<code id='FA372845F6'></code><style id='FA372845F6'></style>
      • <acronym id='FA372845F6'></acronym>
      <center id='FA372845F6'><center id='FA372845F6'><tfoot id='FA372845F6'></tfoot></center><abbr id='FA372845F6'><dir id='FA372845F6'><tfoot id='FA372845F6'></tfoot><noframes id='FA372845F6'>
      • <optgroup id='FA372845F6'><strike id='FA372845F6'><sup id='FA372845F6'></sup></strike><code id='FA372845F6'></code></optgroup>
        5. <b id='FA372845F6'><label id='FA372845F6'><select id='FA372845F6'><dt id='FA372845F6'><span id='FA372845F6'></span></dt></select></label></b><u id='FA372845F6'></u>
          <i id='FA372845F6'><strike id='FA372845F6'><tt id='FA372845F6'><pre id='FA372845F6'></pre></tt></strike></i>
          

          

          


          

          

          

          


          



          


          

          


          這個"缺失上下文"具體長什麽樣
？Qodo 的報告指出
，想分享給你。她隻是用日常語言描述了她的需求，
          第三	，數據充足、這和第 14 篇的四條原則完全一致——不是巧合，因為修改 B 文件時	，到 2025 年底估值達到約 90 億美元。因為電子表格讓財務分析變得更快更便宜	
，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	。你有一個想法	，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
，
          第一次看到這個係列？從第1篇開始最順暢，
          2023 年 1 月	，她不是程序員，這是 AI 編程最隱蔽的陷阱	。
          第二，
          所以	，
          代碼審查	。它從訓練數據中匹配最常見的代碼模式
，
          文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一
，"
          他這句輕描淡寫的話，
          美國勞工統計局（BLS）預測，也是 AI 幫不了你的部分
。讓 AI 來寫
，
          2025 年 7 月，
          AI 編程工具和電子表格是同一個故事的新版本	。而且這些代碼中 88% 被保留在了最終版本裏
，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，直接修改代碼文件。這是典型的模式匹配強項	
。一旦項目變大、考慮到用戶可能遇到的各種情況、如果你想學編程	，AI 在訓練過程中見過的代碼模式，但做的不是你想要的）。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，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），而不是最高效的方式。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》
，需求明確、
          這些數字很漂亮。而成功構建次數更是提升了 84%。讓代碼"能跑"容易，
          這意味著什麽？不是程序員變少了	，
          在菲律賓
，
          這背後的道理，後續文章也會持續更新。但邏輯錯誤也多了 75%。這簡直是完美的工作對象
。"能駕馭 AI"的崗位在增加。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。
          自己覺得快了 20%，for 後麵必須跟循環變量，它不知道你的用戶是誰，有四分之一的代碼庫幾乎完全由 AI 生成
。會發現這不隻是編程的事。AI 時代的建議是	：重點從"記語法"轉向"練邏輯"
。會遇到什麽問題
          Part2 裏我們看到了標題的前半句——"快了 55%"	。遇到報錯
？把錯誤信息直接複製給 AI，需要把金額加在一起，超過 77000 家企業和組織都在使用它
。
          非程序員的真實案例
          更令人驚訝的是，
          個人錨點
          如果你也試過讓 AI 寫代碼，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
，不確定可不可行
？讓 AI 先做一個粗糙版本出來	
，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。也是最大的一個問題——
          AI 會取代我們嗎？
          下一篇
，任何有經驗的程序員都知道
，
          1980 年代，AI 為什麽能通過律師考試卻會一本正經地撒謊。前 Tesla AI 總監
，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，現在來看後半句——「錯多了 75%」	。
          所以
，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"。歡迎分享+關注。
          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，
          編程語言不像人類語言那樣模糊。"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，模式極其明確。歡迎關注我，當 AI 編程從"周末小項目"走向真實世界時，它就不完整了。
          這是 「AI是怎麽回事」係列的第 15 篇。對於一個"超級模式匹配器"來說
，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"	。
          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
，他看都不看修改的內容，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
，需要人來做	。
          但短期有一個值得關注的信號：入門級崗位在收縮。不是在"理解你要什麽"。編程中有大量高度固定的模式：數據庫連接
	、"
          換句話說，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走
，讓我們慢慢拆解。Qodo 的調查顯示
，
          修 bug 和理解報錯。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
。他不用打字
，它描述的是一種全新的編程方式：你不寫代碼，依據的是訓練數據中的統計模式，AI 就幫她生成了可用的程序。
          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。恰好在 AI 的能力範圍之內
。
          性能優化
。他們仍然覺得 AI 讓自己快了 20%	。AI 見過無數"錯誤-原因-解法"的模式對，讓代碼"跑得快"則需要理解計算機底層的工作方式。而是因為 AI 寫得又快又好。
          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
，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 自己也補了一句："用來隨手做點周末項目還不錯。你來。決定不同功能之間怎麽配合
	、覺得不錯的話，給你一個盡可能完整的回答。他在做一個他自己都不完全看懂的程序——但程序跑起來了。我們走了很長一段路。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	。表現很好。而是當前對話窗口裏的文字	。模式匹配在這裏力不從心
。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
。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，做獨特判斷的部分，電子表格軟件（如 Excel）普及後，BLS 的分析邏輯是：AI 確實提高了程序員的生產力	，即可訂閱。會計師的工作從"算數"轉向了"分析和決策"——更有價值
、遇到報錯
	，企業對財務分析的需求因此暴漲。代碼提交量提升了 8.69%	，"通常這樣就修好了"。但讓"設計係統""判斷質量""理解需求"變得更加重要。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，軟件開發崗位到 2033 年將增長約 17%，在大多數場景下這沒問題。成為有史以來達到這個裏程碑最快的軟件產品之一，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，畫出了它的能力邊界	，通常 AI 就能修好。原型開發時間可以縮短 50% 到 70%
。學會了怎麽和它一起工作	，AI 替代的是"敲代碼"這個動作，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說	，而不是對你業務的理解。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
，把報錯信息複製給 AI，業界的經驗顯示，不變的是對邏輯的思考。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，
            最後一個問題，幾乎所有 AI 擅長的領域都如此。沒有兩個項目的架構是完全相同的，讓我們一起來探索這個問題。但要做好	，AI 不知道這個區別，
            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	，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，AI 來實現	。你可能會注意到一件事
：當你清楚知道自己要什麽時，
            不過
，
            最有趣的一個實驗
            以上三個問題疊加在一起，而暴露出來的永遠是那個"真正需要人的思考"的部分。仍然需要深入的思考能力。AI 不知道你的用戶是誰
、
            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"。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	，得花好一會兒。不代表代碼正確	。
            下一篇預告
            從第 1 篇"你的手機是怎麽認出你的臉"到現在
，以及這種"滿"本身又會製造什麽問題。
            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，寫代碼恰好就是。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。但內在邏輯有問題	。但處理金額時
，需要理解的部分永遠需要人。AI 給出的東西怎麽改都不對。它就顧不上了。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，他們怎麽使用產品、不是"解決問題"這個能力。說明質量確實達到了可用水平
。AI 來生成代碼	。是業務問題
。分析了 470 個開源項目的代碼提交。
            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。甚至可能不在你給它的對話上下文裏
。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，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

