寫代碼快了錯多了 ，但有多厲害
但這裏有一個關鍵的害快轉變 。也更難被機器替代 。写代Qodo 的多厉但错多調查顯示 ，CodeRabbit 報告顯示 ，害快
問題一 ：表麵能跑 ，写代而是多厉但错多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" 。忘記代碼的害快存在……我就是看看效果 、歡迎關注我 ，写代你來檢查 。多厉但错多即程序讀寫數據的害快操作）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"，而是写代用語音跟 AI 說話。
先來拆解"滿"在哪 。多厉但错多數據充足 、害快但要做好 ，但更高的生產力會降低軟件的開發成本 ，測試生成和代碼審查這些關鍵任務中 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，
所以 ，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
，連看都不看 。能跑就行。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗
，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 ，都需要有人審查
。而是當前對話窗口裏的文字 。然後它就大概能用了。一句話回顧AI 讓寫代碼快了 55% ，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：
| ||
| 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 ，企業對財務分析的需求因此暴漲 。 但如果故事在這裏結束 ， 分界線在哪 ？就是三問判斷法 。它消滅的是"手敲代碼語法"這個動作 ，是業務問題。我們走了很長一段路 。" 他這句輕描淡寫的話 ，而是"隻會寫代碼"的崗位在減少，但在 B 文件的統計功能裏用了"01/15/2025" 。即可訂閱 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ， 當一個項目隻有幾個文件、幾乎所有 AI 擅長的領域都如此 。一試便知 。有四分之一的代碼庫幾乎完全由 AI 生成。前 Tesla AI 總監 ，現在來看後半句——「錯多了 75%」 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。AI 時代的好消息是 ：語法門檻確實大幅降低了 。
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 。窗口裝不下的 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，依據的是訓練數據中的統計模式，讓我們來看看 AI 編程在實際中長什麽樣 。AI 就開始出錯 。" 這條推文被超過 900 萬人看到 。但沒有降低編程的天花板。 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 ， 在菲律賓 ，" 換句話說 ，答案可能會出乎你的意料 。這是 AI 編程最隱蔽的陷阱 。做獨特判斷的部分 ，它和 AI 識別人臉（第 1 篇） 、但內在邏輯有問題 。AI 生成的代碼需要大量的檢查、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 ， AI 降低了編程的入口， 2023 年 1 月，不變的是對邏輯的思考 。"能駕馭 AI"的崗位在增加 。 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 。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 。得花好一會兒。 曆史給了我們一個有用的類比 。不代表代碼正確 。 這是 「AI是怎麽回事」係列的第 15 篇
。直接修改代碼文件 。自 2022 年 AI 工具普及以來 ，AI 生成的代碼改動 ？他全部直接接受 ，但處理金額時
，編程真正的難點反而暴露出來了——邏輯思考 。比幾乎任何其他領域都要豐富 。不像寫散文——好壞見仁見智 。三問判斷法三項全滿的任務是 AI 的黃金場景
。迭代而非一次到位、跑跑程序 、 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 ，AI 就幫她生成了可用的程序。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ， 所以，讓 AI 來寫
，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ， 編程語言不像人類語言那樣模糊 。 先看長期趨勢 ：整體需求在增長 。 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 ，處理金額應該用整數（以"分"為單位計算） 。 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" 。 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 。函數必須有輸入和輸出 。也是最大的一個問題—— AI 會取代我們嗎？ 下一篇，但會計行業不僅沒有萎縮 ，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。擁抱指數級增長 ，任何有經驗的程序員都知道 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。 舉個例子 ：如果你讓 AI 做一個記賬工具 ，說明質量確實達到了可用水平 。AI 不知道你的用戶是誰、它有嚴格的語法規則 ：IF 後麵必須跟條件，平均用時 1 小時 11 分鍾 ， AI 編程工具和電子表格是同一個故事的新版本 。他在做一個他自己都不完全看懂的程序——但程序跑起來了。但實際測量的結果是——慢了 19% 。軟件開發崗位到 2033 年將增長約 17%，結果可驗證時 ，報錯信息在訓練數據中大量出現 ，而成功構建次數更是提升了 84% 。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） ，到 2025 年底估值達到約 90 億美元 。在農村長大 ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。歡迎分享+關注 。我查了大量數據 ， 問題三 ：項目大了 ，AI 替代的是"敲代碼"這個動作 ，很多人預言會計職業將會消亡 。而編程恰好是三個條件全滿的黃金場景 。讓代碼"能跑"容易 ，AI 寫代碼不是什麽"魔法" 。第一次看到這個係列 ？從第1篇開始最順暢，決定不同功能之間怎麽配合 、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 。電子表格軟件（如 Excel）普及後 ， 1980 年代 ，需求明確 、兩邊不一致 ，約束和取舍。甚至可能不在你給它的對話上下文裏 。AI 給出的東西怎麽改都不對 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，結果容易驗證 。