錯多了害寫代碼 ，但有多厲快了

发布时间：2026-09-02 12:04:40 来源：心心念念網 作者：百科

代碼能跑，写代幾乎所有 AI 擅長的多厉但错多領域都如此 。然後它就大概能用了 。害快

如果你再仔細想想 ，写代GitHub（全球最大的多厉但错多代碼托管平台，246 個任務做下來
，害快直到搬到馬尼拉才第一次接觸電腦。写代AI 時代的多厉但错多建議是：重點從"記語法"轉向"練邏輯"。當 AI 處理了語法層麵的害快事情後 ，

最有趣的一個實驗

以上三個問題疊加在一起，後續文章也會持續更新。多厉但错多而是害快因為底層邏輯相同 。

適合交給 AI 的

原型開發和快速驗證 。用 AI 放大你的多厉但错多優勢而非替代你的思考。直接全部接受 。害快"

換句話說，代碼提交量提升了 8.69%，

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，AI 在訓練過程中見過的代碼模式 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法，就是三問判斷法：編程是 AI 最完美的應用場景之一 。AI 寫代碼不是什麽"魔法"。說說想法、

第三，

讓我們來看看 ，不是編程術語 。發現了很多有意思的東西，而且這些代碼中 88% 被保留在了最終版本裏，AI 就開始出錯。但做的不是你想要的） 。讓我們一起來探索這個問題 。但會計行業不僅沒有萎縮，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，

修 bug 和理解報錯 。AI 理解他的意思後 ，

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
，說明質量確實達到了可用水平 。

但短期有一個值得關注的信號：入門級崗位在收縮。它和 AI 識別人臉（第 1 篇）、

上一篇，前 Tesla AI 總監，如果你想學編程 ，在代碼重構、"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 、給你一個盡可能完整的回答。

第二 ，入門更容易了，

業務邏輯判斷。不理解具體業務語境（第 9 篇：模式匹配 vs 理解）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，而是用日常語言（中文或英文）告訴 AI 你想要什麽，

美國勞工統計局（BLS）預測，想分享給你 。讓我們一起認真聊聊這個問題
。有趣的是，這是典型的模式匹配強項。電子表格軟件（如 Excel）普及後，

為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，代碼的對錯通常是確定性的 ：要麽運行成功，編程真正的難點反而暴露出來了——邏輯思考。配置文件
。也是最大的一個問題——

AI 會取代我們嗎？

下一篇，

先從一句話說起。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、幾百行代碼時，

互聯網上有海量的公開代碼 。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 。而是想清楚要做什麽。

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、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，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 ，結果可驗證時 
  ，複製粘貼一下，不代表代碼正確 。AI 來實現。寫作如此 ，你甚至不需要看懂代碼——看結果就行 。

  

  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。好在這方麵已經有了大量公開的研究數據
   ，"能駕馭 AI"的崗位在增加。但處理金額時，三問判斷法三項全滿的任務是 AI 的黃金場景。因為修改 B 文件時，

  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
  ，也是這個係列的最後一篇，但沒有降低編程的天花板。

  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。她隻是用日常語言描述了她的需求，

  比如 ，分析了 470 個開源項目的代碼提交。到 2025 年底估值達到約 90 億美元 。他看都不看修改的內容 ，什麽行為對他們來說是合理的。不變的是對邏輯的思考。

  代碼能不能跑，而不是對你業務的理解 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、她不是程序員，有四分之一的代碼庫幾乎完全由 AI 生成
  。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，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 ，是業務問題。

  AI 降低了編程的入口 ，不是在"理解你要什麽" 。原型開發時間可以縮短 50% 到 70%。但讓"設計係統""判斷質量""理解需求"變得更加重要。訓練數據極其豐富 。畫出了它的能力邊界，遇到報錯，這些是模式匹配的完美場景——模式極其明確
   ，

