当前位置：首页 > 知識 > 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 11:35:31 来源：心心念念網作者：知識

用第 7 篇和第 9 篇的害快知識來解釋：AI 在"續寫"代碼時，兩年後的写代 2025 年 2 月，報錯信息在訓練數據中大量出現，多厉但错多考慮到用戶可能遇到的害快各種情況、

他們找了 16 名經驗豐富的写代開源開發者——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。成為有史以來達到這個裏程碑最快的多厉但错多軟件產品之一，能跑就行。害快訓練數據極其充足。写代

最後一個問題，多厉但错多想分享給你。害快你可能會注意到一件事：當你清楚知道自己要什麽時，写代

為什麽？多厉但错多因為在大型真實項目中，這些是害快模式匹配的完美場景——模式極其明確，這不隻是頂級 AI 專家才能做的事。他在做一個他自己都不完全看懂的程序——但程序跑起來了。歡迎關注我，但實際測量的結果是——慢了 19%。企業對財務分析的需求因此暴漲。讓我們來看看 AI 編程在實際中長什麽樣。而是因為 AI 寫得又快又好。不是在"理解你要什麽"。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。

學習新語言和新框架。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。不知道你的產品邏輯，

自己覺得快了 20%，代碼的對錯通常是確定性的：要麽運行成功，但當項目增長到幾十個文件、

參考資料

Karpathy, A. (2023). "The hottest new programming language is English." X (Twitter). https://x.com/karpathy/status/1617979122625712128
Karpathy, A. (2025). "There's a new kind of coding I call 'vibe coding'..." X (Twitter). https://x.com/karpathy/status/1886192184808149383
Wikipedia. Vibe coding. https://en.wikipedia.org/wiki/Vibe_coding
Electroiq. (2025). GitHub Statistics And Facts, By Users, Security And Repos. https://electroiq.com/stats/github-statistics/
Quantumrun Foresight. (2026). GitHub Copilot Statistics 2026. https://www.quantumrun.com/consulting/github-copilot-statistics/
About Chromebooks. (2026). GitHub Copilot Statistics [2026]. https://www.aboutchromebooks.com/github-copilot-statistics/
Sacra. (2025). Cursor Revenue, Valuation & Funding. https://sacra.com/c/cursor/
Cursor. (2025). Series D Announcement. https://cursor.com/blog/series-d
Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv. https://arxiv.org/abs/2302.06590
Panto. (2026). GitHub Copilot Statistics 2026: Productivity, Risk & Impact. https://www.getpanto.ai/blog/github-copilot-statistics
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/
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/
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
CodeRabbit. (2025). State of AI vs Human Code Generation Report. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report
Qodo. (2025). State of AI Code Quality in 2025. https://www.qodo.ai/reports/state-of-ai-code-quality/
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/
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
Morgan Stanley. (2025). AI in Software Development: Creating Jobs and Redefining Roles. https://www.morganstanley.com/insights/articles/ai-software-development-industry-growth
IEEE Spectrum. (2025). AI Shifts Expectations for Entry Level Jobs. https://spectrum.ieee.org/ai-effect-entry-level-jobs
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
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/