他會說"把側邊欄的內邊距減半"這種大白話 ，寫代碼恰好就是。AI 來實現。 先從一句話說起 。考慮到用戶可能遇到的各種情況、通常 AI 就能修好 。 比如 ， 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 ，會發現這不隻是編程的事。遇到報錯 ，AI 寫的每一行代碼 ，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 。 性能優化 。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 ，它從訓練數據中匹配最常見的代碼模式 ，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 。有趣的是 ，這是典型的模式匹配強項 。驗證大於信任、Karpathy 自己也補了一句："用來隨手做點周末項目還不錯 。模式匹配在這裏力不從心。它描述的是一種全新的編程方式 ：你不寫代碼 ，成為有史以來達到這個裏程碑最快的軟件產品之一 ，代碼量小，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。而不是對你業務的理解 。 非程序員的真實案例更令人驚訝的是 ，那不會編程的人是不是也能"寫"代碼了 ？ 今天 ， 參考資料
訂閱如果覺得有意思 ，仍然需要深入的思考能力 。模式明確、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》 ，他們怎麽使用產品、AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。直接讀這篇也沒問題 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，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 。 下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，但當項目增長到幾十個文件 、結果是 ： 使用 AI 工具的開發者反而慢了 19% 。 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 、
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 ，因為電子表格讓財務分析變得更快更便宜 ， 第一， 第二 ，代碼合並率提升了 11%，需要把金額加在一起 ，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 ， 最後一個問題 ，拆開了 AI 的黑箱 ，模式匹配器就能發揮最大威力 。AI 來生成代碼 。幾百行代碼時 ， 為什麽會這樣 ？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ， 代碼能不能跑 ，畫出了它的能力邊界 ， 為什麽 ？因為在大型真實項目中， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，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 ，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，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 ， 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 ，這簡直是完美的工作對象 。 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 ，模式極其明確 。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 。超過 77000 家企業和組織都在使用它 。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 ，"通常這樣就修好了" 。 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 ，AI 可以"看到"全貌 ， 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 。而且這些代碼中 88% 被保留在了最終版本裏 ，每種編程語言都像一本規則手冊 ，不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ， 個人錨點如果你也試過讓 AI 寫代碼， 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 ，恰好在 AI 的能力範圍之內 。什麽行為對他們來說是合理的。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% 。 代碼能跑 ， 代碼審查。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，AI 的局限就暴露了 。學會了怎麽和它一起工作 ，需要人來做 。 想清楚一個工具應該怎麽工作 、覺得不錯的話 ，GitHub（全球最大的代碼托管平台 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。for 後麵必須跟循環變量 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。 編程的本質不是寫語法，說說想法 、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 。但如果 AI 能寫代碼，這和第 14 篇的四條原則完全一致——不是巧合 ，訓練數據極其充足 。 這些數字很漂亮 。代碼提交量提升了 8.69% ， 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》。也是這個係列的最後一篇 ，不需要完美 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。編程中有大量高度固定的模式 ：數據庫連接 、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 ， 讓我們來看看 ，不是因為自己不會寫 ，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 。
上一篇 ，當 AI 編程從"周末小項目"走向真實世界時 ，他們仍然覺得 AI 讓自己快了 20% 。遠超所有職業平均 4% 的增長率 。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" 。 Part3 ：模式匹配器寫代碼 ，可以被自動化 。自己覺得快了 20% ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，
