，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》。而不是多厉但错多精確的 45.3 。不像寫散文——好壞見仁見智 。害快
當一個項目隻有幾個文件 、写代和我們整個係列一直在探索的多厉但错多核心發現一致 ：模式匹配的部分可以被自動化 ，
埃森哲（全球最大的害快谘詢公司之一）做了一項更嚴格的隨機對照實驗 ：使用 Copilot 的開發者 ，結果是写代：
使用 AI 工具的開發者反而慢了 19% 。不理解具體業務語境（第 9 篇
：模式匹配 vs 理解） 這條推文被超過 900 萬人看到。害快報錯信息在訓練數據中大量出現，而是當前對話窗口裏的文字。你來
。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 ，"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
，" VibeCoding——這個詞後來入選了維基百科詞條 。不知道你的產品邏輯 ，後續文章也會持續更新。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，翻譯如此 ，能跑就行
。忘記代碼的存在……我就是看看效果 、你可以告訴 AI"用 JavaScript 實現這個功能" ，AI 的局限就暴露了。 代碼能跑
，什麽行為對他們來說是合理的。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 ，也更難被機器替代 。通常 AI 就能修好 。AI 生成的代碼改動 ？他全部直接接受
，給你一個盡可能完整的回答
。這個係列就是我的探索筆記 ，"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、 這些數字很漂亮 。但更高的生產力會降低軟件的開發成本
，現在來看後半句——「錯多了 75%」 。但因為"敲代碼"這個動作本身確實變快了
，迭代而非一次到位 、決定不同功能之間怎麽配合
、配置文件 。做獨特判斷的部分
，BLS 的分析邏輯是：AI 確實提高了程序員的生產力，代碼的對錯通常是確定性的 ：要麽運行成功 ，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
。 編程語言不像人類語言那樣模糊 。我查了大量數據 ，測試生成和代碼審查這些關鍵任務中 ， 為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼"
，而是用語音跟 AI 說話 。讓我們一起來探索這個問題 。 第二 ，依據的是訓練數據中的統計模式，給出了一個出人意料的答案 。AI 就開始出錯
。 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 ， 光說數據可能還不夠直觀 。任何有經驗的程序員都知道，處理金額應該用整數（以"分"為單位計算） 。調試和修改 。不需要完美 ， 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 ，甚至可能不在你給它的對話上下文裏 。 先來拆解"滿"在哪
。軟件開發崗位到 2033 年將增長約 17% ， 第一 ，好在這方麵已經有了大量公開的研究數據
， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ， 但如果故事在這裏結束，但內在邏輯有問題。 這聽起來像科幻 。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 ， 原型開發和快速驗證
。實際慢了 19% 。所有代碼都在遵循這些規則——形成了極其規整的模式 。結果容易驗證 。它和 AI 識別人臉（第 1 篇）、它有嚴格的語法規則 ：IF 後麵必須跟條件 ，它在 A 文件裏把日期格式定義為"2025-01-15"
，代碼提交量提升了 8.69% ，遇到一個看不懂的報錯信息？丟給 AI。程序就出了問題。讓代碼"跑得快"則需要理解計算機底層的工作方式
。數據充足、複製粘貼一下
， 這意味著什麽 ？不是程序員變少了 ，需要把金額加在一起 ，但沒有降低編程的天花板 。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。for 後麵必須跟循環變量 ，AI 時代的好消息是 ：語法門檻確實大幅降低了 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，不是因為自己不會寫 ，讓 AI 來寫 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、沒有兩個項目的架構是完全相同的 ，跑跑程序 、但邏輯錯誤也多了 75% 。但要做好 ，AI 理解他的意思後， 這背後的道理
，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， 自己覺得快了 20%
，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ， 編程的本質不是寫語法， 更令人驚訝的是，還一起看了它在編程這個最擅長的領域裏的表現和局限 。他看都不看修改的內容 ，你甚至不需要看懂代碼——看結果就行。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 。編程中有大量高度固定的模式 ：數據庫連接 、也是這個係列的最後一篇，訓練數據極其充足 。 2025 年 7 月 ，一試便知 。 架構設計 。" 換句話說 ，可以被自動化 。考慮到用戶可能遇到的各種情況、發現了很多有意思的東西
，不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ， AI 降低了編程的入口 ，說明質量確實達到了可用水平。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯
。有四分之一的代碼庫幾乎完全由 AI 生成 。模式極其明確 。 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，而暴露出來的永遠是那個"真正需要人的思考"的部分 。答案可能會出乎你的意料 。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
。在大多數場景下這沒問題。 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。 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 ，AI 寫的每一行代碼 ，"通常這樣就修好了"。寫代碼恰好就是
。需求變複雜 ，直接讀這篇也沒問題 。約束和取舍 。 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，不是"解決問題"這個能力 。函數必須有輸入和輸出 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，遇到報錯 ，以及這種"滿"本身又會製造什麽問題。會發現這不隻是編程的事。 代碼語法是模式
，她不是程序員，成為有史以來達到這個裏程碑最快的軟件產品之一 ， 這意味著什麽 ？AI 寫的代碼經常"看起來能跑"，讓代碼"能跑"容易 ，分析了 470 個開源項目的代碼提交 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍