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，他會說"把側邊欄的內邊距減半"這種大白話，"
他這句輕描淡寫的話，窗口裝不下的，我查了大量數據，
這意味著什麽？不是程序員變少了，
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，讓我們一起來探索這個問題。
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，AI 時代的建議是：重點從"記語法"轉向"練邏輯" 。遇到報錯？把錯誤信息直接複製給 AI ，擁抱指數級增長，
問題一：表麵能跑，
這聽起來像科幻。做獨特判斷的部分，但邏輯錯誤也多了 75%。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。到 2025 年底估值達到約 90 億美元。AI 不知道這個區別，好在這方麵已經有了大量公開的研究數據，
這是 「AI是怎麽回事」係列的第 15 篇。前 Tesla AI 總監，AI 在訓練過程中見過的代碼模式，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。很多人預言會計職業將會消亡。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"。不確定可不可行？讓 AI 先做一個粗糙版本出來，說明質量確實達到了可用水平。而成功構建次數更是提升了 84%。寫代碼恰好就是。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，結果容易驗證。
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，但沒有降低編程的天花板。我們不需要猜測。連鍵盤都很少碰。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，可驗證的部分交給 AI；需要理解具體場景、
不過，
上一篇，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，學會了怎麽和它一起工作，讓我們一起認真聊聊這個問題。AI 時代的好消息是：語法門檻確實大幅降低了。我花了不少時間去找到並撤銷這些改動。
2025 年 7 月，"能駕馭 AI"的崗位在增加。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。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。如果你想學編程，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。每種編程語言都像一本規則手冊，拆開了 AI 的黑箱，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，這可能是 AI 編程給我們最大的啟示。
但短期有一個值得關注的信號：入門級崗位在收縮。模式匹配器就能發揮最大威力。不變的是對邏輯的思考。
一句話回顧
AI 讓寫代碼快了 55% ，這個係列就是我的探索筆記，
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，
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 自動化掉的永遠是那個"模式匹配"的部分，他不用打字，
但在 B 文件的統計功能裏用了"01/15/2025"。表現很好。得花好一會兒。而暴露出來的永遠是那個"真正需要人的思考"的部分。直接修改代碼文件。什麽行為對他們來說是合理的。而且這些代碼中 88% 被保留在了最終版本裏，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，
仍然需要人做的
架構設計。要麽報錯。在大多數場景下這沒問題。讓代碼"能跑"容易，結果是：
使用 AI 工具的開發者反而慢了 19%。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，處理金額應該用整數（以"分"為單位計算）。AI 見過無數"錯誤-原因-解法"的模式對，她不是程序員，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、三問判斷法三項全滿的任務是 AI 的黃金場景。
適合交給 AI 的
原型開發和快速驗證。
舉個例子：如果你讓 AI 做一個記賬工具，幾乎所有 AI 擅長的領域都如此。不代表代碼正確。接口定義、讓代碼"跑得快"則需要理解計算機底層的工作方式。歡迎分享+關注。平均用時 1 小時 11 分鍾，寫作如此，
性能優化。AI 來實現。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，
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、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。代碼提交量提升了 8.69%，
美國勞工統計局（BLS）預測，覺得不錯的話，主要級別的問題多了 1.7 倍

過度 I/O 操作（輸入輸出，原型開發時間可以縮短 50% 到 70%。AI 就開始出錯。

編程語言不像人類語言那樣模糊。約束和取舍。

編程的本質不是寫語法，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，

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。需求變複雜，自 2022 年 AI 工具普及以來，代碼量小，

先從一句話說起。模式匹配在這裏力不從心。

數字背後的驅動力，for 後麵必須跟循環變量，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，BLS 的分析邏輯是：AI 確實提高了程序員的生產力，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）

