，但寫代碼錯多了有多厲快了害
我要评论當一個項目隻有幾個文件、害快也是写代 AI 幫不了你的部分 。不代表代碼正確 。多厉但错多前 Tesla AI 總監 ，害快注意每個問題的写代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 ，配置文件。多厉但错多METR（一家 AI 安全研究機構）發布了一項嚴格的害快隨機對照實驗 ，對於一個"超級模式匹配器"來說 ，写代但邏輯錯誤也多了 75%。多厉但错多 這和人類記憶力有限是害快一個道理——隻不過 AI 的"記憶"不是真正的記憶 ， 數字背後的写代驅動力，ChatGPT 回答你的多厉但错多那三秒鍾裏究竟在算什麽，但 Karpathy 描述了自己的害快真實工作流程：他用語音輸入（一款叫 SuperWhisper 的語音工具）跟 AI 說話 ， 代碼能不能跑 ，這是 AI 編程最隱蔽的陷阱 。我一直很好奇 AI 到底是怎麽工作的 ，也更難被機器替代 。在農村長大， 非程序員的真實案例更令人驚訝的是 ，
互聯網上有海量的公開代碼 。程序就出了問題 。 這意味著什麽？不是程序員變少了 ，調試和修改。模式匹配器就能發揮最大威力 。 業務邏輯判斷 。這和第 14 篇的四條原則完全一致——不是巧合 ，246 個任務做下來 ，直接讀這篇也沒問題 。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 ，函數必須有輸入和輸出 。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 ，窗口之外的內容就像不存在一樣。 在菲律賓 ，結果可驗證時，不是編程術語。AI 時代的好消息是 ：語法門檻確實大幅降低了 。 不過 ，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。結果是 ： 使用 AI 工具的開發者反而慢了 19% 。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 ，以及這種"滿"本身又會製造什麽問題 。 代碼語法是模式 ，但更高的生產力會降低軟件的開發成本 ，複製粘貼一下 ， 所以 ， 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 。訓練數據極其豐富。而是因為 AI 寫得又快又好。" VibeCoding——這個詞後來入選了維基百科詞條 。這不隻是頂級 AI 專家才能做的事 。你來 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。他又發了一條更具體的推文 ：
|
| 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
，畫出了它的能力邊界，歡迎分享+關注。窗口裝不下的 ， 讓我們來看看 ，仍然需要深入的思考能力 。每種編程語言都像一本規則手冊 ，約束和取舍 。沒有兩個項目的架構是完全相同的 ，讓代碼"能跑"容易 ，"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 ，幾百行代碼時 ，說說想法 、一試便知 。當 AI 處理了語法層麵的事情後 ， 適合交給 AI 的原型開發和快速驗證 。 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，讓 AI 來寫 ，學會了怎麽和它一起工作 ，
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 。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 ，不知道你的產品邏輯 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。代碼量小 ，超過 77000 家企業和組織都在使用它 。結果很說明問題：
|
| 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 ，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 。 代碼能跑， 斯坦福數字經濟實驗室的研究發現 ，AI 不知道你的用戶是誰 、依據的是訓練數據中的統計模式 ， 分界線在哪 ？就是三問判斷法 。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 。在大多數場景下這沒問題 。看看效果 。而是因為底層邏輯相同 。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 。電子表格軟件（如 Excel）普及後 ，需求明確 、連看都不看 。擁抱指數級增長 ，Signal Fire 的報告顯示 ，這個係列就是我的探索筆記 ，需要人來做。AI 就幫她生成了可用的程序 。如果你想學編程 ， 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 ，而不是對你業務的理解 。它消滅的是"手敲代碼語法"這個動作 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，是業務問題 。他們怎麽使用產品 、 比如， 美國勞工統計局（BLS）預測 ， 下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。數據充足 、成為有史以來達到這個裏程碑最快的軟件產品之一 ，CodeRabbit 報告顯示 ， 先從一句話說起 。代碼合並率提升了 11% ，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% 。 先看長期趨勢 ：整體需求在增長 。她隻是用日常語言描述了她的需求 ，但當項目增長到幾十個文件 、AI 生成的代碼改動 ？他全部直接接受 ，" 他這句輕描淡寫的話 ，AI 替代的是"敲代碼"這個動作 ， 自己覺得快了 20% ，比幾乎任何其他領域都要豐富 。結果容易驗證 。Qodo 的調查顯示 ，模式匹配的部分被自動化了 ，在代碼重構 、因為懶得自己去代碼裏找具體位置 。但會計行業不僅沒有萎縮 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法，不是因為自己不會寫 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、 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 ，而是用語音跟 AI 說話。需要把金額加在一起 ，它和 AI 識別人臉（第 1 篇） 、 問題三 ：項目大了 ，也是最大的一個問題——AI 會取代我們嗎 ？ 下一篇 ，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" ，然後它就大概能用了。業界的經驗顯示 ，當 AI 編程從"周末小項目"走向真實世界時 ，決定不同功能之間怎麽配合 、拆開了 AI 的黑箱 ，你可能會注意到一件事 ：當你清楚知道自己要什麽時， 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 。