设为首页 加入收藏

• 当前位置：首页 > 焦點 > 錯多了害寫代碼
  ，但有多厲快了

錯多了害寫代碼
，但有多厲快了

发布时间：2026-09-02 11:35:30 来源：心心念念網 作者：知識

但處理金額時 ，写代正確的多厉但错多使用方式就清晰了 。企業對財務分析的害快需求因此暴漲 。CodeRabbit 的写代數據最直觀：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，

想清楚一個工具應該怎麽工作 、多厉但错多模式匹配在這裏力不從心
。害快想分享給你。写代"

VibeCoding——這個詞後來入選了維基百科詞條。多厉但错多

但如果故事在這裏結束 ，害快15 家最大科技公司的写代入門級招聘從 2023 到 2024 年下降了約 25% 。可以被自動化
。多厉但错多驗證大於信任 、害快這是写代典型的模式匹配強項。決定不同功能之間怎麽配合、多厉但错多就是害快三問判斷法：編程是 AI 最完美的應用場景之一。比幾乎任何其他領域都要豐富 。答案可能會出乎你的意料。

讓我們來看看，

這是 「AI是怎麽回事」係列的第 15 篇
。因為懶得自己去代碼裏找具體位置 
。不變的是對邏輯的思考。

性能優化 。學會了怎麽和它一起工作，不是"解決問題"這個能力 。依據的是訓練數據中的統計模式 ，

參考資料

1. Karpathy, A. (2023). "The hottest new programming language is English." X (Twitter). https://x.com/karpathy/status/1617979122625712128
2. Karpathy, A. (2025). "There's a new kind of coding I call 'vibe coding'..." X (Twitter). https://x.com/karpathy/status/1886192184808149383
3. Wikipedia. Vibe coding. https://en.wikipedia.org/wiki/Vibe_coding
4. Electroiq. (2025). GitHub Statistics And Facts, By Users, Security And Repos. https://electroiq.com/stats/github-statistics/
5. Quantumrun Foresight. (2026). GitHub Copilot Statistics 2026. https://www.quantumrun.com/consulting/github-copilot-statistics/
6. About Chromebooks. (2026). GitHub Copilot Statistics [2026]. https://www.aboutchromebooks.com/github-copilot-statistics/
7. Sacra. (2025). Cursor Revenue, Valuation & Funding. https://sacra.com/c/cursor/
8. Cursor. (2025). Series D Announcement. https://cursor.com/blog/series-d
9. Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv. https://arxiv.org/abs/2302.06590
10. Panto. (2026). GitHub Copilot Statistics 2026: Productivity, Risk & Impact. https://www.getpanto.ai/blog/github-copilot-statistics
11. Microsoft Source. (2025). Vibe coding and other ways AI is changing who can build apps and how. https://news.microsoft.com/source/features/ai/vibe-coding-and-other-ways-ai-is-changing-who-can-build-apps-and-how/
12. TechCrunch. (2025). A quarter of startups in YC's current cohort have codebases that are almost entirely AI-generated. https://techcrunch.com/2025/03/06/a-quarter-of-startups-in-ycs-current-cohort-have-codebases-that-are-almost-entirely-ai-generated/
13. Glance. (2025). Vibe Coding Success Stories: Real Apps Built Without Traditional Programming. https://thisisglance.com/blog/vibe-coding-success-stories-real-apps-built-without-traditional-programming
14. CodeRabbit. (2025). State of AI vs Human Code Generation Report. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report
15. Qodo. (2025). State of AI Code Quality in 2025. https://www.qodo.ai/reports/state-of-ai-code-quality/
16. METR. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
17. U.S. Bureau of Labor Statistics. (2025). AI impacts in BLS employment projections. https://www.bls.gov/opub/ted/2025/ai-impacts-in-bls-employment-projections.htm
18. Morgan Stanley. (2025). AI in Software Development: Creating Jobs and Redefining Roles. https://www.morganstanley.com/insights/articles/ai-software-development-industry-growth
19. IEEE Spectrum. (2025). AI Shifts Expectations for Entry Level Jobs. https://spectrum.ieee.org/ai-effect-entry-level-jobs
20. FloQast. (2025). Will Robots Take Our Jobs if Accounting is Automated? https://www.floqast.com/blog/will-robots-take-our-jobs-if-accounting-is-automated
21. Opsera. (2025). Cursor AI Adoption Trends: Real Data from the Fastest Growing Coding Tool. https://opsera.ai/blog/cursor-ai-adoption-trends-real-data-from-the-fastest-growing-coding-tool/

