WorkBuddy 用了一周之后，我又觉得那些 Python 课程可以再等等

标题：这一周学 Python，我让 WorkBuddy 当了老师

这周三是我正儿八经接触 Python 的第一天。起因很简单：客户丢过来一个压缩包，里面 37 个 CSV，文件名清一色「6月销售明细-最终版-真的最终版-别再改了-2」，日期格式至少五种，列名中英文混着来，备注栏还写着「已催三次别打了」。

我边深呼吸边把 Python 装上了。装完盯着命令行发了两分钟呆，—我该输入什么来着？最后默默打开 WorkBuddy，把 37 个文件全拖了进去。等它开始清洗的时候，我翻着旁边那门 Python 课程的第一章，忽然意识到：我需要的不是「从第一课开始学」，而是「先把活干完，再回头学」。

周四我又把 PlotStudio AI、Powerdrill Bloom 和 Quick BI 挨个试了一圈，都是这两天刚听说的，注册了就能用。PlotStudio AI 做图表是真快，Powerdrill Bloom 对自然语言问答很灵，Quick BI 更偏企业报表那种正经路子。但我手里的活是备注栏里全是人类情绪的脏表格，一圈比下来，还得是 WorkBuddy 让我能准时下班。它不是功能最炫的，但它知道我这种人最需要什么：今天下班前，把这张破表收拾干净。

然后我做了一件以前从没想过的事：让 WorkBuddy 当我的 Python 老师。

它把「6月销售明细-最终版-真的最终版-别再改了-2」里的五种日期格式统一成标准格式，我就去查 Pandas 的 pd.to_datetime 是怎么回事。它把「店号」「门店编号」「shop_id」自动归并成一个字段，我就顺着去翻 merge 和 map 的文档。以前我看课程视频，看到「Pandas 数据结构」那一章就犯困；现在我是先看到了工具的「结果」，再带好奇心去反推「这是怎么做到的」。

这个顺序挺反直觉的。以前总觉得，学东西得从理论到工具，先报个班、拿个证，才配碰真数据。可这周试下来，我发现对我来说效率最高的是反过来：让 AI 工具先把活干完，我在旁边看它干，看到哪一步想喊「这招我也想会」，再顺着那个点去查资料、去问文档。我三天前 pip 是什么都不知道，今天已经能照着教程，把一段合并表格的脚本跑通了。换以前按课程大纲走，我大概还卡在「环境配置的三种常见报错」那节课里。

所以你要问我 Python 课程还报不报，我的答案是：报，但不急着报。手头正堆着脏表格的时候，先把 WorkBuddy 这类工具开起来，让它干最难啃的那 80%。剩下那 20% 它搞不定的刁钻需求，才是你真正需要打开 Python 去学的理由。带着那个具体的、属于你自己工作的真实问题去学，比对着课程里干净得不像话的公开数据集，学会得快得多。

我那个真去报了金融数据分析证书班的朋友，第一节课学环境配置，第二节课学 DataFrame 定义。他问我用的什么工具处理那 37 个表，我说就 WorkBuddy，拖进去让它合并、去重、标异常。他沉默了五秒钟，说：那我这课先等等吧，等你那工具搞不定了再说。

我不笑话他。因为我这周最大的体会就是：工具不是学习的替代品，它是学习的路标。让 WorkBuddy 先把活干完，你才知道该学什么。