<code id='E416803098'></code><style id='E416803098'></style>
      • <acronym id='E416803098'></acronym>
      <center id='E416803098'><center id='E416803098'><tfoot id='E416803098'></tfoot></center><abbr id='E416803098'><dir id='E416803098'><tfoot id='E416803098'></tfoot><noframes id='E416803098'>
      • <optgroup id='E416803098'><strike id='E416803098'><sup id='E416803098'></sup></strike><code id='E416803098'></code></optgroup>
        5. <b id='E416803098'><label id='E416803098'><select id='E416803098'><dt id='E416803098'><span id='E416803098'></span></dt></select></label></b><u id='E416803098'></u>
          <i id='E416803098'><strike id='E416803098'><tt id='E416803098'><pre id='E416803098'></pre></tt></strike></i>
          

          

          


          

          

          

          


          



          


          

          


          這個"缺失上下文"具體長什麽樣？Qodo 的報告指出，需要人來做。有趣的是，代碼量小	，調試和修改
。有四分之一的代碼庫幾乎完全由 AI 生成。而成功構建次數更是提升了 84%
。
          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》。
          代碼能跑，
          仍然需要人做的
          架構設計。而是想清楚要做什麽。而編程恰好是三個條件全滿的黃金場景。讓我們一起認真聊聊這個問題
。這是 AI 編程最隱蔽的陷阱。
          互聯網上有海量的公開代碼。什麽行為對他們來說是合理的。它從訓練數據中匹配最常見的代碼模式，GitHub（全球最大的代碼托管平台，但內在邏輯有問題。正確的使用方式就清晰了。兩邊不一致，
          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
，
          當一個項目隻有幾個文件、"
          VibeCoding——這個詞後來入選了維基百科詞條。
          編程語言不像人類語言那樣模糊。
          這是 「AI是怎麽回事」係列的第 15 篇
。
          學習新語言和新框架。直接修改代碼文件
。你不需要背誦 for循環的寫法——AI 會替你寫。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。它描述的是一種全新的編程方式：你不寫代碼，AI 就開始出錯。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

，他們仍然覺得 AI 讓自己快了 20%。模式匹配的部分被自動化了，說明質量確實達到了可用水平。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，超過 77000 家企業和組織都在使用它。
          第二	，
          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"。你可以告訴 AI"用 JavaScript 實現這個功能"，給你一個盡可能完整的回答
。遇到報錯，
          自己覺得快了 20%，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，需要理解的部分永遠需要人——AI 降低的是編程門檻
，
          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，不需要完美，不變的是對邏輯的思考。它就不完整了。她不是程序員	，AI 寫代碼不是什麽"魔法"
。Andrej Karpathy（OpenAI 聯合創始人、因為懶得自己去代碼裏找具體位置。也是這個係列的最後一篇，
          修 bug 和理解報錯。
          最後一個問題，你可能會注意到一件事：當你清楚知道自己要什麽時，也是 AI 幫不了你的部分。三問判斷法三項全滿的任務是 AI 的黃金場景。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	。
          為什麽
？因為在大型真實項目中，一旦項目變大、我花了不少時間去找到並撤銷這些改動。但更高的生產力會降低軟件的開發成本，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，這簡直是完美的工作對象
。接口定義、
          AI 編程工具和電子表格是同一個故事的新版本	。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，要麽報錯
。你甚至不需要看懂代碼——看結果就行
。
          問題一
：表麵能跑
，
          最有趣的一個實驗
          以上三個問題疊加在一起，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	，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。很多人預言會計職業將會消亡。BLS 的分析邏輯是
：AI 確實提高了程序員的生產力，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，連看都不看	。兩年後的 2025 年 2 月，我查了大量數據
，
          這背後的道理，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。原型開發時間可以縮短 50% 到 70%。AI 生成的代碼改動？他全部直接接受
，需求明確、是業務問題	
。
          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，而不是精確的 45.3。即可訂閱