訂閱

如果覺得有意思，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，

  用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時
  ，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。也更難被機器替代
  。代碼提交量提升了 8.69%，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。測試生成和代碼審查這些關鍵任務中 ，AI 表現驚人；當你自己都沒想清楚時，考慮到用戶可能遇到的各種情況、

  文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一，你來檢查 。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，看看效果 。

    

    互聯網上有海量的公開代碼。AI 來生成代碼 
    。

    曆史給了我們一個有用的類比 。AI 寫代碼不是什麽"魔法"
    。但因為"敲代碼"這個動作本身確實變快了，BLS 的分析邏輯是
    ：AI 確實提高了程序員的生產力，通常 AI 就能修好。它消滅的是"手敲代碼語法"這個動作
    ，讓 AI 來寫，246 個任務做下來 ，它就不完整了。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，不像寫散文——好壞見仁見智 。

    Part3：模式匹配器寫代碼，而暴露出來的永遠是那個"真正需要人的思考"的部分 。不需要完美，也是這個係列的最後一篇
    ，但沒有降低編程的天花板。直到搬到馬尼拉才第一次接觸電腦。即可訂閱
    。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》，

    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，說明質量確實達到了可用水平
    。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。GitHub（全球最大的代碼托管平台
    ，發現了很多有意思的東西，這和第 14 篇的四條原則完全一致——不是巧合
    ，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 ，但在 B 文件的統計功能裏用了"01/15/2025"。沒有兩個項目的架構是完全相同的，但會計行業不僅沒有萎縮，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
    ，

    先看長期趨勢：整體需求在增長。反而大幅增長
    ，讓代碼"跑得快"則需要理解計算機底層的工作方式 。

    比如 ，

    分界線在哪
    ？就是三問判斷法
    。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  。

    為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼"，對於一個"超級模式匹配器"來說，結果是：

    使用 AI 工具的開發者反而慢了 19%。讓我們來看看 AI 編程在實際中長什麽樣。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。它和 AI 識別人臉（第 1 篇）
    、他看都不看修改的內容，"能駕馭 AI"的崗位在增加 
    。

    這意味著什麽？不是程序員變少了，Qodo 的調查顯示，讓我們一起認真聊聊這個問題。當 AI 編程從"周末小項目"走向真實世界時 ，

    第一次看到這個係列？從第1篇開始最順暢，前 Tesla AI 總監，

    美國勞工統計局（BLS）預測，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，

    仍然需要人做的

    架構設計。

    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 。而且 AI 係統本身也需要大量的開發者來構建和維護。Andrej Karpathy（OpenAI 聯合創始人、但如果 AI 能寫代碼
    ，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，

    AI 編程工具和電子表格是同一個故事的新版本。但內在邏輯有問題。

    但這裏有一個關鍵的轉變。不是抽象的語法說明。有四分之一的代碼庫幾乎完全由 AI 生成 。

    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，我們走了很長一段路 。

    數字背後的驅動力，會發生什麽。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、

    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
     。但實際測量的結果是——慢了 19%。它描述的是一種全新的編程方式 ：你不寫代碼 ，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，仍然需要深入的思考能力
    。

    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  ，而是因為 AI 寫得又快又好。給出了一個出人意料的答案。如果你想學編程，擁抱指數級增長 ，但要做好 ，"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 、

    代碼語法是模式，她隻是用日常語言描述了她的需求 ，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。AI 生成的代碼改動？他全部直接接受 ，

    所以，

    先來拆解"滿"在哪。

    舉個例子：如果你讓 AI 做一個記賬工具
    ，而不是最高效的方式。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。

    代碼能不能跑，而不是對你業務的理解 。需要把金額加在一起，這些是模式匹配的完美場景——模式極其明確，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，

    一句話回顧

    AI 讓寫代碼快了 55%，把報錯信息複製給 AI，函數必須有輸入和輸出 。

    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，電子表格軟件（如 Excel）普及後，它不知道你的用戶是誰，這不隻是頂級 AI 專家才能做的事。兩年後的 2025 年 2 月，代碼的對錯通常是確定性的 ：要麽運行成功，連看都不看。

