关键在于，Tan 没有笼统地要求 Claude Code “做一个育儿应用”，而是具体说明父母要输入哪些信息、系统要完成哪些计算，以及双方应如何访问和共享数据。

先写需求，再让 AI 写代码

虽然没有程序员背景，Tan 的做法却很像一个简化版的软件开发流程：先用日常英语写清楚需求，再让 Claude Code 把需求转化为应用。

据报道，他的步骤大致如下：

1. 通过 Mac 终端下载并运行 Claude Code。
2. 写下 4 页产品说明，详细描述应用的功能和运行方式。
3. 要求 Claude Code 根据说明构建应用，并用非程序员也能理解的方式解释每一步实现过程。
4. 注册 GitHub、Supabase 和 Vercel 账号。
5. 将这些服务连接起来：GitHub 用于保存代码，Supabase 负责数据库和用户身份验证，Vercel 则把应用部署到网页链接上。

这些工具各自承担不同角色。Claude Code 是开发界面，GitHub 是代码仓库，Supabase 提供后端服务，Vercel 负责部署。这样的组合让 Tan 不必先掌握完整的传统编程技术栈，也能从一个具体想法出发，做出可以使用的网页应用。

提示词越具体，结果越有用

Tan 并没有期待第一次生成的版本就完美无缺。他会实际测试应用，指出遗漏或错误，再要求 Claude Code 修改。整个过程反复循环：提出要求、检查结果、测试功能、继续完善。

他的经验可以概括为一句话：指令越模糊，结果往往越模糊。只有明确写出所需字段、访问权限、计算方式和使用体验，AI 生成的内容才更接近真正的需求。Claude Code 通常能够理解不够流利、甚至有些“不完整”的英语，但理解一句话，并不等于这句话已经把需求交代完整。

这也是使用 AI 编程工具时容易被忽略的一点。自然语言开发降低了启动项目的门槛，却没有取消需求设计和结果评估的责任。

AI 给出的健康信息，仍然要人工核实

在资料搜集方面，Tan 还让 Claude Code 配合 Perplexity AI 使用，因为后者会返回引用来源。不过，他没有把“有引用”直接等同于“可信”。

一次检索中，系统给出了“有鳍鱼类是新加坡主要过敏原关注对象之一”的说法。Tan 觉得这一结论与自己的常识不符，因为在他的经验里，贝类更常被提及。于是他进一步查看引用材料，并修正了应用中的相关内容。

这段经历也暴露出 AI 搜索工具的风险：即使回答附带链接或引用标记，也可能出现指向虚构研究的来源。因此，涉及婴儿健康和食物过敏的信息，不能仅凭 AI 的引用就当作医学依据。

婴儿追踪应用可以帮助父母整理观察记录、对照公开指导，但它并不能替代专业医疗建议。

同样的提示词能力，还做出了翻译工具

在开发婴儿应用的过程中，Tan 掌握的提示词技巧也被运用到其他工作中。他后来制作了一个“一键翻译”工具，可以将英语内容转换成 48 种语言。

这个工具并非只进行逐词替换。Tan 要求它先理解原文的含义、意图和说服目的，再以目标语言读者自然接受的方式重新表达，而不是保留英语式的措辞、节奏或逻辑。

这与婴儿追踪应用遵循的是同一条原则：结果质量很大程度上取决于用户是否交代清楚目标、背景和限制条件，而不只是说出“完成这个任务”。

给非程序员的启示：AI 不是自动驾驶

Tan 的经历并不能证明 AI 会让软件开发变成全自动流程。他仍然需要发现一个真实且具体的问题，写出详细说明，注册并连接不同服务，测试应用，并对不可靠的研究结果提出质疑。

但这确实说明，AI 编程助手可以让没有编程背景的人从一个实用的小项目开始，而不是必须先花数年学习编程。对 Tan 来说，动手试验和清晰表达正在成为普通用户也能掌握的实用能力；即使英语不够完美，也不一定是开始的障碍。