。GitHub（全球最大的代碼托管平台 ，AI 自動化掉的永遠是那個"模式匹配"的部分 ，接口定義
、不變的是對邏輯的思考 。我花了不少時間去找到並撤銷這些改動 。每種編程語言都像一本規則手冊 ， 先看長期趨勢 ：整體需求在增長 。而是因為 AI 寫得又快又好 。直到搬到馬尼拉才第一次接觸電腦 。不是在"理解你要什麽"
。 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" 。這是 AI 編程最隱蔽的陷阱 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，然後對照 AI 生成的代碼來學習 。 第一次看到這個係列 ？從第1篇開始最順暢
，他們怎麽使用產品 、不代表代碼正確 。你不需要背誦 2023 年 1 月 ， 第三 ，Andrej Karpathy（OpenAI 聯合創始人 、 美國勞工統計局（BLS）預測 ，它描述的是一種全新的編程方式：你不寫代碼，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，AI 時代的建議是
：重點從"記語法"轉向"練邏輯"
。幾乎所有 AI 擅長的領域都如此 。Qodo 的調查顯示，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 ，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）， 代碼審查。 業務邏輯判斷。 如果覺得有意思 ，連鍵盤都很少碰 。其實藏著很深的含義
。企業對財務分析的需求因此暴漲
。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"
。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" 。把報錯信息複製給 AI ，但讓"設計係統""判斷質量""理解需求"變得更加重要 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。但處理金額時 ，而編程恰好是三個條件全滿的黃金場景。 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 。而是想清楚要做什麽 。為自己的社區建了一個資源共享應用。歡迎關注我 ，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% 。 AI 讓寫代碼快了 55%
，平均用時 1 小時 11 分鍾 ，兩邊不一致，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 。數據充足
、是業務問題
。它消滅的是"手敲代碼語法"這個動作 ， 想清楚一個工具應該怎麽工作 、 讓我們來看看，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》 ，然後它就大概能用了。編程真正的難點反而暴露出來了——邏輯思考 。如果你想學編程
，你有一個想法， 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
， 如果你也試過讓 AI 寫代碼
，沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶） 知道了 AI 編程的優勢和局限後 ， 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
，這不隻是頂級 AI 專家才能做的事。有趣的是
，而成功構建次數更是提升了 84% 。畫出了它的能力邊界，AI 可以"看到"全貌 ，直接全部接受 。到 2025 年底估值達到約 90 億美元 。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。而是"隻會寫代碼"的崗位在減少 ，但會計行業不僅沒有萎縮， 斯坦福數字經濟實驗室的研究發現
，因為修改 B 文件時，擁抱指數級增長 ，但實際測量的結果是——慢了 19% 。比幾乎任何其他領域都要豐富 。 分界線在哪？就是三問判斷法
。 上一篇
，那不會編程的人是不是也能"寫"代碼了
？ 今天
， 互聯網上有海量的公開代碼。因為電子表格讓財務分析變得更快更便宜
，AI 不知道這個區別 ，用 AI 放大你的優勢而非替代你的思考 。很多人預言會計職業將會消亡 。 AI 編程工具和電子表格是同一個故事的新版本 。在農村長大， 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 。但做的不是你想要的）
。代碼量小 ，他不用打字
， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。CodeRabbit 報告顯示
， 這是 「AI是怎麽回事」係列的第 15 篇 。我們不需要猜測
。需要人來做。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 ，模式匹配的部分被自動化了 ， 先從一句話說起 。 修 bug 和理解報錯
。模式匹配器就能發揮最大威力 。而不是最高效的方式 。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 。他又發了一條更具體的推文 ： "有一種新的編程方式 ，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。 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
。AI 給出的東西怎麽改都不對
。 舉個例子 ：如果你讓 AI 做一個記賬工具 ，寫作如此 ，就是三問判斷法
：編程是 AI 最完美的應用場景之一。 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，正確的使用方式就清晰了 。 如果你再仔細想想，窗口裝不下的，不是編程術語 。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 ，三問判斷法三項全滿的任務是 AI 的黃金場景。邏輯有錯 如果你之前因為"語法太難記"而對編程望而卻步
，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇 ，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 ，" 他這句輕描淡寫的話
， 數字背後的驅動力， 性能優化
。結果可驗證時 ，即可訂閱 。 比如 ，而不是對你業務的理解
。會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"。當 AI 編程從"周末小項目"走向真實世界時
，幾百行代碼時
，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、 最後一個問題
， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，驗證大於信任
、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 ，結果發現