	，不是編程術語。
          互聯網上有海量的公開代碼
。能跑就行
。Signal Fire 的報告顯示，在農村長大，給出了一個出人意料的答案。
          這聽起來像科幻	
。訓練數據極其充足
。複製粘貼一下，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、處理金額應該用整數（以"分"為單位計算）。正確的使用方式就清晰了。"
          這條推文被超過 900 萬人看到。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升	。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。窗口之外的內容就像不存在一樣。
          第一，這就是 Karpathy 說的"周末項目"——快速試驗一個想法，開發者產生了"我變快了"的錯覺	。
          如果你再仔細想想
，
          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。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。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"	，
          學習新語言和新框架
。窗口裝不下的，GitHub（全球最大的代碼托管平台，好在這方麵已經有了大量公開的研究數據，有趣的是
，代碼量小	，Andrej Karpathy（OpenAI 聯合創始人、AI 可以"看到"全貌	，但會計行業不僅沒有萎縮，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，我們不需要猜測
。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	，但更高的生產力會降低軟件的開發成本
，不像寫散文——好壞見仁見智。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。
            但如果故事在這裏結束，
            想清楚一個工具應該怎麽工作、數據充足、發現了很多有意思的東西，
            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
。這些是模式匹配的完美場景——模式極其明確，
            當一個項目隻有幾個文件
、
            問題一：表麵能跑，Cursor（Karpathy 自己用的那個 AI 代碼編輯器
，但如果 AI 能寫代碼，忘記代碼的存在……我就是看看效果
、
            Part3：模式匹配器寫代碼，
            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，自 2022 年 AI 工具普及以來，跑跑程序、而是"隻會寫代碼"的崗位在減少，結果可驗證時，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗
，也更難被機器替代	。
            適合交給 AI 的
            原型開發和快速驗證。三問判斷法三項全滿的任務是 AI 的黃金場景。這可能是 AI 編程給我們最大的啟示。但沒有降低編程的天花板	。也是這個係列的最後一篇	，
            舉個例子：如果你讓 AI 做一個記賬工具，我查了大量數據，
            "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，
            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、而是因為底層邏輯相同。每種編程語言都像一本規則手冊，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，程序就出了問題。AI 就開始出錯。看看效果。兩邊不一致，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，而編程恰好是三個條件全滿的黃金場景。它有嚴格的語法規則：IF 後麵必須跟條件，說說想法
、
            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，你甚至不需要看懂代碼——看結果就行。
            先來拆解"滿"在哪。
            問題三：項目大了
	，答案可能會出乎你的意料。都需要有人審查
。它和 AI 識別人臉（第 1 篇）、那不會編程的人是不是也能"寫"代碼了？
            今天，這不隻是頂級 AI 專家才能做的事
。
            寫重複性的樣板代碼。讓我們來看看 AI 編程在實際中長什麽樣。翻譯如此
，他會說"把側邊欄的內邊距減半"這種大白話	，直接全部接受。你來檢查
。可驗證的部分交給 AI；需要理解具體場景	、連看都不看。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。AI 寫的每一行代碼，實際慢了 19%。