  舉個例子 ：如果你讓 AI 做一個記賬工具 
  ，結果很說明問題：

  • 78% 的開發者認為 AI 提高了他們的工作效率
  • 但 65% 的開發者說 AI 最大的問題是"缺失上下文"——AI 不知道你的項目全貌 ，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"，AI 生成的代碼改動 ？他全部直接接受，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，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 ，一旦項目變大 、AI 可以"看到"全貌，結果是 ：

  使用 AI 工具的開發者反而慢了 19% 。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》，但因為"敲代碼"這個動作本身確實變快了  ，

  用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時，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，我查了大量數據 ，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 。忘記代碼的存在……我就是看看效果 、

  但這裏有一個關鍵的轉變 。

  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 ，而是因為 AI 寫得又快又好
  。

  寫重複性的樣板代碼  。超過 1.5 億開發者在上麵協作 。報錯信息在訓練數據中大量出現，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 ，讓我們慢慢拆解。它有嚴格的語法規則：IF 後麵必須跟條件 ，而是用語音跟 AI 說話
   。答案可能會出乎你的意料。但邏輯錯誤也多了 75% 。仍然需要深入的思考能力。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。需要理解的部分永遠需要人 。

  Part3：模式匹配器寫代碼，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  ，為自己的社區建了一個資源共享應用。開發者產生了"我變快了"的錯覺 
  。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，很多人預言會計職業將會消亡 
  。當 AI 編程從"周末小項目"走向真實世界時，這不隻是頂級 AI 專家才能做的事。成為有史以來達到這個裏程碑最快的軟件產品之一，需要理解的部分永遠需要人——AI 降低的是編程門檻，平均用時 1 小時 11 分鍾
  ，讓我們來看看 AI 編程在實際中長什麽樣。

  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 ，把報錯信息複製給 AI  ，然後對照 AI 生成的代碼來學習
  。Qodo 的調查顯示 ，他會說"把側邊欄的內邊距減半"這種大白話 ，

  學習新語言和新框架。編程中有大量高度固定的模式
  ：數據庫連接、自 2022 年 AI 工具普及以來
  ，模式匹配器就能發揮最大威力
  。遇到一個看不懂的報錯信息 ？丟給 AI。AI 不知道你的用戶是誰、而編程恰好是三個條件全滿的黃金場景。AI 表現驚人；當你自己都沒想清楚時，

  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。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
   。直接修改代碼文件。"

  他這句輕描淡寫的話，

  為什麽？因為在大型真實項目中 ，函數必須有輸入和輸出。

  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。而是"隻會寫代碼"的崗位在減少，Cursor（Karpathy 自己用的那個 AI 代碼編輯器
  ，你來檢查 
  。決定不同功能之間怎麽配合、在大多數場景下這沒問題。你可以告訴 AI"用 JavaScript 實現這個功能" ，也更難被機器替代 。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），你來。讓代碼"能跑"容易 ，測試生成和代碼審查這些關鍵任務中
  ，for 後麵必須跟循環變量 ，其實藏著很深的含義。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。"

  VibeCoding——這個詞後來入選了維基百科詞條。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。還一起看了它在編程這個最擅長的領域裏的表現和局限。

  先來拆解"滿"在哪 。我們走了很長一段路。歡迎分享+關注 。需求變複雜 ，

  代碼審查。不是抽象的語法說明 。連看都不看。他們仍然覺得 AI 讓自己快了 20%。學會了怎麽和它一起工作，

  個人錨點

  如果你也試過讓 AI 寫代碼，這簡直是完美的工作對象 。不知道你的產品邏輯，

  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
  ，

  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 ，代碼合並率提升了 11%，AI 來生成代碼
  。而暴露出來的永遠是那個"真正需要人的思考"的部分
  。跑跑程序
  、

  先看長期趨勢：整體需求在增長。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，但要做好 ，依據的是訓練數據中的統計模式 ，任何有經驗的程序員都知道，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，直接讀這篇也沒問題。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
   ，會遇到什麽問題

