，但寫代碼錯多了有多厲快了害
我要评论Part2 裏我們看到了標題的害快前半句——"快了 55%"。
美國勞工統計局（BLS）預測
，写代你不需要背誦 for循環的多厉但错多寫法——AI 會替你寫 。迭代而非一次到位 、害快在代碼重構 、写代但實際測量的多厉但错多結果是——慢了 19% 。
不過 ，害快而是写代想清楚要做什麽 。AI 就開始出錯 。多厉但错多這是害快 AI 編程最隱蔽的陷阱 。AI 寫的写代每一行代碼 ，你可能會注意到一件事：當你清楚知道自己要什麽時 ，多厉但错多超過 77000 家企業和組織都在使用它 。害快自 2022 年 AI 工具普及以來 ，同步更新在個人博客和微信公眾號
微信搜索"我沒有三顆心髒"或者掃描二維碼，你可以告訴 AI"用 JavaScript 實現這個功能" ，學會了怎麽和它一起工作 ，接口定義、直接全部接受 。然後輸出——但"最常見的模式"不等於"在你的具體場景中最正確的做法" 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。但更高的生產力會降低軟件的開發成本 ，前 Tesla AI 總監 ，不像寫散文——好壞見仁見智 。
2023 年 1 月 ，窗口之外的內容就像不存在一樣 。代碼量小 ，它描述的是一種全新的編程方式：你不寫代碼 ，
代碼語法是模式 ，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。一試便知 。
編程的本質不是寫語法
，寫作如此，會發生什麽 。在農村長大 ，需求明確 、開發者產生了"我變快了"的錯覺
。Qodo 的調查顯示 ，也是這個係列的最後一篇
，AI 無法"看到"全部信息（第 6 篇 ：上下文窗口的限製） 這三個問題不是意外
。報錯信息在訓練數據中大量出現 ，結果可驗證時
，連看都不看
。你來 。 如果你之前因為"語法太難記"而對編程望而卻步 ， 業務邏輯判斷 。原型開發時間可以縮短 50% 到 70%。 從第 1 篇"你的手機是怎麽認出你的臉"到現在
，不知道你的產品邏輯 ，我查了大量數據 ，而是因為底層邏輯相同。而成功構建次數更是提升了 84% 。歡迎分享+關注 。模式匹配器就能發揮最大威力。 如果覺得有意思 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004
，而是會重新定義開發者的角色——從"寫代碼"轉向"設計係統和管理 AI 工具" 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器
，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%
。AI 來生成代碼 。"我該不該學編程 ？"
下一篇預告
參考資料
訂閱
這也和 Karpathy 的話完美呼應 ：VibeCoding 適合"周末小項目"——因為小項目模式簡單、AI 就"迷路"了
還記得第 6 篇講的"上下文窗口"嗎？這是 AI 一次能"看到"的信息長度限製 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、
效率數據 ：到底快了多少 ？
一項覆蓋 4800 名開發者的研究給出了最具體的數字 ：使用 GitHub Copilot 的開發者完成一個編寫 HTTP 服務器的任務 ，
這和人類記憶力有限是一個道理——隻不過 AI 的"記憶"不是真正的記憶，
先看長期趨勢 ：整體需求在增長 。因為修改 B 文件時 ，好在這方麵已經有了大量公開的研究數據 ，
問題三 ：項目大了，
讓我們來看看 ，AI 時代的建議是：重點從"記語法"轉向"練邏輯" 。模式匹配在這裏力不從心 。
但這裏有一個關鍵的轉變。使用 AI 後 ，入門更容易了，AI 生成的代碼需要大量的檢查、跑跑程序 、
第二，那不會編程的人是不是也能"寫"代碼了 ？
今天，如果你想學編程 ，它從訓練數據中匹配最常見的代碼模式 ，
斯坦福數字經濟實驗室的研究發現 ，沒有兩個項目的架構是完全相同的，
自己覺得快了 20% ，答案可能會出乎你的意料 。
但如果故事在這裏結束 ，幾萬行代碼時——這在真實的軟件開發中非常常見——AI 就開始出現一種特有的錯誤 ：前後矛盾 。很多人預言會計職業將會消亡 。需要理解的部分永遠需要人 。"
VibeCoding——這個詞後來入選了維基百科詞條 。它們是"超級模式匹配器"的必然局限——當匹配所需的信息超出了訓練模式或上下文窗口 ，
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。"
這條推文被超過 900 萬人看到 。注意每個問題的根源都可以追溯到我們前麵章節的知識 ：
| 問題 | 表現 | 根源（回溯前文） | ||
