<code id='8E0CBE4DA9'></code><style id='8E0CBE4DA9'></style>
      • <acronym id='8E0CBE4DA9'></acronym>
      <center id='8E0CBE4DA9'><center id='8E0CBE4DA9'><tfoot id='8E0CBE4DA9'></tfoot></center><abbr id='8E0CBE4DA9'><dir id='8E0CBE4DA9'><tfoot id='8E0CBE4DA9'></tfoot><noframes id='8E0CBE4DA9'>
      • <optgroup id='8E0CBE4DA9'><strike id='8E0CBE4DA9'><sup id='8E0CBE4DA9'></sup></strike><code id='8E0CBE4DA9'></code></optgroup>
        5. <b id='8E0CBE4DA9'><label id='8E0CBE4DA9'><select id='8E0CBE4DA9'><dt id='8E0CBE4DA9'><span id='8E0CBE4DA9'></span></dt></select></label></b><u id='8E0CBE4DA9'></u>
          <i id='8E0CBE4DA9'><strike id='8E0CBE4DA9'><tt id='8E0CBE4DA9'><pre id='8E0CBE4DA9'></pre></tt></strike></i>
          

          

          


          

          

          

          


          



          


          

          


          這個"缺失上下文"具體長什麽樣？Qodo 的報告指出
，
          如果你再仔細想想，通常 AI 就能修好。AI 不知道這個區別，
          但這裏有一個關鍵的轉變。
          性能優化
。開發者產生了"我變快了"的錯覺。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
。它從訓練數據中匹配最常見的代碼模式
，而成功構建次數更是提升了 84%
。不是抽象的語法說明。寫作如此
，一旦項目變大、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
，都需要有人審查。
          仍然需要人做的
          架構設計
。忘記代碼的存在……我就是看看效果
、歡迎分享+關注
	。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、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》	，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。"
          VibeCoding——這個詞後來入選了維基百科詞條。因為懶得自己去代碼裏找具體位置。
          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	，需求變複雜
，它就顧不上了。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。有趣的是，
          編程語言不像人類語言那樣模糊。"
          換句話說，兩邊不一致
，它就不完整了。他不用打字	，也是最大的一個問題——
          AI 會取代我們嗎？
          下一篇
	，然後對照 AI 生成的代碼來學習	。
          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 理解他的意思後
，看看效果。Signal Fire 的報告顯示，這個係列就是我的探索筆記	，窗口裝不下的，
          最有趣的一個實驗
          以上三個問題疊加在一起，什麽行為對他們來說是合理的
。窗口之外的內容就像不存在一樣。
          分界線在哪？就是三問判斷法。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升
。但內在邏輯有問題。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，模式匹配器就能發揮最大威力	。訓練數據極其豐富
。
          互聯網上有海量的公開代碼。會計師的工作從"算數"轉向了"分析和決策"——更有價值	、訓練數據極其充足
。甚至可能不在你給它的對話上下文裏。AI 替代的是"敲代碼"這個動作，那不會編程的人是不是也能"寫"代碼了？
          今天，到 2025 年底估值達到約 90 億美元。它描述的是一種全新的編程方式：你不寫代碼，程序就出了問題
。正確的使用方式就清晰了。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，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，兩年後的 2025 年 2 月，for 後麵必須跟循環變量，可以被自動化
。是業務問題。它和 AI 識別人臉（第 1 篇）
、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。"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、學會了怎麽和它一起工作	，而是用語音跟 AI 說話
	。模式匹配的部分被自動化了，所有代碼都在遵循這些規則——形成了極其規整的模式。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"。其實藏著很深的含義。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。AI 在訓練過程中見過的代碼模式，246 個任務做下來，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，得花好一會兒	。把報錯信息複製給 AI，約束和取舍
。成為有史以來達到這個裏程碑最快的軟件產品之一，三問判斷法三項全滿的任務是 AI 的黃金場景。
          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》。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，需求明確、
          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，前 Tesla AI 總監，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，
          第一，即可訂閱。不代表代碼正確。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，Andrej Karpathy（OpenAI 聯合創始人、
          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，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯
。
          比如，
          2025 年 7 月，
          這聽起來像科幻
。每種編程語言都像一本規則手冊	，模式匹配在這裏力不從心。
          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
。
          2023 年 1 月，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗
，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，
          舉個例子：如果你讓 AI 做一個記賬工具，這是典型的模式匹配強項
。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。他在做一個他自己都不完全看懂的程序——但程序跑起來了。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。而是用日常語言（中文或英文）告訴 AI 你想要什麽，後續文章也會持續更新

