
零基础的人面对 Claude Code，他不知道 MCP 是什么（一种让 AI 连接外部工具的协议），不知道 Skills 是什么（一个 Markdown 文件，写清步骤让 AI 照着做），不知道怎么判断 AI 写的代码对不对。
在这种状态下纯自学，效率确实很低。他连「下一步该学什么」都定义不了。
但这不是一个永久状态。
你帮他起步的过程中，每次只解释一个概念——「这个为什么这么写」「那个配好之后是干嘛的」——他的认知边界就在一点点扩大。
反方说得对的一点是：他需要的不只是工具，还有「发现自己不知道什么」的能力。
所以你帮他做的时候，不能闷头做完就交付。要边做边讲，让他看到过程，而不只看到结果。
市面上的教程有没有用？有。
B 站零基础系列、官方文档、GitHub 教程仓库——跟着做，很多人确实能装好 Claude Code。
但教程的问题不在于内容不好，在于它只覆盖「一切顺利」的路径。
他跟着教程操作，到第三步报错了——电脑系统版本不同、npm 版本冲突、中文路径炸了、网络连不上——这些是教程作者根本不会遇到的问题。
这时候他需要的不是更多教程，是一个能看懂他终端报错的人。
你就是那个人。
但也要说清楚：你的角色不是永远帮他修 bug。 是前期帮他过最难的几道坎，后面教他怎么自己去问 Claude 解决。
因为反方有一个点是对的：bug 确实是学习的一部分。他需要学会跟 bug 相处——只是不需要第一天就独自面对。
Claude Code 的更新很快。几乎每个月 agent 行为、工具调用方式都会变。
教程的有效期不长。一两个月前的教程，现在可能部分内容已经不适用了。
这对自学者来说是额外的困难。但也不是致命的——因为 Claude 本身就可以告诉他「现在最新的写法是什么」。
关键在于：他需要先具备基本的操作能力和判断力，才能有效利用 AI 自学。 你帮他搭好的基础，正好是那个起点。
说「看教程只是缓解焦虑」太绝对了。好的教程确实能帮人建立基础认知。
但有一个现实：看教程和自己做是两码事。看了 20 个教程觉得自己会了，打开终端直接傻眼——这种事太常见了。
真正有用的不是「看了多少教程」，而是「跑通了多少个真实任务」。
所以教程可以看，但不能只看。最好是在已经有一个跑通的 Skill 之后、带着具体问题去看——那个效果才好。
学医的人思维严谨：查文献、穷举证据、确认无误了才动手。
编程的常态是：先跑起来，报错了改就行。
这两种思维确实存在冲突。看到报错的第一反应是慌、是退缩——这不是能力问题，是思维习惯问题。
但反方也有一个对的点：这个冲突不是不可克服的，而且克服它本身对他有好处。
学会「不完美也能先跑，跑起来再改」这种思维，对他做科研其实也是一种补充。
只是这个转变不应该在第一天就强行发生。先用成熟的工具建立安全感，再逐步引入「自己动手、接受报错」的环节。
你帮他做一个 Skill 可能花几个小时。他自己从零摸索同样的东西，可能花几天到几周。
但这个时间差不是永久的。
如果你帮他做的同时教他为什么这么做，他第二次、第三次面对类似需求的时候，自己能搞定的比例会越来越大。
短期：你的介入帮他省了大量时间，让他把精力留给真正的科研。
长期：他逐步学会自己做，你的介入递减。
这才是健康的模型——不是永远帮他做，也不是第一天就让他自己做。
他每次提过来一个新需求，你之前也没跑通过，你也要花时间试、换方向、调 prompt。
你不是每次都能精准操作一发到位。你只是因为经验多，走的弯路比他少。
实际差距大概是：同一个需求，你消耗的 Token 可能是他的一半到三分之一。不是十倍的差距。
但有一点反方说得对：他自己烧的 Token，知识留在他脑子里。你帮他烧的 Token，知识在你脑子里。
所以最理想的方式是：你做的时候他在旁边看，或者你事后给他讲一遍你的思路。让这个 Token 消耗不只产出结果，也产出他的学习。
Claude Code 会读写本地文件，数据走云端。医学科研涉及患者数据。
