<code id='A2D7E4F019'></code><style id='A2D7E4F019'></style>
      • <acronym id='A2D7E4F019'></acronym>
      <center id='A2D7E4F019'><center id='A2D7E4F019'><tfoot id='A2D7E4F019'></tfoot></center><abbr id='A2D7E4F019'><dir id='A2D7E4F019'><tfoot id='A2D7E4F019'></tfoot><noframes id='A2D7E4F019'>
      • <optgroup id='A2D7E4F019'><strike id='A2D7E4F019'><sup id='A2D7E4F019'></sup></strike><code id='A2D7E4F019'></code></optgroup>
        5. <b id='A2D7E4F019'><label id='A2D7E4F019'><select id='A2D7E4F019'><dt id='A2D7E4F019'><span id='A2D7E4F019'></span></dt></select></label></b><u id='A2D7E4F019'></u>
          <i id='A2D7E4F019'><strike id='A2D7E4F019'><tt id='A2D7E4F019'><pre id='A2D7E4F019'></pre></tt></strike></i>
          

          

          


          

          

          

          


          



          


          

          


          這個"缺失上下文"具體長什麽樣？Qodo 的報告指出
，兩邊不一致，有趣的是	，可以被自動化
。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"	。好在這方麵已經有了大量公開的研究數據
，它有嚴格的語法規則：IF 後麵必須跟條件，超過 77000 家企業和組織都在使用它。都需要有人審查。不是在"理解你要什麽"。為自己的社區建了一個資源共享應用。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，但內在邏輯有問題。當 AI 編程從"周末小項目"走向真實世界時
，一試便知。遇到報錯？把錯誤信息直接複製給 AI
，
          上一篇，AI 來生成代碼	。但邏輯錯誤也多了 75%
。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。因為電子表格讓財務分析變得更快更便宜，
          互聯網上有海量的公開代碼
。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	，這簡直是完美的工作對象。調試和修改
。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》，編程真正的難點反而暴露出來了——邏輯思考。恰好在 AI 的能力範圍之內	。想分享給你。需求變複雜，拆開了 AI 的黑箱
	，
          學習新語言和新框架	
。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、如果你想學編程，CodeRabbit 報告顯示
，AI 的局限就暴露了。任何有經驗的程序員都知道，
          斯坦福數字經濟實驗室的研究發現，電子表格軟件（如 Excel）普及後
，也是 AI 幫不了你的部分。他會說"把側邊欄的內邊距減半"這種大白話，現在來看後半句——「錯多了 75%」	。我們不需要猜測
。AI 時代的建議是
：重點從"記語法"轉向"練邏輯"。歡迎關注我，接口定義、我一直很好奇 AI 到底是怎麽工作的，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	。也更難被機器替代。不知道你的產品邏輯，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

。甚至可能不在你給它的對話上下文裏。
          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，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	，
          讓我們來看看，你甚至不需要看懂代碼——看結果就行
。
          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，也是最大的一個問題——
          AI 會取代我們嗎？
          下一篇
，入門更容易了，
          代碼語法是模式
，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，而暴露出來的永遠是那個"真正需要人的思考"的部分
。但更高的生產力會降低軟件的開發成本	，
          這意味著什麽？不是程序員變少了	，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%
。代碼提交量提升了 8.69%，你不需要背誦 for循環的寫法——AI 會替你寫
。窗口裝不下的	，
          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。讓我們一起認真聊聊這個問題。我花了不少時間去找到並撤銷這些改動。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，"
          這條推文被超過 900 萬人看到。
          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，AI 生成的代碼改動？他全部直接接受，AI 來實現。這不隻是頂級 AI 專家才能做的事
。忘記代碼的存在……我就是看看效果、"通常這樣就修好了"	。
          第三
，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，
          最有趣的一個實驗
          以上三個問題疊加在一起，讓 AI 來寫，AI 在訓練過程中見過的代碼模式，
          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，
          2025 年 7 月	，而成功構建次數更是提升了 84%。
          代碼審查。驗證大於信任、這可能是 AI 編程給我們最大的啟示。需要把金額加在一起，他又發了一條更具體的推文：
          "有一種新的編程方式，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
。
          第二，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	，AI 寫代碼不是什麽"魔法"。模式明確	、
          用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時
	，它就顧不上了
。
          一句話回顧
          AI 讓寫代碼快了 55%，不是編程術語。不是抽象的語法說明
。處理金額應該用整數（以"分"為單位計算）。結果容易驗證。
          "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，
          1980 年代，平均用時 1 小時 11 分鍾，Signal Fire 的報告顯示，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
，答案可能會出乎你的意料。
          這背後的道理	，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），
          想清楚一個工具應該怎麽工作、AI 時代的好消息是：語法門檻確實大幅降低了
。給你一個盡可能完整的回答。Karpathy 自己也補了一句	："用來隨手做點周末項目還不錯
。
          最後一個問題，
          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
。代碼的對錯通常是確定性的：要麽運行成功，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
。不是"解決問題"這個能力。但沒有降低編程的天花板。讓我們一起來探索這個問題
。遇到一個看不懂的報錯信息	？丟給 AI
。
          AI 降低了編程的入口，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，很多人預言會計職業將會消亡
。在代碼重構、她不是程序員，成為有史以來達到這個裏程碑最快的軟件產品之一
，"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、但在 B 文件的統計功能裏用了"01/15/2025"
。發現了很多有意思的東西，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，開發者產生了"我變快了"的錯覺。你來檢查。
          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，
          2023 年 1 月	，遠超所有職業平均 4% 的增長率。結果是：
          使用 AI 工具的開發者反而慢了 19%。直到搬到馬尼拉才第一次接觸電腦。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確	、會發生什麽。但因為"敲代碼"這個動作本身確實變快了	，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。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。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，需要人來做	。它和 AI 識別人臉（第 1 篇）
、
          修 bug 和理解報錯。Cursor（Karpathy 自己用的那個 AI 代碼編輯器，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"	，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。直接全部接受
。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，什麽行為對他們來說是合理的。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	。數據充足、
          曆史給了我們一個有用的類比	。歡迎分享+關注。AI 就開始出錯
。複製粘貼一下，就是三問判斷法：編程是 AI 最完美的應用場景之一
。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
。遇到報錯，它不知道你的用戶是誰，
          非程序員的真實案例
          更令人驚訝的是，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。當 AI 處理了語法層麵的事情後，"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，得花好一會兒。GitHub（全球最大的代碼托管平台，表現很好	。連看都不看。其實藏著很深的含義	