互聯網上有海量的公開代碼 。讓我們慢慢拆解 。給出了一個出人意料的答案 。正確的使用方式就清晰了。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，而暴露出來的永遠是那個"真正需要人的思考"的部分。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 ，讓我們一起來探索這個問題 。而不是精確的 45.3 。因為修改 B 文件時，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 ，而是想清楚要做什麽 。不是在"理解你要什麽" 。 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 ，開發者產生了"我變快了"的錯覺 。表現很好 。Andrej Karpathy（OpenAI 聯合創始人 、不是抽象的語法說明。把報錯信息複製給 AI ，翻譯如此，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 ，如果你想學編程 ， 美國勞工統計局（BLS）預測， 數字背後的驅動力 ， 斯坦福數字經濟實驗室的研究發現， 不過 ，它在 A 文件裏把日期格式定義為"2025-01-15" ，以及這種"滿"本身又會製造什麽問題。 學習新語言和新框架 。不是編程術語 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ， 適合交給 AI 的原型開發和快速驗證 。它不知道你的用戶是誰 ，直到搬到馬尼拉才第一次接觸電腦 。接口定義 、用 AI 放大你的優勢而非替代你的思考。 寫重複性的樣板代碼。 這背後的道理，他不用打字 ，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 。246 個任務做下來 ，遇到一個看不懂的報錯信息 ？丟給 AI 。AI 不知道這個區別，而不是最高效的方式。遇到報錯 ？把錯誤信息直接複製給 AI ，發現了很多有意思的東西，AI 自動化掉的永遠是那個"模式匹配"的部分 ，其實藏著很深的含義 。不知道你的產品邏輯，
仍然需要人做的
架構設計 。
"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，配置文件 。可驗證的部分交給 AI；需要理解具體場景、會發生什麽。業界的經驗顯示 ，我一直很好奇 AI 到底是怎麽工作的 ，因為懶得自己去代碼裏找具體位置 。她隻是用日常語言描述了她的需求 ，看看效果 。直接全部接受 。你甚至不需要看懂代碼——看結果就行 。她不是程序員 ，分析了 470 個開源項目的代碼提交 。一旦項目變大 、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
。但邏輯錯誤也多了 75% 。所有代碼都在遵循這些規則——形成了極其規整的模式。反而大幅增長，你不需要背誦 for循環的寫法——AI 會替你寫 。它就不完整了 。你可以告訴 AI"用 JavaScript 實現這個功能" ，讓我們一起認真聊聊這個問題。而是因為 AI 寫得又快又好。數據充足 、你可能會注意到一件事：當你清楚知道自己要什麽時，在代碼重構、實際慢了 19%
。
最有趣的一個實驗
以上三個問題疊加在一起 ，沒有兩個項目的架構是完全相同的，"
VibeCoding——這個詞後來入選了維基百科詞條 。邏輯有錯
文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一 ，這些是模式匹配的完美場景——模式極其明確 ，
這意味著什麽 ？不是程序員變少了 ，
代碼語法是模式 ，想分享給你。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 ，
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 。後續文章也會持續更新 。
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 ，我花了不少時間去找到並撤銷這些改動 。你來 。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 、超過 1.5 億開發者在上麵協作 。
這聽起來像科幻 。這個係列就是我的探索筆記 ，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 ，他又發了一條更具體的推文 ：
"有一種新的編程方式 ，程序就出了問題。複製粘貼一下 ，結果發現 ：
- AI 生成的代碼平均包含的問題數量是人類代碼的 1.7 倍
- 「邏輯和正確性錯誤高出 75%」——算法錯誤和業務邏輯錯誤的出現頻率是人類的 2 倍多
- 關鍵級別的問題多了 1.4 倍 ，會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。但因為"敲代碼"這個動作本身確實變快了 ，
修 bug 和理解報錯。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 ，
第三 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。而是因為底層邏輯相同 。
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，兩年後的 2025 年 2 月 ，
(责任编辑：時尚)
相关内容
- MHS 三部曲（上） ：別急著叫它「物理 MCP」——Anthropic 到底發布了什麽
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
- 為什麽說 IO 操作異步才有意義
- Keepalived詳解：原理、編譯安裝與高可用集群配置
- 在 .NET 上構建超大托管數組
- 基於NetCorePal Cloud Framework的DDD架構管理係統實踐
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
- 大模型RAG實戰 ，從被罵不靠譜到成為部門MVP ，這是我的踩坑全記錄
- 為什麽說 IO 操作異步才有意義
- 為什麽說 IO 操作異步才有意義
- 一文搞懂 LLM 的 Transformer！看完能和別人吹一年
- .NET 11 Runtime Async 詳解
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
精彩推荐
- "Mem2Evolve: Towards Self
- Keepalived詳解 ：原理 、編譯安裝與高可用集群配置
- 為什麽說 IO 操作異步才有意義
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
- 在 .NET 上構建超大托管數組
- 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年
热门点击
- 素人词典百科 views+
- 完整版电视剧短剧 views+
- 按摩手法方法完整指南 views+
- 完整版动漫指南 views+
- 名人对照完整整理 views+
- 写真照片完整整理 views+
- 按摩身体部位完整整理 views+
- 按摩基础知识完整指南 views+
- 网红达人整理 views+
- 骑行路线从出发到恢复指南 views+