真正值得借鉴的结论不是“AI 什么都能做”，而是：没有编程经验的人也可以借助 AI 原型化一个边界明确的工具——前提是他们仍然对需求、测试和事实判断负责。

关键在于，Tan 没有笼统地要求 Claude Code “做一个育儿应用”，而是具体说明父母要输入哪些信息、系统要完成哪些计算，以及双方应如何访问和共享数据。

先写需求，再让 AI 写代码

虽然没有程序员背景，Tan 的做法却很像一个简化版的软件开发流程：先用日常英语写清楚需求，再让 Claude Code 把需求转化为应用。

据报道，他的步骤大致如下：

1. 通过 Mac 终端下载并运行 Claude Code。
2. 写下 4 页产品说明，详细描述应用的功能和运行方式。
3. 要求 Claude Code 根据说明构建应用，并用非程序员也能理解的方式解释每一步实现过程。
4. 注册 GitHub、Supabase 和 Vercel 账号。
5. 将这些服务连接起来：GitHub 用于保存代码，Supabase 负责数据库和用户身份验证，Vercel 则把应用部署到网页链接上。

这些工具各自承担不同角色。Claude Code 是开发界面，GitHub 是代码仓库，Supabase 提供后端服务，Vercel 负责部署。这样的组合让 Tan 不必先掌握完整的传统编程技术栈，也能从一个具体想法出发，做出可以使用的网页应用。

提示词越具体，结果越有用

Tan 并没有期待第一次生成的版本就完美无缺。他会实际测试应用，指出遗漏或错误，再要求 Claude Code 修改。整个过程反复循环：提出要求、检查结果、测试功能、继续完善。

他的经验可以概括为一句话：指令越模糊，结果往往越模糊。只有明确写出所需字段、访问权限、计算方式和使用体验，AI 生成的内容才更接近真正的需求。Claude Code 通常能够理解不够流利、甚至有些“不完整”的英语，但理解一句话，并不等于这句话已经把需求交代完整。

这也是使用 AI 编程工具时容易被忽略的一点。自然语言开发降低了启动项目的门槛，却没有取消需求设计和结果评估的责任。

AI 给出的健康信息，仍然要人工核实

在资料搜集方面，Tan 还让 Claude Code 配合 Perplexity AI 使用，因为后者会返回引用来源。不过，他没有把“有引用”直接等同于“可信”。

一次检索中，系统给出了“有鳍鱼类是新加坡主要过敏原关注对象之一”的说法。Tan 觉得这一结论与自己的常识不符，因为在他的经验里，贝类更常被提及。于是他进一步查看引用材料，并修正了应用中的相关内容。

这段经历也暴露出 AI 搜索工具的风险：即使回答附带链接或引用标记，也可能出现指向虚构研究的来源。因此，涉及婴儿健康和食物过敏的信息，不能仅凭 AI 的引用就当作医学依据。

婴儿追踪应用可以帮助父母整理观察记录、对照公开指导，但它并不能替代专业医疗建议。

同样的提示词能力，还做出了翻译工具

在开发婴儿应用的过程中，Tan 掌握的提示词技巧也被运用到其他工作中。他后来制作了一个“一键翻译”工具，可以将英语内容转换成 48 种语言。

这个工具并非只进行逐词替换。Tan 要求它先理解原文的含义、意图和说服目的，再以目标语言读者自然接受的方式重新表达，而不是保留英语式的措辞、节奏或逻辑。

这与婴儿追踪应用遵循的是同一条原则：结果质量很大程度上取决于用户是否交代清楚目标、背景和限制条件，而不只是说出“完成这个任务”。

给非程序员的启示：AI 不是自动驾驶

Tan 的经历并不能证明 AI 会让软件开发变成全自动流程。他仍然需要发现一个真实且具体的问题，写出详细说明，注册并连接不同服务，测试应用，并对不可靠的研究结果提出质疑。

但这确实说明，AI 编程助手可以让没有编程背景的人从一个实用的小项目开始，而不是必须先花数年学习编程。对 Tan 来说，动手试验和清晰表达正在成为普通用户也能掌握的实用能力；即使英语不够完美，也不一定是开始的障碍。

真正值得借鉴的结论不是“AI 什么都能做”，而是：没有编程经验的人也可以借助 AI 原型化一个边界明确的工具——前提是他们仍然对需求、测试和事实判断负责。