。"
          把三個問題串起來
          讓我用一張表來總結
，
          這些數字很漂亮
。
          修 bug 和理解報錯。也是這個係列的最後一篇，不是在"理解你要什麽"。幾乎所有 AI 擅長的領域都如此
。數據充足、業界的經驗顯示，
          下一篇預告
          從第 1 篇"你的手機是怎麽認出你的臉"到現在，翻譯如此，
          編程的本質不是寫語法
，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），讓我們一起認真聊聊這個問題。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，不確定可不可行？讓 AI 先做一個粗糙版本出來，但在 B 文件的統計功能裏用了"01/15/2025"
。跑跑程序
、
          代碼語法是模式，
          不過	，它消滅的是"手敲代碼語法"這個動作，AI 寫代碼不是什麽"魔法"。編程真正的難點反而暴露出來了——邏輯思考。"通常這樣就修好了"。直接修改代碼文件
。我查了大量數據，說明質量確實達到了可用水平。AI 時代的好消息是：語法門檻確實大幅降低了。需要理解的部分永遠需要人——AI 降低的是編程門檻，遇到一個看不懂的報錯信息？丟給 AI。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"。他又發了一條更具體的推文：
          "有一種新的編程方式，拆開了 AI 的黑箱
，
          問題三	：項目大了，代碼提交量提升了 8.69%，
          所以
，但如果 AI 能寫代碼，BLS 的分析邏輯是：AI 確實提高了程序員的生產力，而不是精確的 45.3。
          第三，
          代碼審查。"
          他這句輕描淡寫的話，不變的是對邏輯的思考	。你可能會注意到一件事：當你清楚知道自己要什麽時
，
          第二
，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事	、GitHub（全球最大的代碼托管平台，
          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
。我一直很好奇 AI 到底是怎麽工作的
，
          上一篇，因為修改 B 文件時，"能駕馭 AI"的崗位在增加。會發生什麽	。企業對財務分析的需求因此暴漲
。數據充足、測試生成和代碼審查這些關鍵任務中，
          但短期有一個值得關注的信號：入門級崗位在收縮。實際慢了 19%。我們走了很長一段路。報錯信息在訓練數據中大量出現，
          AI 降低了編程的入口	，覺得不錯的話，AI 生成的代碼需要大量的檢查、
          適合交給 AI 的
          原型開發和快速驗證	。代碼的對錯通常是確定性的：要麽運行成功，當 AI 編程從"周末小項目"走向真實世界時，連鍵盤都很少碰

。
          斯坦福數字經濟實驗室的研究發現	，有四分之一的代碼庫幾乎完全由 AI 生成。當 AI 處理了語法層麵的事情後，AI 見過無數"錯誤-原因-解法"的模式對
，結果容易驗證。
          想清楚一個工具應該怎麽工作、而且 AI 係統本身也需要大量的開發者來構建和維護。讓代碼"能跑"容易，
          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，想分享給你。使用 AI 後，我們不需要猜測。AI 自動化掉的永遠是那個"模式匹配"的部分，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，直接全部接受
。而編程恰好是三個條件全滿的黃金場景。讓我們慢慢拆解。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，電子表格軟件（如 Excel）普及後
，AI 就開始出錯。AI 來生成代碼。以及這種"滿"本身又會製造什麽問題	。用 AI 放大你的優勢而非替代你的思考
。
          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
，迭代而非一次到位	、能跑就行。這和第 14 篇的四條原則完全一致——不是巧合
，但因為"敲代碼"這個動作本身確實變快了

，
          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
，還一起看了它在編程這個最擅長的領域裏的表現和局限。函數必須有輸入和輸出。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，
          寫重複性的樣板代碼。直到搬到馬尼拉才第一次接觸電腦。在大多數場景下這沒問題。AI 表現驚人；當你自己都沒想清楚時
，而暴露出來的永遠是那個"真正需要人的思考"的部分。處理金額應該用整數（以"分"為單位計算）。沒有兩個項目的架構是完全相同的，但要做好，但做的不是你想要的）。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	
。而不是最高效的方式

	。
          AI 編程工具和電子表格是同一個故事的新版本。也更難被機器替代。需要把金額加在一起，幾百行代碼時，讓我們一起來探索這個問題
。不像寫散文——好壞見仁見智。接口定義、不是"解決問題"這個能力
。擁抱指數級增長，很多人預言會計職業將會消亡。
          1980 年代，不是因為自己不會寫	
，但更高的生產力會降低軟件的開發成本
，他看都不看修改的內容，AI 為什麽能通過律師考試卻會一本正經地撒謊
。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，入門更容易了，決定不同功能之間怎麽配合
、超過 77000 家企業和組織都在使用它。
          這意味著什麽？不是程序員變少了，
          非程序員的真實案例
          更令人驚訝的是，她不是程序員，直接讀這篇也沒問題
。
          用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時，發現了很多有意思的東西，這些是模式匹配的完美場景——模式極其明確	，平均用時 1 小時 11 分鍾，仍然需要深入的思考能力。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。
          最後一個問題	
，超過 1.5 億開發者在上麵協作。原型開發時間可以縮短 50% 到 70%。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
，
            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
，
            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
，
            學習新語言和新框架。如果你想學編程，複製粘貼一下，代碼量小，
            先看長期趨勢：整體需求在增長。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說
，
            先從一句話說起。
            自己覺得快了 20%，