|---|---|---|---|---|
| 表麵能跑 ，我們不需要猜測 。 當一個項目隻有幾個文件 、分析了 470 個開源項目的代碼提交 。不變的是對邏輯的思考 。不代表代碼正確 。當 AI 處理了語法層麵的事情後 ，這和第 14 篇的四條原則完全一致——不是巧合 ，因為它不"理解"你在做記賬工具——它隻匹配"數字相加"的最常見寫法 。配置文件 。 編程語言不像人類語言那樣模糊 。代碼的對錯通常是確定性的 ：要麽運行成功 ，任何有經驗的程序員都知道 ，其實藏著很深的含義 。說明質量確實達到了可用水平 。他會說"把側邊欄的內邊距減半"這種大白話 ，你有一個想法 ，直到搬到馬尼拉才第一次接觸電腦 。AI 替代的是"敲代碼"這個動作 ，不是在"理解你要什麽" 。 記得 Karpathy 說的那句"用來隨手做點周末項目還不錯"嗎 ？這句話暗示了一個重要的分界線 。它和 AI 識別人臉（第 1 篇） 、而是用語音跟 AI 說話 。他會說一些非常隨意的話——"把側邊欄的內邊距減半""給這個按鈕加個懸浮效果"——完全是日常口語 ，電子表格軟件（如 Excel）普及後 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。" 他這句輕描淡寫的話 ，決定不同功能之間怎麽配合、AI 見過無數"錯誤-原因-解法"的模式對 ，用 AI 放大你的優勢而非替代你的思考 。在大多數場景下這沒問題 。訓練數據極其充足 。 為什麽 ？因為在大型真實項目中 ，你來檢查 。而且 AI 係統本身也需要大量的開發者來構建和維護 。 第一 ， Part3 ：模式匹配器寫代碼 ，後續文章也會持續更新。兩年後的 2025 年 2 月 ，讓代碼"跑得快"則需要理解計算機底層的工作方式。舉個例子 ：如果你讓 AI 做一個記賬工具 ，有趣的是 ，但"這個產品應該解決什麽問題""這個功能的邊界在哪裏""這段代碼的邏輯對不對"——這些是理解 ，得花好一會兒 。編程中有大量高度固定的模式 ：數據庫連接 、" 換句話說 ，他看都不看修改的內容 ，什麽行為對他們來說是合理的 。這些是模式匹配的完美場景——模式極其明確，把報錯信息複製給 AI ， 摩根士丹利的分析與此一致：AI 不會減少軟件行業的整體就業，但沒有降低編程的天花板 。還一起看了它在編程這個最擅長的領域裏的表現和局限 。業界的經驗顯示 ，擁抱指數級增長 ，Andrej Karpathy（OpenAI 聯合創始人 、 代碼審查 。 適合交給 AI 的原型開發和快速驗證。反而大幅增長 ，他不用打字 ，發現了很多有意思的東西 ，讓我們來看看 AI 編程在實際中長什麽樣 。歡迎關注我，約 60-65% 的開發者都遇到過 AI 因為缺少上下文而犯錯的情況 。平均用時 1 小時 11 分鍾 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ， 第三 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，結果發現 ：
| ||||
| 不理解業務需求 | 65% 開發者反映 AI 缺失上下文 | AI 在"續寫"代碼 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、進而刺激更多的軟件需求——總體效果是需要更多而不是更少的開發者 。一句話回顧AI 讓寫代碼快了 55% ，但會計行業不僅沒有萎縮 ，AI 生成的代碼改動？他全部直接接受，畫出了它的能力邊界 ，然後它就大概能用了 。AI 很可能用"浮點數"（計算機中表示小數的常見方式）來做加法 。而是因為 AI 寫得又快又好 。
互聯網上有海量的公開代碼 。 非程序員的真實案例更令人驚訝的是 ， 他們找了 16 名經驗豐富的開源開發者——這些人平均在自己的項目上工作了 5 年——隨機決定每個任務是否允許使用 AI 工具 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，幾乎所有 AI 擅長的領域都如此 。通常 AI 就能修好 。
讀者可能會問的兩個問題"程序員會不會失業 ？"這個問題幾乎每個人都在問。翻譯如此 ， 如果你再仔細想想，讓 AI 來寫，但要做好 ，也是 AI 幫不了你的部分 。給你一個盡可能完整的回答 。 更有趣的是感知和現實的差距 ：開發者在做任務之前預估 AI 會讓他們快 24%；做完任務之後 ， Karpathy 自己說過 ：VibeCoding 讓"編程不再是經過嚴格訓練的專業人士的專屬——而是任何人都能做的事" 。需求變複雜 ，但處理金額時 ， 仍然需要人做的架構設計 。AI 在訓練過程中見過的代碼模式 ，不知道哪些邊界情況需要特殊處理——因為這些信息不在訓練數據裏 ， 先從一句話說起 。 數字背後的驅動力，說說想法 、但內在邏輯有問題 。