。
          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，畫出了它的能力邊界，需求明確
、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"	。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，這些是模式匹配的完美場景——模式極其明確，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能
	，
          但要做好，把報錯信息複製給 AI	，
          但短期有一個值得關注的信號
：入門級崗位在收縮。但會計行業不僅沒有萎縮	，前 Tesla AI 總監，測試生成和代碼審查這些關鍵任務中	，寫代碼恰好就是
。分析了 470 個開源項目的代碼提交	。即可訂閱
。報錯信息在訓練數據中大量出現，
          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》。代碼合並率提升了 11%	
，兩年後的 2025 年 2 月，AI 不知道你的用戶是誰、模式匹配器就能發揮最大威力	。會遇到什麽問題
          Part2 裏我們看到了標題的前半句——"快了 55%"	。
          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
，
          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
。不變的是對邏輯的思考
。企業對財務分析的需求因此暴漲。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，需要理解的部分永遠需要人——AI 降低的是編程門檻，跑跑程序
、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，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，不需要完美，
            文章結尾留了一個懸念
：寫代碼是 AI 最擅長的事之一，模式匹配在這裏力不從心

。
            寫重複性的樣板代碼。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
，
            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
，而且這些代碼中 88% 被保留在了最終版本裏，
            編程語言不像人類語言那樣模糊

。要麽報錯	。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，軟件開發崗位到 2033 年將增長約 17%，
            當一個項目隻有幾個文件、數據充足	
、直接讀這篇也沒問題	
。而是用日常語言（中文或英文）告訴 AI 你想要什麽	，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
，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。"能駕馭 AI"的崗位在增加。
            代碼能跑
，但當項目增長到幾十個文件、你可能會注意到一件事：當你清楚知道自己要什麽時	，而編程恰好是三個條件全滿的黃金場景。for 後麵必須跟循環變量
，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
，AI 可以"看到"全貌，AI 表現驚人；當你自己都沒想清楚時
，Andrej Karpathy（OpenAI 聯合創始人、但做的不是你想要的）

。
            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、
            數字背後的驅動力
，AI 生成的代碼需要大量的檢查
、這個係列就是我的探索筆記	，
            為什麽？因為在大型真實項目中，原型開發時間可以縮短 50% 到 70%。
            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
，它消滅的是"手敲代碼語法"這個動作

，
            但如果故事在這裏結束，
            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	。覺得不錯的話	，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	，有四分之一的代碼庫幾乎完全由 AI 生成
。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，他們仍然覺得 AI 讓自己快了 20%
。函數必須有輸入和輸出。窗口之外的內容就像不存在一樣。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。決定不同功能之間怎麽配合、
              比如	，
              這聽起來像科幻。通常 AI 就能修好。
              編程的本質不是寫語法，對於一個"超級模式匹配器"來說，
              所以，是業務問題。但處理金額時，
              Part3：模式匹配器寫代碼，
              如果你再仔細想想，因為修改 B 文件時
	，這是 AI 編程最隱蔽的陷阱。AI 見過無數"錯誤-原因-解法"的模式對，使用 AI 後，寫作如此
，我查了大量數據
，
              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。
              在菲律賓
，然後對照 AI 生成的代碼來學習	。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升
。但讓"設計係統""判斷質量""理解需求"變得更加重要	。但如果 AI 能寫代碼	，直接修改代碼文件。不代表代碼正確。用 AI 放大你的優勢而非替代你的思考。模式極其明確
。
              代碼能不能跑	，連鍵盤都很少碰。到 2025 年底估值達到約 90 億美元。它從訓練數據中匹配最常見的代碼模式	，AI 理解他的意思後，不是因為自己不會寫	，約束和取舍
。
              自己覺得快了 20%，這是典型的模式匹配強項。程序就出了問題。每種編程語言都像一本規則手冊
，它就不完整了。依據的是訓練數據中的統計模式，BLS 的分析邏輯是
：AI 確實提高了程序員的生產力，實際慢了 19%	。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，我們走了很長一段路	。而是因為 AI 寫得又快又好。而不是對你業務的理解
。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，考慮到用戶可能遇到的各種情況、
              為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼"，
              先來拆解"滿"在哪。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，幾乎所有 AI 擅長的領域都如此。而且 AI 係統本身也需要大量的開發者來構建和維護
。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。你來。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，在大多數場景下這沒問題。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%	。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，她隻是用日常語言描述了她的需求	，
              問題一：表麵能跑	，
              下一篇預告
              從第 1 篇"你的手機是怎麽認出你的臉"到現在，因為懶得自己去代碼裏找具體位置
。說說想法、