： 讓我用一張表來總結
，AI 替代的是"敲代碼"這個動作，AI 在訓練過程中見過的代碼模式
，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、想分享給你
。而且 AI 係統本身也需要大量的開發者來構建和維護 。會發生什麽 。看看效果 。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 ，兩年後的 2025 年 2 月
，對於一個"超級模式匹配器"來說 ，電子表格軟件（如 Excel）普及後 ，AI 見過無數"錯誤-原因-解法"的模式對 ，超過 77000 家企業和組織都在使用它 。直接修改代碼文件
。連看都不看 。仍然需要深入的思考能力
。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，她隻是用日常語言描述了她的需求，我一直很好奇 AI 到底是怎麽工作的 ，但當項目增長到幾十個文件 、結果很說明問題
： 學習新語言和新框架
。遇到報錯 ？把錯誤信息直接複製給 AI ，注意每個問題的根源都可以追溯到我們前麵章節的知識
： 所以， 但這裏有一個關鍵的轉變 。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，因為懶得自己去代碼裏找具體位置
。模式明確 、這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。但如果 AI 能寫代碼
，AI 為什麽能通過律師考試卻會一本正經地撒謊 。一旦項目變大、AI 生成的代碼需要大量的檢查
、 在搞清楚 AI 編程能做到什麽之前
， 不過
，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， 這個問題幾乎每個人都在問 。原型開發時間可以縮短 50% 到 70%
。訓練數據極其豐富
。需要理解的部分永遠需要人
。 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
、 為什麽 ？因為在大型真實項目中 ，反而大幅增長 ，業界的經驗顯示
，得花好一會兒
。 以上三個問題疊加在一起 ，AI 不知道你的用戶是誰 、Signal Fire 的報告顯示 ，也是 AI 幫不了你的部分 。AI 來生成代碼 。這可能是 AI 編程給我們最大的啟示 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%
。這和第 14 篇的四條原則完全一致——不是巧合
，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，當 AI 處理了語法層麵的事情後 ，都需要有人審查
。他會說"把側邊欄的內邊距減半"這種大白話 ，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。它就不完整了 。Stack Overflow（全球最大的編程問答社區）上有超過 2300 萬個編程問答——每一個都是一對"問題-解決方案"的模式
。 從第 1 篇"你的手機是怎麽認出你的臉"到現在
， 寫重複性的樣板代碼。AI 寫代碼不是什麽"魔法"。需求明確 、它從訓練數據中匹配最常見的代碼模式 ，遠超所有職業平均 4% 的增長率 。使用 AI 後 ， 這三個問題不是意外
。 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 ，在代碼重構、 在菲律賓，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 。歡迎分享+關注。而且這些代碼中 88% 被保留在了最終版本裏，AI 表現驚人；當你自己都沒想清楚時 ， 代碼能不能跑，這簡直是完美的工作對象 。它就顧不上了 。你來檢查 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，這些是模式匹配的完美場景——模式極其明確 ，開發者產生了"我變快了"的錯覺 。 1980 年代 ， 曆史給了我們一個有用的類比 。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 ，可驗證的部分交給 AI；需要理解具體場景、但在 B 文件的統計功能裏用了"01/15/2025"。AI 就幫她生成了可用的程序 。主要級別的問題多了 1.7 倍 所以
，讓我們來看看 AI 編程在實際中長什麽樣
。自 2022 年 AI 工具普及以來 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。AI 來實現。模式匹配在這裏力不從心。讓我們一起認真聊聊這個問題 。超過 1.5 億開發者在上麵協作 。表現很好。 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！ 別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞 ！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 ，多厉但错多我們走了很長一段路 。害快代碼合並率提升了 11% ，写代不是多厉但错多抽象的語法說明 。而是害快因為底層邏輯相同
。比翻文檔快得多——因為 AI 給你的写代是一個可運行的具體例子
，需要理解的多厉但错多部分永遠需要人——AI 降低的是編程門檻 ，" 效率數據 ：到底快了多少 ？
Part2 ：AI 編程到底能做到什麽——一起來看看
適合交給 AI 的
非程序員的真實案例
仍然需要人做的
for循環的寫法——AI 會替你寫。參考資料
訂閱
一句話回顧
個人錨點
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，說說想法、這是典型的模式匹配強項。Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，恰好在 AI 的能力範圍之內
。覺得不錯的話 ， Part4
：正確的姿勢——AI 編程適合做什麽
Karpathy 的親身描述
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式
，入門更容易了
，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
。它不知道你的用戶是誰 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，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。 "我該不該學編程 ？"
把三個問題串起來
問題 表現 根源（回溯前文） 表麵能跑 ，"能駕馭 AI"的崗位在增加。 
Part1 ：為什麽 AI 特別擅長寫代碼
讀者可能會問的兩個問題
"程序員會不會失業 ？"
最有趣的一個實驗
下一篇預告
Part3：模式匹配器寫代碼
，AI 無法"看到"全部信息（第 6 篇 ：上下文窗口的限製）
問題一
：表麵能跑
，讓我們慢慢拆解 。拆開了 AI 的黑箱 ，學會了怎麽和它一起工作 ，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
，
問題三 ：項目大了 ，要麽報錯 。
相关文章
最新评论