所以 ，模式明確 、 Part2 ：AI 編程到底能做到什麽——一起來看看光說數據可能還不夠直觀 。以及這種"滿"本身又會製造什麽問題 。CodeRabbit 的數據最直觀 ：AI 代碼中過度 I/O 操作的問題是人類代碼的近 8 倍——AI 傾向於用最簡單直白的方式寫代碼， 1980 年代 ，遇到一個看不懂的報錯信息 ？丟給 AI 。能跑就行 。讓我們慢慢拆解 。讓代碼"能跑"容易 ，讓我們一起來探索這個問題 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，測試生成和代碼審查這些關鍵任務中 ， 他說 ："代碼的規模已經超出了我通常理解的範圍——如果要仔細讀一遍 ，遇到報錯 ，Signal Fire 的報告顯示 ，先來理解一個更根本的問題 ：為什麽編程恰好是 AI 最擅長的領域之一？ 上一篇我們已經知道，忘記代碼的存在……我就是看看效果 、對於一個"超級模式匹配器"來說 ，需要把金額加在一起 ，模式匹配的部分被自動化了 ，AI 理解他的意思後 ， 個人錨點如果你也試過讓 AI 寫代碼 ，而且這些公司的創始人都是技術背景出身——他們選擇讓 AI 寫代碼 ， GitHub Copilot 現在平均貢獻了活躍用戶約 46% 的代碼——幾乎一半的代碼是 AI 寫的 。要麽報錯 。我一直很好奇 AI 到底是怎麽工作的 ，在"做得更完善"和"差不多就行"之間做取舍——這些是編程真正的核心能力 ， 問題一 ：表麵能跑 ，複製粘貼一下 ，上下文缺失被開發者認為比 AI"幻覺"（編造不存在的東西）還要嚴重——因為幻覺容易發現（代碼直接報錯） ，而不是對你業務的理解。有四分之一的代碼庫幾乎完全由 AI 生成 。AI 來實現。比如 ，會產生什麽效果 ？還記得 Part2 裏那個"快了 55%"嗎 ？接下來這個實驗的結論可能會讓你大吃一驚。所有代碼都在遵循這些規則——形成了極其規整的模式 。他們怎麽使用產品 、依據的是訓練數據中的統計模式 ，這簡直是完美的工作對象 。 這也解釋了為什麽 AI 編程工具的增長速度如此驚人—— GitHub Copilot（GitHub 推出的 AI 編程助手 ，開發者把自己的代碼存放在上麵供他人查看和使用）一個平台就托管了超過 5 億個代碼倉庫 ，而且這些代碼中 88% 被保留在了最終版本裏 ，她不是程序員 ，邏輯有錯 CodeRabbit（一個 AI 代碼審查平台）在 2025 年 12 月發布了一份《AI 與人類代碼生成現狀報告》，但讓"設計係統""判斷質量""理解需求"變得更加重要 。調試和修改 。連鍵盤都很少碰 。主要級別的問題多了 1.7 倍 Y Combinator（矽穀最有影響力的創業孵化器）的 CEO Garry Tan 在 2025 年 3 月透露了一個驚人的數字 ：他們最新一批創業公司中 ， 這些數字很漂亮 。它就顧不上了。和我們整個係列一直在探索的核心發現一致 ：模式匹配的部分可以被自動化
， 這是 「AI是怎麽回事」係列的第 15 篇
。恰好在 AI 的能力範圍之內
。她隻是用日常語言描述了她的需求
， 學習新語言和新框架 。而不是精確的 45.3 。"這個應用應該分成幾個模塊 ？數據怎麽流動
？用什麽技術方案 ？"——這些需要理解整個項目的目標
、AI 就幫她生成了可用的程序 。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶） | ||
| 項目大了前後矛盾 | 大型項目中 AI 反而拖慢 19% | 超出上下文窗口 ，考慮到用戶可能遇到的各種情況 、編程真正的難點反而暴露出來了——邏輯思考 。即程序讀寫數據的操作）的問題更是高出近 8 倍 這意味著什麽 ？AI 寫的代碼經常"看起來能跑" ，不是因為自己不會寫 ，甚至可能不在你給它的對話上下文裏 。CodeRabbit 報告顯示，到 2025 年底估值達到約 90 億美元 。每種編程語言都像一本規則手冊 ，會發現這不隻是編程的事。數據充足 、 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時，給出了一個出人意料的答案。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，看看效果 。直接修改代碼文件 。遇到報錯 ？把錯誤信息直接複製給 AI ，GitHub（全球最大的代碼托管平台 ，隻有 3.8% 的開發者對 AI 代碼有足夠信心直接發布——96.2% 的人認為仍然需要人類審查 。表現很好 。 Karpathy 的親身描述Karpathy 在他那條著名的推文裏詳細描述了自己的 VibeCoding 工作流 ： 他用 Cursor 這個代碼編輯器裏內置的 AI 助手 。這意味著 AI 的輸出可以被立刻檢驗——這正是三問判斷法裏最關鍵的"可驗證"條件 。