，但寫代碼錯多了有多厲快了害
我要评论問題二：不理解你的業務需求
Qodo（一家 AI 代碼質量平台）在 2025 年對超過 600 名開發者進行了《AI 代碼質量現狀調查》 。不像寫散文——好壞見仁見智。害快約束和取舍 。写代在大多數場景下這沒問題 。多厉但错多它不知道你的害快用戶是誰 ，
學習新語言和新框架 。写代AI 見過無數"錯誤-原因-解法"的多厉但错多模式對 ，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 ，害快直接修改代碼文件 。写代遇到報錯？多厉但错多把錯誤信息直接複製給 AI，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》 ，害快處理金額應該用整數（以"分"為單位計算）。
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 ，讓我們來看看 AI 編程在實際中長什麽樣 。AI 給出的東西怎麽改都不對 。這些是模式匹配的完美場景——模式極其明確，
但短期有一個值得關注的信號：入門級崗位在收縮 。需求明確 、
上一篇 ，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 ，
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，它就顧不上了 。
但這裏有一個關鍵的轉變。AI 生成的代碼需要大量的檢查 、
讓我們來看看，AI 在訓練過程中見過的代碼模式 ，AI 理解他的意思後 ，把報錯信息複製給 AI ，如果你想學編程 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。這可能是 AI 編程給我們最大的啟示。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、但讓"設計係統""判斷質量""理解需求"變得更加重要。
分界線在哪 ？就是三問判斷法 。
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 ，平均用時 1 小時 11 分鍾 ，AI 來生成代碼 。不是在"理解你要什麽" 。但要做好 ，模式匹配器就能發揮最大威力。模式明確 、你來 。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 ，有四分之一的代碼庫幾乎完全由 AI 生成 。
1980 年代 ，入門更容易了 ，
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 ，翻譯如此 ，兩年後的 2025 年 2 月 ，它和 AI 識別人臉（第 1 篇） 、代碼量小 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。函數必須有輸入和輸出 。不代表代碼正確 。直到搬到馬尼拉才第一次接觸電腦 。她隻是用日常語言描述了她的需求，
這意味著什麽 ？不是程序員變少了 ，AI 表現驚人；當你自己都沒想清楚時 ，而是"隻會寫代碼"的崗位在減少 ，
編程的本質不是寫語法 ，數據充足 、接口定義 、她不是程序員 ，
Part3：模式匹配器寫代碼
，遠超所有職業平均 4% 的增長率。它從訓練數據中匹配最常見的代碼模式 ，AI 寫代碼不是什麽"魔法" 。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 ，
代碼能跑 ，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。AI 可以"看到"全貌 ，忘記代碼的存在……我就是看看效果
、AI 時代的好消息是 ：語法門檻確實大幅降低了 。拆開了 AI 的黑箱
，而且 AI 係統本身也需要大量的開發者來構建和維護
。但"這個循環為什麽要跑 10 次而不是 20 次""這裏應該用什麽數據結構""這兩個功能之間的依賴關係是什麽"——這些判斷需要你自己來做 。 在菲律賓，其實藏著很深的含義 。就是三問判斷法 ：編程是 AI 最完美的應用場景之一
。 性能優化
。而不是對你業務的理解
。而是用日常語言（中文或英文）告訴 AI 你想要什麽， 第一
，是業務問題 。結果容易驗證。AI 不知道你的用戶是誰
、測試生成和代碼審查這些關鍵任務中，你甚至不需要看懂代碼——看結果就行 。因為懶得自己去代碼裏找具體位置 。需要人來做 。沒有兩個項目的架構是完全相同的 ，結果是 ： 使用 AI 工具的開發者反而慢了 19%
。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 ，他們仍然覺得 AI 讓自己快了 20% 。在代碼重構、代碼提交量提升了 8.69%
，畫出了它的能力邊界
，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，需要把金額加在一起，但當項目增長到幾十個文件、歡迎關注我 ，軟件開發崗位到 2033 年將增長約 17% ，訓練數據極其豐富。當 AI 處理了語法層麵的事情後 ，三問判斷法三項全滿的任務是 AI 的黃金場景 。每種編程語言都像一本規則手冊，一旦項目變大 、不理解你的業務規則 這個"缺失上下文"具體長什麽樣
？Qodo 的報告指出
，後續文章也會持續更新 。那不會編程的人是不是也能"寫"代碼了
？ 今天
， 這聽起來像科幻
。超過 1.5 億開發者在上麵協作
。表現很好 。學會了怎麽和它一起工作， 第三 ，它在 A 文件裏把日期格式定義為"2025-01-15" ，AI 替代的是"敲代碼"這個動作 ， 數字背後的驅動力
，我查了大量數據，什麽行為對他們來說是合理的
。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， 修 bug 和理解報錯 。這個係列就是我的探索筆記 ，AI 不知道這個區別 ，AI 就幫她生成了可用的程序 。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"。而是因為 AI 寫得又快又好
。做獨特判斷的部分 ， 光說數據可能還不夠直觀 。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 。不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，開發者產生了"我變快了"的錯覺。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，AI 寫的每一行代碼
， 如果你再仔細想想 ，讓 AI 來寫，領導過 Tesla 自動駕駛團隊的 AI 開發）在社交媒體上發了一條推文 ： "最熱門的編程語言是英語 。得花好一會兒 。 這是 「AI是怎麽回事」係列的第 15 篇 。代碼的對錯通常是確定性的 ：要麽運行成功 ， 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 。for 後麵必須跟循環變量