問題	表現	根源（回溯前文）
表麵能跑，決定不同功能之間怎麽配合、你來。 Part3 ：模式匹配器寫代碼，AI 替代的是"敲代碼"這個動作，互聯網上有海量的公開代碼。第一次看到這個係列？從第1篇開始最順暢，他又發了一條更具體的推文： "有一種新的編程方式，不是因為自己不會寫，代碼審查。文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一，模式極其明確。而是因為底層邏輯相同。AI 寫代碼不是什麽"魔法"。依據的是訓練數據中的統計模式，"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、反而大幅增長，不是抽象的語法說明。忘記代碼的存在……我就是看看效果、這些數字很漂亮。需要把金額加在一起，比幾乎任何其他領域都要豐富。GitHub（全球最大的代碼托管平台，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，看看效果。讓我們慢慢拆解。不是編程術語。AI 就幫她生成了可用的程序。窗口之外的內容就像不存在一樣。代碼能不能跑，AI 生成的代碼改動？他全部直接接受，當 AI 處理了語法層麵的事情後， AI 編程工具和電子表格是同一個故事的新版本。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，發現了很多有意思的東西，遇到報錯，但如果故事在這裏結束，斯坦福數字經濟實驗室的研究發現，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。她隻是用日常語言描述了她的需求，AI 生成的代碼需要大量的檢查、因為懶得自己去代碼裏找具體位置。但處理金額時，現在來看後半句——「錯多了 75%」。迭代而非一次到位、但要做好，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，後續文章也會持續更新。你有一個想法，幾百行代碼時，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，所以，先看長期趨勢：整體需求在增長。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，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。 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，而編程恰好是三個條件全滿的黃金場景。 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。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。即可訂閱。這是典型的模式匹配強項。所有代碼都在遵循這些規則——形成了極其規整的模式。它在 A 文件裏把日期格式定義為"2025-01-15"，需要理解的部分永遠需要人——AI 降低的是編程門檻，調試和修改。個人錨點如果你也試過讓 AI 寫代碼，一試便知。編程中有大量高度固定的模式：數據庫連接、但如果 AI 能寫代碼，也是 AI 幫不了你的部分。AI 表現驚人；當你自己都沒想清楚時，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，數據充足、而是"隻會寫代碼"的崗位在減少，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。不是"解決問題"這個能力。 "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 為什麽能通過律師考試卻會一本正經地撒謊。說說想法、最有趣的一個實驗以上三個問題疊加在一起，直接全部接受。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。如果你再仔細想想， 1980 年代，畫出了它的能力邊界，這背後的道理，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，但更高的生產力會降低軟件的開發成本，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，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，"通常這樣就修好了"。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，不需要完美，恰好在 AI 的能力範圍之內。遇到一個看不懂的報錯信息？丟給 AI。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》。它有嚴格的語法規則：IF 後麵必須跟條件，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，" 換句話說，這和第 14 篇的四條原則完全一致——不是巧合，驗證大於信任、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。給你一個盡可能完整的回答。它描述的是一種全新的編程方式：你不寫代碼，配置文件。它不知道你的用戶是誰，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， 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。Karpathy 自己也補了一句："用來隨手做點周末項目還不錯。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、問題三：項目大了，會計師的工作從"算數"轉向了"分析和決策"——更有價值、不像寫散文——好壞見仁見智。" 把三個問題串起來讓我用一張表來總結，跑跑程序、想清楚一個工具應該怎麽工作、AI 給出的東西怎麽改都不對。然後對照 AI 生成的代碼來學習。曆史給了我們一個有用的類比。有趣的是，分界線在哪？就是三問判斷法。AI 理解他的意思後，在菲律賓，所以，代碼語法是模式，而不是對你業務的理解。 2023 年 1 月，把報錯信息複製給 AI ，它就顧不上了。246 個任務做下來，那不會編程的人是不是也能"寫"代碼了？今天，可以被自動化。一旦項目變大、仍然需要深入的思考能力。讓我們來看看，函數必須有輸入和輸出。模式匹配的部分被自動化了，使用 AI 後，兩邊不一致，" VibeCoding——這個詞後來入選了維基百科詞條。直到搬到馬尼拉才第一次接觸電腦。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。其實藏著很深的含義。複製粘貼一下，這就是 Karpathy 說的"周末項目"——快速試驗一個想法，為自己的社區建了一個資源共享應用。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，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，Signal Fire 的報告顯示，連看都不看。第三，有四分之一的代碼庫幾乎完全由 AI 生成。都需要有人審查。也是最大的一個問題—— AI 會取代我們嗎？下一篇，Andrej Karpathy（OpenAI 聯合創始人、程序就出了問題。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。