想分享給你 。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、約束和取舍。 AI 降低了編程的入口 ，一旦項目變大、AI 不知道這個區別 ，它不知道你的用戶是誰 ， 第一次看到這個係列 ？從第1篇開始最順暢 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ， 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，但 Karpathy 描述了自己的真實工作流程 ：他用語音輸入（一款叫 SuperWhisper 的語音工具）跟 AI 說話 ，做獨特判斷的部分 ，在你寫代碼時實時給出建議和補全）在 2025 年 7 月突破了1500 萬付費用戶，AI 自動化掉的永遠是那個"模式匹配"的部分 ，模式極其明確。 2025 年 7 月 ，可以直接用自然語言對話來寫代碼）更是創造了軟件行業的增長奇跡——成立僅兩年就達到了 3 億美元的年化收入 ，這是典型的模式匹配強項 。是業務問題 。即可訂閱 。讓我們一起認真聊聊這個問題 。這不隻是頂級 AI 專家才能做的事 。代碼合並率提升了 11% ，需要人來做。"通常這樣就修好了" 。仍然需要深入的思考能力 。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。也是最大的一個問題—— AI 會取代我們嗎？ 下一篇 ，代碼提交量提升了 8.69% ，但邏輯錯誤也多了 75% 。實際慢了 19% 。 這背後的道理 ，寫代碼恰好就是。 Part4 ：正確的姿勢——AI 編程適合做什麽知道了 AI 編程的優勢和局限後， 研究中一位開發者的反饋很說明問題 ："AI 在代碼的其他部分做了一些奇怪的修改 ，當 AI 編程從"周末小項目"走向真實世界時 ，但做的不是你想要的） 。確實有大量簿記員的工作崗位消失了——手工記賬這個具體動作被自動化了 。
最有趣的一個實驗以上三個問題疊加在一起 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。正確的使用方式就清晰了。而是"隻會寫代碼"的崗位在減少，不是"解決問題"這個能力 。 寫重複性的樣板代碼 。驗證大於信任、而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，幾百行代碼時 ，它有嚴格的語法規則：IF 後麵必須跟條件 ，於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你 ，拆開了 AI 的黑箱 ，不需要完美 ，"能駕馭 AI"的崗位在增加。因為懶得自己去代碼裏找具體位置。它就不完整了 。比幾乎任何其他領域都要豐富 。但因為"敲代碼"這個動作本身確實變快了 ， 修 bug 和理解報錯 。但如果 AI 能寫代碼，而是當前對話窗口裏的文字。企業對財務分析的需求因此暴漲 。但在 B 文件的統計功能裏用了"01/15/2025" 。 埃森哲（全球最大的谘詢公司之一）做了一項更嚴格的隨機對照實驗：使用 Copilot 的開發者，可以被自動化。" 把三個問題串起來讓我用一張表來總結 ，數據充足 、遠超所有職業平均 4% 的增長率 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。兩邊不一致 ，
這個"缺失上下文"具體長什麽樣？Qodo 的報告指出 ， 代碼能不能跑 ，邏輯有錯 | AI 代碼邏輯錯誤高出 75% | AI 匹配最常見的代碼模式， 所以，現在來看後半句——「錯多了 75%」 。程序就出了問題 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。 分界線在哪 ？就是三問判斷法 。不是抽象的語法說明 。 AI 編程工具和電子表格是同一個故事的新版本。需要理解的部分永遠需要人——AI 降低的是編程門檻
，然後對照 AI 生成的代碼來學習
。這個係列就是我的探索筆記 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，但這一篇我們不隻是確認這個結論——我們要展開看 ：它到底有多滿 ，它在 A 文件裏把日期格式定義為"2025-01-15" ，for 後麵必須跟循環變量 ， 別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞
！ 別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞 ！ OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統 |
最新评论