他确实不具备判断「这份数据能不能喂给 AI」的能力——不熟悉《数据安全法》、不清楚 IRB 的要求、不知道脱敏的标准。
前期你帮他把关数据安全，这完全有必要。
但有一个很好的观点：你一个朋友，不具备法律和伦理上的责任资格。
真正的合规边界应该是机构政策、IRB 审批、数据拥有方的规定。你能做的是帮他建立意识、教会他怎么走正规流程、在技术层面帮他脱敏和隔离。
你是临时教练，不是长期保镖。 目标是教会他自己判断红线在哪里。
导师管科研设计和统计方法，你管代码质量和技术实现——这个分工没问题。
但长期来看，他需要具备基本的代码理解能力。
不是说他要能写代码，而是他要能看懂代码在做什么——至少知道「这个统计检验用的是什么方法」「这个数据清洗有没有漏掉什么」。
纯自学最怕「看不懂也照样用」。有你 review 能兜住这个风险。但你 review 的同时要告诉他「我在看什么、为什么这里有问题」，让他慢慢也能自己审。
模型一升级，之前的写法可能不好使了。
但反方说得对：他学的如果是底层思维——怎么拆解问题、怎么描述需求、怎么验证结果——这些不会因为模型升级而作废。
所以你教他的时候，重点不是教他「照抄这段 prompt」，而是教他「为什么这样写」「换了模型怎么调整」。
这样即使模型变了，他也知道怎么跟着变。
短期：纯自学的前一两个月，生产力大概率是下降的。
你帮他搞定核心工具，他能立刻出成果——这个效率差是真实的。
但反方也有一个对的点：一辈子只会「等别人帮我写代码」的科研者，竞争力是有上限的。
所以最佳做法不是「永远帮他省时间」，而是「前期帮他省时间，后期他自己省时间」。让他尽快从「用你做的工具」过渡到「自己做工具」。
这事很简单。你们是朋友。他出 Token 费保你不亏，你出时间和技术帮他解决问题。
你在这个过程中得到的：
医学科研的工作流重复性非常强。文献检索、数据清洗、统计分析、论文框架——每个做科研的人都干这一套。
你帮他做的 Skills，换个方向改改关键词就能复用。
你自己以后进实验室，导师让你做文献综述？现成的。清洗临床数据？现成的。
身边同学有类似需求？改改模板就能帮上忙。
教别人的时候你自己理解更深。真实科研问题比任何教程有料。你的技术实力实打实在涨。朋友之间的关系更铁了。
他的问题是你的练兵场。你帮他解决问题的同时，自己也在变强、在积累、在给以后自己做科研铺路。
十七个角度看完，结论很清楚：
纯自学，对一个忙碌的医学科研零基础者来说，大概率走不通。
但也不是「你永远帮他做」。
正确的做法是：低门槛启动 → 明确边界 → 快速移交所有权。
你搭的是脚手架，不是房子。脚手架的目的是帮他建好自己的房子，然后尽快拆掉。
你帮他装好 Claude Code、接上 MCP、做 3-5 个专属 Skill、建好数据安全 checklist。投屏教他用，录屏存档。
关键：做的时候他在旁边看，或者你事后讲一遍你的思路。不能只丢一个成品，要让他看到过程。
这个阶段不要说「你也得学编程」。先让他出一个成果，信心建起来。
他在你做好的 Skills 上改参数、调模板、试着换 prompt。你大量协助——看他改得对不对，讲为什么这样写。
新需求他先试；搞不定再找你。每周聊半小时。
他自己从零写新 Skill。你只在他卡住时帮调试、做 review。
关键：让他拿一个真实课题数据，从头到尾自己走一遍完整流程。
他全流程独立。你偶尔答疑，每月聊一次。
安全机制：如果在某个阶段他又焦虑了、停摆了，退回上一阶段。不是退步，是保护。
写完这篇，有几个反方的点确实成立，必须正面回应：
第一版太确定了——把「很可能不行」写成了「一定不行」。
第二版太理想了——把「应该能学会」写成了「马上就能学会」。
这个版本想说的是：
对一个忙碌的、零基础的医学科研朋友来说——先帮他站起来，但目标是让他自己跑。
你的角色不是保姆，不是服务商，是朋友——帮他搭脚手架的朋友。
脚手架搭好了，尽快拆。
他站稳之后，你退到幕后。
那时候你回头看，你自己也变强了，经验也攒下了，以后进实验室做科研、帮导师、帮同学——全都用得上。
两个人都赢。