职校起步、创业失败，她如何成为AI技术大牛？

在AI圈，Lauren Tan（网名Potato）最近火得出圈。一个看上去柔柔弱弱的女生，却成了技术大牛。更让人意外的是，她中学成绩不好，职校起步，换过专业，创业也没成。可就是这样一个起点并不漂亮的人，如今不仅与马斯克有过公开互动，还加入了Cursor。她的经历，值得每一个对AI时代个人成长感兴趣的人细看。

从设计光盘到职业学校的转折

Lauren Tan在新加坡长大。少年时，继父给她一张图像设计软件光盘，把她带进了做图做网页的世界。她一头扎进去，学校成绩也受了影响。可喜欢归喜欢，毕业以后怎么谋生？她考虑到就业，去澳洲学金融，还以优异的成绩毕业。毕业后，她和朋友尝试创业，为了做出产品，一边做一边补编程的本事。可最后，项目没能持续下去。

朋友们设想一下：中学成绩不好，职校起步，换过专业，创业也没成。那些只认标准精英路线的人，是不是已经想给她判死刑了？但这时候，她已经学到了足以找到工作的编程技能。项目结束了，本事留下了。

写作与演讲：把做过的事分享出去

工作以后，她把解决过的问题写成文章。原本只是记录学习，没想到被技术社区里的人看见了，演讲邀请也来了。可她以前连课堂展示都会紧张发抖，怎么敢面对几百个开发者？邀请她的丽雅一直鼓励她，也愿意帮忙。她终于提交申请，获选后花了三个月准备，上台的前几分钟还是紧张。慢慢的，反复练过的东西接上了，她才越来越有把握。

后来，Netflix的面试又让她想退出。不是计算机科班，觉得自己肯定过不了。别人劝她去试试，她最后还是去了，也拿到了工作。你说这上哪说理去？非计算机科班照样能进大厂。创业、做项目那些实打实练出来的本事，没白费。

没有水的大学，没有水的术，只有水的人。一个人究竟学到了什么、能做什么，得看他做出来的东西，不能拿一个标签就给人下结论。

从Netflix到Meta，再到Cursor

进了Netflix，又做了经理，接下来是不是该稳稳往上走了？她却选择回到工程岗位，因为她发现自己还是想亲手把一个想法做成东西。后来在Meta的React团队，她也经历过倦怠。休整的那个月，她又做起小项目，琢磨怎么让AI更好地帮忙。2026年3月，她加入Cursor，后来公司被SpaceX收购，也就有了今天这层与马斯克的交集。

新团队的软件有点卡，她过去的技术经验正好用得上。可查问题、看结果，总得自己反复动手，也挺烦的。那能不能给AI配上工具，让她把程序跑起来，自己查自己改呢？她起初还以为休整时折腾的那些个人项目跟新工作没什么关系，这时候才发现里面学到的方法还真用得上。自己脑子里想明白了，还得让AI听明白。她觉得这一步才是关键。

Cursor 是一款基于 VS Code 二次开发的 AI 代码编辑器，核心能力是把大语言模型直接嵌入写代码的流程中，支持用自然语言生成、修改和解释代码。它于 2023 年推出，很快在开发者社区走红，被视为 "AI 编程助手" 这一品类的代表产品之一。文中提到 "给 AI 配上工具，让她把程序跑起来，自己查自己改"，对应的正是 Cursor 这类工具的 Agent（智能体）模式：模型不仅能补全代码，还能调用终端、读写文件、运行测试并根据报错自行迭代。这也解释了为什么 Lauren Tan 过去排查性能问题、动手验证结果的经验，在 AI 时代反而成了设计工具调用流程的基础。

React 是 Meta（当时还叫 Facebook）在 2013 年开源的 JavaScript 前端界面库，如今是全球使用最广泛的前端技术之一，围绕它形成了庞大的生态和社区。React 团队负责该库的核心开发、版本演进和社区治理，团队成员通常需要同时具备工程实现、API 设计和开源协作能力。Lauren Tan 在 React 团队的经历，意味着她参与的是被数百万开发者依赖的基础设施，这类工作要求对开发者体验有细致体察——这一点后来也迁移到了她设计 AI 编程工具的思路中：工具好不好用，最终取决于写代码的人是否顺手。

让AI听明白：articulate的能力

这里有个词可以顺手记一下：articulate，把想法清楚地表达出来。自己会做，还得能把目标、背景和要求讲清楚，AI才有条件把事情做好。

对了，她喜欢吃，也喜欢做饭，聊AI都能聊到厨房。主厨要安排好工具、流程和检查，端出去的菜得对得起客人。用AI做产品，人也得对结果负责。连当年做管理的经验也用上了：把目标和背景交代清楚，让团队有条件自己判断。这套想法，她又用在了跟AI的合作里。

所以，别太早用一段不漂亮的起点，把一个人的未来判完了。她有自己的投入，也得到过别人的帮助，还遇上了新的技术机会。做过的事，慢慢长成了今天的本事。有兴趣就去学，学了就做出来，分享出去，机会往往就是这样找上门的。

在 AI 协作语境下，articulate 不只是 "口才好"，更接近提示工程（prompt engineering）的核心素养：把模糊的意图拆解为明确的目标、约束条件、背景信息和验收标准。大语言模型没有读心能力，输入中缺失的上下文它会自行脑补，结果往往偏离预期。因此实践中常强调几点：说明 "为什么做" 而不只是 "做什么"，给出可判断对错的成功标准，提供必要的领域背景，并在结果不符合预期时补充信息而非反复重试。这与带团队的方法高度相通——目标清晰、背景充分，执行方才有自主判断的空间。