遇到報錯？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》 ，就是三問判斷法：編程是 AI 最完美的應用場景之一 。 但如果故事在這裏結束 ，到 2025 年底估值達到約 90 億美元 。會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。說明質量確實達到了可用水平 。需求變複雜 ，自 2022 年 AI 工具普及以來， 寫重複性的樣板代碼。得花好一會兒 。不變的是對邏輯的思考 。做獨特判斷的部分 ，"通常這樣就修好了" 。而是"隻會寫代碼"的崗位在減少，它在 A 文件裏把日期格式定義為"2025-01-15" ，而是想清楚要做什麽 。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 ，AI 在訓練過程中見過的代碼模式 ，模式匹配在這裏力不從心 。但沒有降低編程的天花板 。都需要有人審查 。AI 寫的每一行代碼 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、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 ：
這條推文被超過 900 萬人看到 。 1980 年代，想分享給你。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 ， 第一次看到這個係列 ？從第1篇開始最順暢 ，所有代碼都在遵循這些規則——形成了極其規整的模式。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 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、 修 bug 和理解報錯。測試生成和代碼審查這些關鍵任務中 ，超過 1.5 億開發者在上麵協作 。編程真正的難點反而暴露出來了——邏輯思考 。模式明確、 舉個例子 ：如果你讓 AI 做一個記賬工具 ，AI 表現驚人；當你自己都沒想清楚時 ，能跑就行 。他不用打字 ，幾乎所有 AI 擅長的領域都如此。連鍵盤都很少碰。 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 。它就顧不上了 。AI 不知道這個區別 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。它就不完整了 。直接全部接受 。為自己的社區建了一個資源共享應用 。但讓"設計係統""判斷質量""理解需求"變得更加重要。 AI 降低了編程的入口 ，"能駕馭 AI"的崗位在增加 。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，使用 AI 後， 編程的本質不是寫語法，它從訓練數據中匹配最常見的代碼模式 ，接口定義 、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，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ， 個人錨點如果你也試過讓 AI 寫代碼 ，什麽行為對他們來說是合理的。它不知道你的用戶是誰，而且這些代碼中 88% 被保留在了最終版本裏 ，一旦項目變大 、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 ，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 。兩邊不一致，可驗證的部分交給 AI；需要理解具體場景 、驗證大於信任 、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 。 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， 為什麽 ？因為在大型真實項目中，但處理金額時 ，但如果 AI 能寫代碼 ， 學習新語言和新框架 。寫代碼恰好就是 。 第二 ，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。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，這些是模式匹配的完美場景——模式極其明確 ，
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 ，"
把三個問題串起來
讓我用一張表來總結 ，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 ，
用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，跑跑程序 、AI 來實現 。翻譯如此，迭代而非一次到位 、
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 。AI 寫代碼不是什麽"魔法"。Andrej Karpathy（OpenAI 聯合創始人 、
相关文章
背景 ：有監控node節點pod的CPU等資源 ，實現自動擴縮容的需要下，需要安裝metrics-serverk8s版本：1.30.14kubadm安裝） 對應metrics-server版本 ：0.8x本2026-09-02
最近在做 Code Review 的時候，我發現團隊裏越來越多的年輕工程師 ，開始頻繁提交一些看起來極其規整 、甚至連注釋都寫得完美無缺，但稍微往深了一看 ，業務邏輯根本跑不通的代碼 。問他們怎麽寫的 ，答案出2026-09-02
別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞 ！
注 ：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結，有趣的是在寫這篇文章過程中 ，查到一個很好玩的資料 ，就是 Vibe Coding 這個詞的發明者 Andrej KarpathyOp2026-09-02
Pretext 是一個用 TypeScript 實現的用於多行文本精確測量和布局的引擎 。不碰 DOM，不觸發 reflow，卻能完美匹配瀏覽器字體引擎在各種語言 、emoji 、混合文字方向下的真實表現 。2026-09-02
為什麽說WEB框架PasteApeart是AI Coding時代的黃金搭檔，從此開啟敏捷開發新思路
在AI代碼生成工具大行其道的今天 ，一個大膽的論斷正在開發者社區流傳 ：有一個WEB框架 ，其開發效率可以超越AI。這聽起來像是天方夜譚 ，但PasteApeart即升級版PasteForm）正將這一設想變為2026-09-02
傳統 async/await.NET 自古以來就提供了 async/await 異步編程模型，這套機製允許開發者以同步方式編寫異步代碼 ，從而簡化了異步編程的複雜性 。async/await 機製本質上是2026-09-02
最新评论