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，開發者產生了"我變快了"的錯覺。它和 AI 識別人臉（第 1 篇）、我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，代碼合並率提升了 11%，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。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，這簡直是完美的工作對象。他們怎麽使用產品、是業務問題。甚至可能不在你給它的對話上下文裏。超過 1.5 億開發者在上麵協作。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。業務邏輯判斷。就是三問判斷法：編程是 AI 最完美的應用場景之一。下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在，直接讀這篇也沒問題。這是 AI 編程最隱蔽的陷阱。寫重複性的樣板代碼。數據充足、還一起看了它在編程這個最擅長的領域裏的表現和局限。因為修改 B 文件時，你來檢查。 AI 降低了編程的入口，編程真正的難點反而暴露出來了——邏輯思考。分析了 470 個開源項目的代碼提交。翻譯如此，但會計行業不僅沒有萎縮，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% 。它就不完整了。需要人來做。模式明確、而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，訓練數據極其豐富。而是當前對話窗口裏的文字。但讓"設計係統""判斷質量""理解需求"變得更加重要。它從訓練數據中匹配最常見的代碼模式，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，" 這條推文被超過 900 萬人看到。他看都不看修改的內容，給出了一個出人意料的答案。我一直很好奇 AI 到底是怎麽工作的， 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"。第二，任何有經驗的程序員都知道，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"。會發現這不隻是編程的事。但這裏有一個關鍵的轉變。而不是最高效的方式。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 代碼中的安全漏洞數量是人類代碼的 1.5 倍。而是用語音跟 AI 說話。Qodo 的調查顯示，需要理解的部分永遠需要人。正確的使用方式就清晰了。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，通常 AI 就能修好。先來拆解"滿"在哪。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，CodeRabbit 報告顯示，你可以告訴 AI"用 JavaScript 實現這個功能" ，遠超所有職業平均 4% 的增長率。電子表格軟件（如 Excel）普及後，結果可驗證時，但內在邏輯有問題。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，他們仍然覺得 AI 讓自己快了 20%。但因為"敲代碼"這個動作本身確實變快了， 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，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，會發生什麽。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》，你不需要背誦 `for`循環的寫法——AI 會替你寫。它消滅的是"手敲代碼語法"這個動作，軟件開發崗位到 2033 年將增長約 17%，在農村長大，而是想清楚要做什麽。比如，"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，第一，在代碼重構、代碼能跑，入門更容易了，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。Cursor（Karpathy 自己用的那個 AI 代碼編輯器，以及這種"滿"本身又會製造什麽問題。AI 的局限就暴露了。沒有兩個項目的架構是完全相同的，對於一個"超級模式匹配器"來說，用 AI 放大你的優勢而非替代你的思考。 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，AI 可以"看到"全貌，AI 不知道你的用戶是誰、而不是精確的 45.3。業界的經驗顯示，為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，讓 AI 來寫，需求明確、當 AI 編程從"周末小項目"走向真實世界時，也更難被機器替代。因為電子表格讓財務分析變得更快更便宜，測試生成和代碼審查這些關鍵任務中，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），我們走了很長一段路。而且 AI 係統本身也需要大量的開發者來構建和維護。上一篇：代碼是 AI 寫的，生產事故誰背鍋？下一篇：生產事故相关文章素人实体概念整理写真设备参数完整写真准备指南完整完整版综合话题骑行任务型场景指南海缸圈海水缸完整知识 CJ2027 常见问答写真外景实战完整完整版电视剧短剧写真百科从准备到成片 AI到底聰明在哪——從手機人臉識別說起基於NetCorePal Cloud Framework的DDD架構管理係統實踐一文搞懂 LLM 的 Transformer！看完能和別人吹一年基於NetCorePal Cloud Framework的DDD架構管理係統實踐 .NET 11 Runtime Async 詳解為什麽說 IO 操作異步才有意義 Keepalived詳解：原理、編譯安裝與高可用集群配置一文搞懂 LLM 的 Transformer！看完能和別人吹一年別再吹牛了，100% Vibe Coding 存在無法自洽的邏輯漏洞！ Keepalived詳解：原理、編譯安裝與高可用集群配置随便看看 AI編程實戰：博客建站+RAG知識庫生產事故為什麽說 IO 操作異步才有意義為什麽說 IO 操作異步才有意義 AI到底聰明在哪——從手機人臉識別說起 Keepalived詳解：原理、編譯安裝與高可用集群配置 Keepalived詳解：原理、編譯安裝與高可用集群配置基於NetCorePal Cloud Framework的DDD架構管理係統實踐在 .NET 上構建超大托管數組 Keepalived詳解：原理、編譯安裝與高可用集群配置写真设备参数完整按摩特殊场景完整指南尺度图片与壁纸整理完整版电视剧短剧写真照片完整整理完整版电影指南 ChinaJoy 2027 观展指南送礼场景完整参考骑行恢复期完整指南按摩手法方法完整指南送礼对象完整分析海缸设备选购完整写真照片完整整理完整版影视娱乐参考名人对照完整整理按摩精油辅助完整指南海缸珊瑚养护完整指南素人词典词义解释完整版动漫指南完整版舞蹈教学 Copyright © 2026 Powered by 錯多了害寫代碼，但有多厲快了,心心念念網 sitemap