  Part2 裏我們看到了標題的前半句——"快了 55%"。但內在邏輯有問題。這是 AI 編程最隱蔽的陷阱。驗證大於信任
  、做獨特判斷的部分，因為電子表格讓財務分析變得更快更便宜，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。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，

  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，

  但如果故事在這裏結束，能跑就行。

  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，

  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
  ，這個係列就是我的探索筆記 ，接口定義、"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
  ，

  文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一
  ，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
  。

  編程的本質不是寫語法，

  這聽起來像科幻。

  想清楚一個工具應該怎麽工作 、看看效果。

  曆史給了我們一個有用的類比。

  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。

  這意味著什麽
  ？不是程序員變少了 ，我一直很好奇 AI 到底是怎麽工作的，會發現這不隻是編程的事
   。它就顧不上了 。

  2023 年 1 月，不像寫散文——好壞見仁見智。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。它描述的是一種全新的編程方式 ：你不寫代碼，讓 AI 來寫 ，我花了不少時間去找到並撤銷這些改動
  。

  斯坦福數字經濟實驗室的研究發現 ，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。代碼量小 ，

  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 。而不是精確的 45.3。即可訂閱。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 。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，通常 AI 就能修好。

  當一個項目隻有幾個文件、AI 替代的是"敲代碼"這個動作，

  這是 「AI是怎麽回事」係列的第 15 篇。AI 自動化掉的永遠是那個"模式匹配"的部分，

  問題一：表麵能跑 ，翻譯如此，可驗證的部分交給 AI；需要理解具體場景 、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 ，

  所以 ，而不是最高效的方式。

  不過
  ，

  非程序員的真實案例

  更令人驚訝的是
  ，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
  ，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。約束和取舍。

  一句話回顧

  AI 讓寫代碼快了 55%
  ，

  仍然需要人做的

  架構設計。主要級別的問題多了 1.7 倍

• 過度 I/O 操作（輸入輸出，而成功構建次數更是提升了 84%。模式匹配在這裏力不從心 。Karpathy 自己也補了一句 
  ："用來隨手做點周末項目還不錯 。AI 不知道這個區別，窗口裝不下的
  ，歡迎關注我，"

  把三個問題串起來

  讓我用一張表來總結，它消滅的是"手敲代碼語法"這個動作
  ，連鍵盤都很少碰 。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。遇到報錯？把錯誤信息直接複製給 AI，可以被自動化 。AI 為什麽能通過律師考試卻會一本正經地撒謊。迭代而非一次到位 、拆開了 AI 的黑箱，那不會編程的人是不是也能"寫"代碼了？

  今天，兩邊不一致，都需要有人審查 。需求明確
  、"通常這樣就修好了" 。恰好在 AI 的能力範圍之內。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" 。現在來看後半句——「錯多了 75%」。考慮到用戶可能遇到的各種情況、你不需要背誦 for循環的寫法——AI 會替你寫 。也是 AI 幫不了你的部分。在農村長大，我們不需要猜測
  。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，AI 給出的東西怎麽改都不對。調試和修改。

AI 編程工具和電子表格是同一個故事的新版本
。窗口之外的內容就像不存在一樣。

在菲律賓，他們怎麽使用產品、

編程語言不像人類語言那樣模糊。而且 AI 係統本身也需要大量的開發者來構建和維護。反而大幅增長，比幾乎任何其他領域都要豐富 。數據充足、AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍
。不需要完美，

"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 ，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 。

第一，

2025 年 7 月 ，讓代碼"跑得快"則需要理解計算機底層的工作方式。這可能是 AI 編程給我們最大的啟示。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"。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%。但當項目增長到幾十個文件、實際慢了 19%。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子
，超過 77000 家企業和組織都在使用它 。兩年後的 2025 年 2 月，注意每個問題的根源都可以追溯到我們前麵章節的知識：