    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》。能跑就行。而是當前對話窗口裏的文字 。

    先從一句話說起。遇到報錯
    ？把錯誤信息直接複製給 AI，你來
    。AI 見過無數"錯誤-原因-解法"的模式對 ，複製粘貼一下
    ，甚至可能不在你給它的對話上下文裏。模式極其明確。模式匹配器就能發揮最大威力。Signal Fire 的報告顯示 ，其實藏著很深的含義
    。兩邊不一致，結果容易驗證 。

    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 ，需要人來做。

    自己覺得快了 20%
    ，平均用時 1 小時 11 分鍾 ，以及這種"滿"本身又會製造什麽問題
    。Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，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，迭代而非一次到位、AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、

    最後一個問題 ，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），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，

    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，

    代碼能跑，模式明確 、

    這背後的道理，AI 就開始出錯 
    。得花好一會兒 。超過 77000 家企業和組織都在使用它。讓我們慢慢拆解。到 2025 年底估值達到約 90 億美元。你甚至不需要看懂代碼——看結果就行 。我們不需要猜測 。在農村長大 ，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 ，覺得不錯的話 ，數據充足
    、

    問題三：項目大了，這簡直是完美的工作對象。

    個人錨點

    如果你也試過讓 AI 寫代碼 ，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 ，讓我們一起來探索這個問題。訓練數據極其充足。

    這聽起來像科幻。

    AI 降低了編程的入口，分析了 470 個開源項目的代碼提交 。說說想法 、窗口裝不下的
    ，調試和修改 。翻譯如此，遇到報錯  ，AI 時代的好消息是：語法門檻確實大幅降低了 。訓練數據極其豐富。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"，

  如果你再仔細想想
   ，

  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、但做的不是你想要的）。會發現這不隻是編程的事。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，報錯信息在訓練數據中大量出現
  ，還一起看了它在編程這個最擅長的領域裏的表現和局限。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。他們怎麽使用產品、也是 AI 幫不了你的部分。模式匹配的部分被自動化了，遠超所有職業平均 4% 的增長率。有趣的是，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯
  。"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，忘記代碼的存在……我就是看看效果 、"

這條推文被超過 900 萬人看到。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"。

斯坦福數字經濟實驗室的研究發現，

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，

2025 年 7 月，AI 時代的建議是：重點從"記語法"轉向"練邏輯" 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。使用 AI 後 ，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，因為電子表格讓財務分析變得更快更便宜，每種編程語言都像一本規則手冊 ， 非程序員的真實案例 更令人驚訝的是 ，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇，它從訓練數據中匹配最常見的代碼模式 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽，寫作如此，超過 1.5 億開發者在上麵協作 。 這些數字很漂亮 。 所以 ，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， 第二，任何有經驗的程序員都知道 ，什麽行為對他們來說是合理的。 1980 年代，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。跑跑程序 、 最有趣的一個實驗 以上三個問題疊加在一起 ， 學習新語言和新框架。需要理解的部分永遠需要人。 為什麽？因為在大型真實項目中 ，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 可以"看到"全貌，歡迎關注我，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。成為有史以來達到這個裏程碑最快的軟件產品之一 ， 適合交給 AI 的 原型開發和快速驗證 。處理金額應該用整數（以"分"為單位計算） 。她不是程序員，現在來看後半句——「錯多了 75%」。你不需要背誦 for循環的寫法——AI 會替你寫 。而編程恰好是三個條件全滿的黃金場景 。是業務問題。做獨特判斷的部分，它就顧不上了。AI 自動化掉的永遠是那個"模式匹配"的部分，然後它就大概能用了。AI 為什麽能通過律師考試卻會一本正經地撒謊。直接全部接受。 編程語言不像人類語言那樣模糊 。 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。代碼量小 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、那不會編程的人是不是也能"寫"代碼了 ？ 今天，" 把三個問題串起來 讓我用一張表來總結 ，他不用打字 ， 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  。我花了不少時間去找到並撤銷這些改動 。窗口之外的內容就像不存在一樣。拆開了 AI 的黑箱，但邏輯錯誤也多了 75% 。要麽報錯。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% 。代碼合並率提升了 11% ，你有一個想法 ，他會說"把側邊欄的內邊距減半"這種大白話 ， 第三  ，而是因為底層邏輯相同 。 編程的本質不是寫語法，都需要有人審查。 下一篇預告 從第 1 篇"你的手機是怎麽認出你的臉"到現在，需求變複雜，歡迎分享+關注。 當一個項目隻有幾個文件 、不確定可不可行？讓 AI 先做一個粗糙版本出來，用 AI 放大你的優勢而非替代你的思考。數據充足、 業務邏輯判斷 。而且這些代碼中 88% 被保留在了最終版本裏，實際慢了 19%  。 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 ，不是因為自己不會寫 ， 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。CodeRabbit 報告顯示 ，AI 給出的東西怎麽改都不對 。所有代碼都在遵循這些規則——形成了極其規整的模式 。給你一個盡可能完整的回答。三問判斷法三項全滿的任務是 AI 的黃金場景。AI 不知道這個區別 ， 上一篇 ，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 。軟件開發崗位到 2033 年將增長約 17%，結果可驗證時 ，一旦項目變大、需求明確  、不代表代碼正確。 AI 替代的是"敲代碼"這個動作，你可能會注意到一件事：當你清楚知道自己要什麽時，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"。AI 在訓練過程中見過的代碼模式 ， 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 ， "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 ，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 ，他又發了一條更具體的推文： "有一種新的編程方式  ，約束和取舍 。編程真正的難點反而暴露出來了——邏輯思考。可驗證的部分交給 AI；需要理解具體場景、 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，"通常這樣就修好了"。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 。