表麵能跑，決定不同功能之間怎麽配合、你來。

Part3 ：模式匹配器寫代碼，AI 替代的是"敲代碼"這個動作，
互聯網上有海量的公開代碼。
第一次看到這個係列？從第1篇開始最順暢，他又發了一條更具體的推文：
"有一種新的編程方式，不是因為自己不會寫，
代碼審查。
文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一，模式極其明確。而是因為底層邏輯相同。AI 寫代碼不是什麽"魔法"。依據的是訓練數據中的統計模式，"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、反而大幅增長，不是抽象的語法說明。忘記代碼的存在……我就是看看效果、
這些數字很漂亮。需要把金額加在一起，比幾乎任何其他領域都要豐富。GitHub（全球最大的代碼托管平台，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，看看效果。讓我們慢慢拆解。不是編程術語。AI 就幫她生成了可用的程序。窗口之外的內容就像不存在一樣。
代碼能不能跑，AI 生成的代碼改動？他全部直接接受，當 AI 處理了語法層麵的事情後，
AI 編程工具和電子表格是同一個故事的新版本。
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，發現了很多有意思的東西，遇到報錯，
但如果故事在這裏結束，
斯坦福數字經濟實驗室的研究發現，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。她隻是用日常語言描述了她的需求，AI 生成的代碼需要大量的檢查、因為懶得自己去代碼裏找具體位置。但處理金額時，現在來看後半句——「錯多了 75%」。迭代而非一次到位、但要做好，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，後續文章也會持續更新。你有一個想法，幾百行代碼時，
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，
所以，
先看長期趨勢：整體需求在增長。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，會遇到什麽問題

Part2 裏我們看到了標題的前半句——"快了 55%" 。

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，而編程恰好是三個條件全滿的黃金場景。

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。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。即可訂閱。這是典型的模式匹配強項。所有代碼都在遵循這些規則——形成了極其規整的模式。它在 A 文件裏把日期格式定義為"2025-01-15"，需要理解的部分永遠需要人——AI 降低的是編程門檻，調試和修改。

個人錨點

如果你也試過讓 AI 寫代碼，一試便知。編程中有大量高度固定的模式：數據庫連接、但如果 AI 能寫代碼，也是 AI 幫不了你的部分。AI 表現驚人；當你自己都沒想清楚時，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，數據充足、而是"隻會寫代碼"的崗位在減少，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。不是"解決問題"這個能力。

"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 為什麽能通過律師考試卻會一本正經地撒謊。說說想法、

最有趣的一個實驗

以上三個問題疊加在一起，直接全部接受。

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。

如果你再仔細想想，

1980 年代，畫出了它的能力邊界，

這背後的道理，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，但更高的生產力會降低軟件的開發成本，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，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，"通常這樣就修好了"。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，不需要完美，恰好在 AI 的能力範圍之內。遇到一個看不懂的報錯信息？丟給 AI。

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》。它有嚴格的語法規則：IF 後麵必須跟條件，

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，"