，想分享給你 。反而大幅增長，但因為"敲代碼"這個動作本身確實變快了 ，發現了很多有意思的東西 ，他看都不看修改的內容 ，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，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。他會說"把側邊欄的內邊距減半"這種大白話
，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 ， 架構設計
。寫作如此
，超過 77000 家企業和組織都在使用它
。 AI 讓寫代碼快了 55%，也更難被機器替代
。 為什麽會這樣 ？用第 9 篇的知識來解釋：AI 是在"續寫代碼"
，我花了不少時間去找到並撤銷這些改動。"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 、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，" VibeCoding——這個詞後來入選了維基百科詞條。結果發現 ： 這個問題幾乎每個人都在問
。 先看長期趨勢
：整體需求在增長 。 代碼能不能跑
，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
。 如果你也試過讓 AI 寫代碼 ，恰好在 AI 的能力範圍之內
。它就不完整了 。 編程語言不像人類語言那樣模糊
。說說想法
、數據充足
、Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，Part2 ：AI 編程到底能做到什麽——一起來看看
仍然需要人做的
一句話回顧
讀者可能會問的兩個問題
"程序員會不會失業
？"
個人錨點
互聯網上有海量的公開代碼 。而是因為底層邏輯相同 。
先來拆解"滿"在哪。
2025 年 7 月 ，你不需要背誦 for循環的寫法——AI 會替你寫
。這是 AI 編程最隱蔽的陷阱 。但邏輯錯誤也多了 75%
。他又發了一條更具體的推文
：
"有一種新的編程方式 ，
但如果故事在這裏結束 ，說明質量確實達到了可用水平 。所有代碼都在遵循這些規則——形成了極其規整的模式。這是典型的模式匹配強項 。但在 B 文件的統計功能裏用了"01/15/2025" 。需要理解的部分永遠需要人 。但內在邏輯有問題 。好在這方麵已經有了大量公開的研究數據 ，我一直很好奇 AI 到底是怎麽工作的，不變的是對邏輯的思考 。需求變複雜 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，但會計行業不僅沒有萎縮 ，
想清楚一個工具應該怎麽工作 、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 ，
文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一，"
這條推文被超過 900 萬人看到 。有趣的是，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，GitHub（全球最大的代碼托管平台 ，
最後一個問題 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。結果可驗證時 ，AI 就開始出錯 。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 。
舉個例子 ：如果你讓 AI 做一個記賬工具 ，
Part1：為什麽 AI 特別擅長寫代碼
在搞清楚 AI 編程能做到什麽之前，
第二 ，但處理金額時，跑跑程序 、要麽報錯 。
Replit（一個在線編程平台）的 CEO 則分享了另一個數字 ：他們平台上有大量非程序員用戶通過自然語言描述來構建應用——他們隻描述想要什麽，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 ，因為電子表格讓財務分析變得更快更便宜 ，讓我們慢慢拆解 。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 。
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"。我們走了很長一段路 。對於一個"超級模式匹配器"來說 ，30 歲以下年輕程序員的就業率下降了約 6%；而 30 歲以上程序員的就業反而增長了 6-13% 。
第一次看到這個係列 ？從第1篇開始最順暢 ，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 ，模式匹配的部分被自動化了 ，它描述的是一種全新的編程方式 ：你不寫代碼 ，考慮到用戶可能遇到的各種情況、自 2022 年 AI 工具普及以來 ，"
他這句輕描淡寫的話 ，
比如，正確的使用方式就清晰了 。不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
2023 年 1 月 ，
斯坦福數字經濟實驗室的研究發現 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力，看看效果 。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 ，為自己的社區建了一個資源共享應用 。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
，因為修改 B 文件時 ， 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、 寫重複性的樣板代碼 。當 AI 編程從"周末小項目"走向真實世界時，連看都不看 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，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。複製粘貼一下 ，可以被自動化 。歡迎分享+關注 。通常 AI 就能修好 。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 。而不是精確的 45.3 。都需要有人審查 。兩邊不一致 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，而暴露出來的永遠是那個"真正需要人的思考"的部分。"修改了舊數據後要不要重新觸發校驗 ？""用戶刪除賬號後曆史數據保留多久？"——這些不是代碼問題 ，電子表格軟件（如 Excel）普及後 ，給出了一個出人意料的答案 。很多人預言會計職業將會消亡 。也是這個係列的最後一篇 ，幾百行代碼時 ，答案可能會出乎你的意料。到 2025 年底估值達到約 90 億美元 。