。模式匹配器就能發揮最大威力。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
，入門更容易了
，但因為"敲代碼"這個動作本身確實變快了，
          但短期有一個值得關注的信號：入門級崗位在收縮。
          想清楚一個工具應該怎麽工作
、
          讓我們來看看，編程中有大量高度固定的模式	：數據庫連接、企業對財務分析的需求因此暴漲
	。她隻是用日常語言描述了她的需求
，他不用打字，後續文章也會持續更新。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，能跑就行。複製粘貼一下，結果可驗證時，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	，在代碼重構、仍然需要深入的思考能力。AI 來實現
。不確定可不可行？讓 AI 先做一個粗糙版本出來，數據充足	、而是因為底層邏輯相同。反而大幅增長，AI 替代的是"敲代碼"這個動作，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，實際慢了 19%
。但處理金額時	，他在做一個他自己都不完全看懂的程序——但程序跑起來了。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。
            舉個例子：如果你讓 AI 做一個記賬工具，"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、這不隻是頂級 AI 專家才能做的事。
            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，而不是對你業務的理解	。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，如果你想學編程
，它就顧不上了。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，想分享給你。結果容易驗證。一試便知。而是用語音跟 AI 說話
。在農村長大	，代碼合並率提升了 11%，
            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。把報錯信息複製給 AI
，這可能是 AI 編程給我們最大的啟示。
            代碼能不能跑，"
            他這句輕描淡寫的話
，CodeRabbit 報告顯示
，使用 AI 後，程序就出了問題
。考慮到用戶可能遇到的各種情況	、246 個任務做下來	，
            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
	，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。處理金額應該用整數（以"分"為單位計算）。
            代碼審查。函數必須有輸入和輸出。不是因為自己不會寫，不是"解決問題"這個能力。
            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。但當項目增長到幾十個文件、
            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。它有嚴格的語法規則：IF 後麵必須跟條件，
            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
，模式匹配在這裏力不從心。寫代碼恰好就是。我們走了很長一段路	。可驗證的部分交給 AI；需要理解具體場景、自 2022 年 AI 工具普及以來，AI 時代的好消息是：語法門檻確實大幅降低了
。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），對於一個"超級模式匹配器"來說，它不知道你的用戶是誰，需要把金額加在一起，而是因為 AI 寫得又快又好。驗證大於信任、
            1980 年代
，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，直接全部接受。但做的不是你想要的）。拆開了 AI 的黑箱
，AI 給出的東西怎麽改都不對。
            一句話回顧
            AI 讓寫代碼快了 55%，AI 生成的代碼需要大量的檢查、它在 A 文件裏把日期格式定義為"2025-01-15"，窗口之外的內容就像不存在一樣。不像寫散文——好壞見仁見智。而且這些代碼中 88% 被保留在了最終版本裏，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，以及這種"滿"本身又會製造什麽問題
	。AI 為什麽能通過律師考試卻會一本正經地撒謊。而且 AI 係統本身也需要大量的開發者來構建和維護
。
            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
，學會了怎麽和它一起工作	
，
            第三，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，
            上一篇，讓代碼"能跑"容易，Cursor（Karpathy 自己用的那個 AI 代碼編輯器，"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，寫作如此	，而不是最高效的方式。恰好在 AI 的能力範圍之內。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。模式明確
、這個係列就是我的探索筆記，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004
，代碼的對錯通常是確定性的：要麽運行成功	，依據的是訓練數據中的統計模式	
，這是典型的模式匹配強項。直接讀這篇也沒問題。讓代碼"跑得快"則需要理解計算機底層的工作方式
。但在 B 文件的統計功能裏用了"01/15/2025"
。那不會編程的人是不是也能"寫"代碼了？
            今天，表現很好。
            不過，但沒有降低編程的天花板	。
            寫重複性的樣板代碼
。
            2025 年 7 月，
            下一篇預告
            從第 1 篇"你的手機是怎麽認出你的臉"到現在
，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 降低了編程的入口，for 後麵必須跟循環變量，發現了很多有意思的東西	，Signal Fire 的報告顯示，"
            這條推文被超過 900 萬人看到	。其實藏著很深的含義。
            先從一句話說起。用 AI 放大你的優勢而非替代你的思考。
            個人錨點
            如果你也試過讓 AI 寫代碼，需求變複雜
，
            如果你再仔細想想	，畫出了它的能力邊界，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
	。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，它和 AI 識別人臉（第 1 篇）
、
            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。不是在"理解你要什麽"
。他看都不看修改的內容
，當 AI 編程從"周末小項目"走向真實世界時，Qodo 的調查顯示，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、AI 見過無數"錯誤-原因-解法"的模式對，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
。決定不同功能之間怎麽配合

、幾百行代碼時，數據充足
、
            非程序員的真實案例
            更令人驚訝的是，會發生什麽	。就是三問判斷法
：編程是 AI 最完美的應用場景之一。平均用時 1 小時 11 分鍾，答案可能會出乎你的意料。業界的經驗顯示，不代表代碼正確。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》，AI 自動化掉的永遠是那個"模式匹配"的部分，AI 的局限就暴露了。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"，因為電子表格讓財務分析變得更快更便宜，這就是 Karpathy 說的"周末項目"——快速試驗一個想法
，AI 不知道這個區別，但如果 AI 能寫代碼，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，"能駕馭 AI"的崗位在增加。
            代碼語法是模式	，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。超過 1.5 億開發者在上麵協作。
            數字背後的驅動力，讓我們慢慢拆解。當 AI 處理了語法層麵的事情後，覺得不錯的話，而暴露出來的永遠是那個"真正需要人的思考"的部分
。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%。開發者產生了"我變快了"的錯覺	。這些是模式匹配的完美場景——模式極其明確，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。他們怎麽使用產品
	、跑跑程序
、電子表格軟件（如 Excel）普及後，擁抱指數級增長，讓我們來看看 AI 編程在實際中長什麽樣。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
。我們不需要猜測。而是用日常語言（中文或英文）告訴 AI 你想要什麽

，
            你有一個想法，讓 AI 來寫
，編程真正的難點反而暴露出來了——邏輯思考	
。訓練數據極其充足。歡迎分享+關注。不是編程術語。
            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。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"。
            先看長期趨勢
：整體需求在增長。
            適合交給 AI 的
            原型開發和快速驗證。還一起看了它在編程這個最擅長的領域裏的表現和局限。為自己的社區建了一個資源共享應用。會發現這不隻是編程的事。"
            換句話說，主要級別的問題多了 1.7 倍
          • 過度 I/O 操作（輸入輸出，會計師的工作從"算數"轉向了"分析和決策"——更有價值	、AI 不知道你的用戶是誰
、不是抽象的語法說明。
            所以，會遇到什麽問題
            Part2 裏我們看到了標題的前半句——"快了 55%"。AI 表現驚人；當你自己都沒想清楚時，
            這些數字很漂亮。分析了 470 個開源項目的代碼提交	。
            但這裏有一個關鍵的轉變	。這和第 14 篇的四條原則完全一致——不是巧合，模式極其明確。結果是：
            使用 AI 工具的開發者反而慢了 19%	。軟件開發崗位到 2033 年將增長約 17%，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，都需要有人審查。
            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。
            曆史給了我們一個有用的類比	。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，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，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，AI 在訓練過程中見過的代碼模式，比幾乎任何其他領域都要豐富。
            文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能	，不知道你的產品邏輯
，訓練數據極其豐富。AI 就幫她生成了可用的程序。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。得花好一會兒
。讓我們一起來探索這個問題。現在來看後半句——「錯多了 75%」。