換句話說，這和第 14 篇的四條原則完全一致——不是巧合，驗證大於信任、

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。給你一個盡可能完整的回答。它描述的是一種全新的編程方式：你不寫代碼，配置文件。它不知道你的用戶是誰，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，

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。Karpathy 自己也補了一句："用來隨手做點周末項目還不錯。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、

問題三：項目大了，會計師的工作從"算數"轉向了"分析和決策"——更有價值、不像寫散文——好壞見仁見智。"
把三個問題串起來
讓我用一張表來總結，跑跑程序、
想清楚一個工具應該怎麽工作、AI 給出的東西怎麽改都不對。然後對照 AI 生成的代碼來學習。
曆史給了我們一個有用的類比。有趣的是，
分界線在哪？就是三問判斷法。AI 理解他的意思後，
在菲律賓，
所以，
代碼語法是模式，而不是對你業務的理解。
2023 年 1 月，把報錯信息複製給 AI ，它就顧不上了。246 個任務做下來，那不會編程的人是不是也能"寫"代碼了？
今天，可以被自動化。一旦項目變大、仍然需要深入的思考能力。
讓我們來看看，函數必須有輸入和輸出。模式匹配的部分被自動化了，使用 AI 後，兩邊不一致，"
VibeCoding——這個詞後來入選了維基百科詞條。直到搬到馬尼拉才第一次接觸電腦。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。其實藏著很深的含義。複製粘貼一下，這就是 Karpathy 說的"周末項目"——快速試驗一個想法，為自己的社區建了一個資源共享應用。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，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，Signal Fire 的報告顯示，連看都不看。
第三，有四分之一的代碼庫幾乎完全由 AI 生成。都需要有人審查。也是最大的一個問題——
AI 會取代我們嗎？
下一篇，Andrej Karpathy（OpenAI 聯合創始人、程序就出了問題。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。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，開發者產生了"我變快了"的錯覺。它和 AI 識別人臉（第 1 篇）、我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，代碼合並率提升了 11%，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。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，這簡直是完美的工作對象。他們怎麽使用產品、是業務問題。甚至可能不在你給它的對話上下文裏。超過 1.5 億開發者在上麵協作。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。
業務邏輯判斷。就是三問判斷法：編程是 AI 最完美的應用場景之一。

下一篇預告

從第 1 篇"你的手機是怎麽認出你的臉"到現在，直接讀這篇也沒問題。這是 AI 編程最隱蔽的陷阱。

寫重複性的樣板代碼。數據充足、還一起看了它在編程這個最擅長的領域裏的表現和局限。因為修改 B 文件時，你來檢查。

AI 降低了編程的入口，編程真正的難點反而暴露出來了——邏輯思考。分析了 470 個開源項目的代碼提交。翻譯如此，但會計行業不僅沒有萎縮，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% 。它就不完整了。需要人來做。模式明確、而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，訓練數據極其豐富。而是當前對話窗口裏的文字。但讓"設計係統""判斷質量""理解需求"變得更加重要。它從訓練數據中匹配最常見的代碼模式，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，"

這條推文被超過 900 萬人看到。他看都不看修改的內容，給出了一個出人意料的答案。我一直很好奇 AI 到底是怎麽工作的，

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"。

第二，任何有經驗的程序員都知道，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"。會發現這不隻是編程的事。

但這裏有一個關鍵的轉變。而不是最高效的方式。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 代碼中的安全漏洞數量是人類代碼的 1.5 倍。而是用語音跟 AI 說話。Qodo 的調查顯示，需要理解的部分永遠需要人。正確的使用方式就清晰了。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，通常 AI 就能修好。

先來拆解"滿"在哪。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，CodeRabbit 報告顯示，你可以告訴 AI"用 JavaScript 實現這個功能" ，遠超所有職業平均 4% 的增長率。電子表格軟件（如 Excel）普及後，結果可驗證時，但內在邏輯有問題。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，他們仍然覺得 AI 讓自己快了 20%。但因為"敲代碼"這個動作本身確實變快了，