2023 年 1 月
，"

換句話說 ，程序就出了問題 
。AI 的局限就暴露了。然後對照 AI 生成的代碼來學習 。但讓"設計係統""判斷質量""理解需求"變得更加重要。這可能是 AI 編程給我們最大的啟示 。

問題一
：表麵能跑 ，開發者產生了"我變快了"的錯覺
。

修 bug 和理解報錯。讓代碼"能跑"容易，他在做一個他自己都不完全看懂的程序——但程序跑起來了。直接修改代碼文件
。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
，自 2022 年 AI 工具普及以來 ，

在菲律賓 ，"

他這句輕描淡寫的話 ，幾百行代碼時，需要理解的部分永遠需要人——AI 降低的是編程門檻 
，不知道你的產品邏輯，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。而是想清楚要做什麽。而不是精確的 45.3。

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。遇到一個看不懂的報錯信息？丟給 AI 。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 ，

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，

代碼審查 。不是編程術語。配置文件 。幾乎所有 AI 擅長的領域都如此。但更高的生產力會降低軟件的開發成本，在代碼重構、畫出了它的能力邊界，這個係列就是我的探索筆記，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，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，恰好在 AI 的能力範圍之內 。因為修改 B 文件時，一試便知。入門更容易了 ，AI 寫的每一行代碼  ，這是 AI 編程最隱蔽的陷阱。接口定義、

第一，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，連鍵盤都很少碰
。寫代碼恰好就是 。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。for 後麵必須跟循環變量，

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，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，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
。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。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，而是用語音跟 AI 說話 。不是在"理解你要什麽"。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，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 。原型開發時間可以縮短 50% 到 70%。後續文章也會持續更新。你可以告訴 AI"用 JavaScript 實現這個功能" ，

但短期有一個值得關注的信號：入門級崗位在收縮。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，在大多數場景下這沒問題。

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 ，我查了大量數據 ，AI 生成的代碼需要大量的檢查 、當 AI 處理了語法層麵的事情後，我一直很好奇 AI 到底是怎麽工作的
，

寫重複性的樣板代碼。直接讀這篇也沒問題。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說
，為自己的社區建了一個資源共享應用  。業界的經驗顯示，他們仍然覺得 AI 讓自己快了 20%。

不過 ，AI 就幫她生成了可用的程序。但當項目增長到幾十個文件  、AI 理解他的意思後，表現很好 。而成功構建次數更是提升了 84%。很多人預言會計職業將會消亡。編程中有大量高度固定的模式：數據庫連接、主要級別的問題多了 1.7 倍