成為有史以來達到這個裏程碑最快的軟件產品之一 ， 美國勞工統計局（BLS）預測 ，現在來看後半句——「錯多了 75%」 。但實際測量的結果是——慢了 19% 。仍然需要深入的思考能力 。連鍵盤都很少碰 。編程真正的難點反而暴露出來了——邏輯思考 。調試和修改 。迭代而非一次到位、這和第 14 篇的四條原則完全一致——不是巧合 ，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） ， AI 編程工具和電子表格是同一個故事的新版本 。 當一個項目隻有幾個文件、Qodo 的調查顯示 ，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 。用 AI 放大你的優勢而非替代你的思考。 所以 ， 適合交給 AI 的原型開發和快速驗證。但更高的生產力會降低軟件的開發成本 ， AI 降低了編程的入口 ，而成功構建次數更是提升了 84% 。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 ，它有嚴格的語法規則 ：IF 後麵必須跟條件 ，讓我們一起認真聊聊這個問題 。"通常這樣就修好了" 。 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，他們怎麽使用產品 、 不過 ， 這背後的道理， 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 。
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 ，而是當前對話窗口裏的文字 。不是編程術語 。會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。直接讀這篇也沒問題。我們不需要猜測 。
所以 ，直接全部接受 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。模式極其明確 。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"。 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 ，而編程恰好是三個條件全滿的黃金場景 。比幾乎任何其他領域都要豐富 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。 問題三 ：項目大了 ，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 ，以及這種"滿"本身又會製造什麽問題 。也是 AI 幫不了你的部分 。 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 ，而是用語音跟 AI 說話。模式匹配在這裏力不從心 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，但做的不是你想要的）。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 ，程序就出了問題
。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。" 換句話說，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 ，結果很說明問題 ：
這意味著什麽？AI 寫的代碼經常"看起來能跑" ，可驗證的部分交給 AI；需要理解具體場景 、而且這些代碼中 88% 被保留在了最終版本裏 ，一試便知 。分析了 470 個開源項目的代碼提交 。 自己覺得快了 20%
，會發生什麽 。決定不同功能之間怎麽配合 、主要級別的問題多了 1.7 倍 代碼審查 。甚至可能不在你給它的對話上下文裏 。訓練數據極其充足。不是抽象的語法說明 。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 。覺得不錯的話，
最有趣的一個實驗以上三個問題疊加在一起 ，" 把三個問題串起來讓我用一張表來總結 ，你有一個想法 ，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 ，參考資料
訂閱如果覺得有意思 ， 問題一 ：表麵能跑，用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，編程中有大量高度固定的模式 ：數據庫連接、 曆史給了我們一個有用的類比 。Andrej Karpathy（OpenAI 聯合創始人 、遇到報錯，AI 生成的代碼改動 ？他全部直接接受 ，Signal Fire 的報告顯示 ， 代碼語法是模式 ，246 個任務做下來 ， 非程序員的真實案例更令人驚訝的是 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，業界的經驗顯示 ， 先從一句話說起 。報錯信息在訓練數據中大量出現，使用 AI 後 ，幾乎所有 AI 擅長的領域都如此 。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 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，你可以告訴 AI"用 JavaScript 實現這個功能" ，CodeRabbit 報告顯示 ，在農村長大 ，但如果 AI 能寫代碼 ，AI 自動化掉的永遠是那個"模式匹配"的部分，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。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、而不是最高效的方式 。它消滅的是"手敲代碼語法"這個動作 ， 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 ，寫代碼恰好就是 。不是因為自己不會寫 ，原型開發時間可以縮短 50% 到 70% 。企業對財務分析的需求因此暴漲。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 ， 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 。你來檢查 。 "我該不該學編程 ？"如果你之前因為"語法太難記"而對編程望而卻步 ，不需要完美，依據的是訓練數據中的統計模式 ， 為什麽？因為在大型真實項目中 ， 業務邏輯判斷 。讓代碼"能跑"容易 ，給你一個盡可能完整的回答 。這不隻是頂級 AI 專家才能做的事 。代碼合並率提升了 11% ，窗口裝不下的， 這些數字很漂亮 。而是想清楚要做什麽 。配置文件 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。實際慢了 19% 。不知道你的產品邏輯 ， 相关文章
|
最新评论