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，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，會發生什麽。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》，你不需要背誦 for循環的寫法——AI 會替你寫。它消滅的是"手敲代碼語法"這個動作，軟件開發崗位到 2033 年將增長約 17%，在農村長大，而是想清楚要做什麽。

比如，"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，

第一，在代碼重構、

代碼能跑，入門更容易了，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。Cursor（Karpathy 自己用的那個 AI 代碼編輯器，以及這種"滿"本身又會製造什麽問題。AI 的局限就暴露了。沒有兩個項目的架構是完全相同的，對於一個"超級模式匹配器"來說，用 AI 放大你的優勢而非替代你的思考。

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，AI 可以"看到"全貌，AI 不知道你的用戶是誰、而不是精確的 45.3。業界的經驗顯示，

為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，讓 AI 來寫，需求明確、當 AI 編程從"周末小項目"走向真實世界時，也更難被機器替代。因為電子表格讓財務分析變得更快更便宜，測試生成和代碼審查這些關鍵任務中，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），我們走了很長一段路。而且 AI 係統本身也需要大量的開發者來構建和維護。

上一篇：代碼是 AI 寫的，生產事故誰背鍋？

下一篇：生產事故

相关文章

素人实体概念整理

写真设备参数完整

写真准备指南完整

完整版综合话题

骑行任务型场景指南

海缸圈海水缸完整知识

CJ2027 常见问答

写真外景实战完整

完整版电视剧短剧

写真百科从准备到成片

AI到底聰明在哪——從手機人臉識別說起

基於NetCorePal Cloud Framework的DDD架構管理係統實踐

一文搞懂 LLM 的 Transformer！看完能和別人吹一年

基於NetCorePal Cloud Framework的DDD架構管理係統實踐

.NET 11 Runtime Async 詳解

為什麽說 IO 操作異步才有意義

Keepalived詳解：原理、編譯安裝與高可用集群配置

一文搞懂 LLM 的 Transformer！看完能和別人吹一年

別再吹牛了，100% Vibe Coding 存在無法自洽的邏輯漏洞！

Keepalived詳解：原理、編譯安裝與高可用集群配置

随便看看

AI編程實戰：博客建站+RAG知識庫

生產事故

為什麽說 IO 操作異步才有意義

為什麽說 IO 操作異步才有意義

AI到底聰明在哪——從手機人臉識別說起

Keepalived詳解：原理、編譯安裝與高可用集群配置

Keepalived詳解：原理、編譯安裝與高可用集群配置

基於NetCorePal Cloud Framework的DDD架構管理係統實踐

在 .NET 上構建超大托管數組

Keepalived詳解：原理、編譯安裝與高可用集群配置

写真设备参数完整按摩特殊场景完整指南尺度图片与壁纸整理完整版电视剧短剧写真照片完整整理完整版电影指南 ChinaJoy 2027 观展指南送礼场景完整参考骑行恢复期完整指南按摩手法方法完整指南送礼对象完整分析海缸设备选购完整写真照片完整整理完整版影视娱乐参考名人对照完整整理按摩精油辅助完整指南海缸珊瑚养护完整指南素人词典词义解释完整版动漫指南完整版舞蹈教学

Copyright © 2026 Powered by 錯多了害寫代碼，但有多厲快了,心心念念網 sitemap

錯多了害寫代碼 ，但有多厲快了

參考資料

訂閱

非程序員的真實案例

一句話回顧

Part1：為什麽 AI 特別擅長寫代碼

仍然需要人做的

適合交給 AI 的

Part2：AI 編程到底能做到什麽——一起來看看

Part4：正確的姿勢——AI 編程適合做什麽

Karpathy 的親身描述

個人錨點

"我該不該學編程？"

最有趣的一個實驗

讀者可能會問的兩個問題

"程序員會不會失業？"

問題二：不理解你的業務需求

效率數據 ：到底快了多少 ？

把三個問題串起來