美國勞工統計局（BLS）預測，多厉但错多現在來看後半句——「錯多了 75%」 。害快你甚至不需要看懂代碼——看結果就行 。写代模式匹配的多厉但错多部分被自動化了，會產生什麽效果 ？害快還記得 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 。在代碼重構 、
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 。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，窗口裝不下的 ，
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 ，看看效果 。兩邊不一致 ，依據的是訓練數據中的統計模式，
AI 降低了編程的入口 ，當 AI 處理了語法層麵的事情後 ，他又發了一條更具體的推文：
"有一種新的編程方式，
"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 ，你來 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。調試和修改 。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 ，
當一個項目隻有幾個文件 、
先來拆解"滿"在哪 。直接修改代碼文件。GitHub（全球最大的代碼托管平台，企業對財務分析的需求因此暴漲 。而不是對你業務的理解 。窗口之外的內容就像不存在一樣。是業務問題 。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 ，
自己覺得快了 20% ，前 Tesla AI 總監 ，"
換句話說 ，然後它就大概能用了 。讓我們慢慢拆解 。
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。"
這條推文被超過 900 萬人看到。代碼量小，
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 ，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 。
學習新語言和新框架 。覺得不錯的話 ，
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 。
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。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，而是用語音跟 AI 說話 。沒有兩個項目的架構是完全相同的 ，
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" 。Andrej Karpathy（OpenAI 聯合創始人 、恰好在 AI 的能力範圍之內 。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，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 ，忘記代碼的存在……我就是看看效果 、
這三個問題不是意外 。訓練數據極其充足 。
但如果故事在這裏結束 ，讓我們一起來探索這個問題。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"。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、
上一篇，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。遇到報錯 ，AI 生成的代碼改動 ？他全部直接接受 ，很多人預言會計職業將會消亡 。
第一
，這不隻是頂級 AI 專家才能做的事 。以及這種"滿"本身又會製造什麽問題 。拆開了 AI 的黑箱 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，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 。你不需要背誦 for循環的寫法——AI 會替你寫 。"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、
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，做獨特判斷的部分 ，不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
問題三 ：項目大了 ，
讓我們來看看 ，它從訓練數據中匹配最常見的代碼模式 ，測試生成和代碼審查這些關鍵任務中 ，
一句話回顧
AI 讓寫代碼快了 55% ，其實藏著很深的含義 。但讓"設計係統""判斷質量""理解需求"變得更加重要。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 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，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 。仍然需要深入的思考能力 。
這背後的道理 ，超過 77000 家企業和組織都在使用它 。這是 AI 編程最隱蔽的陷阱 。電子表格軟件（如 Excel）普及後 ，而暴露出來的永遠是那個"真正需要人的思考"的部分。
如果你再仔細想想 ，但邏輯錯誤也多了 75% 。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） ，"
VibeCoding——這個詞後來入選了維基百科詞條。"
他這句輕描淡寫的話 ，
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 ，
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/
訂閱
如果覺得有意思 ，因為懶得自己去代碼裏找具體位置 。到 2025 年底估值達到約 90 億美元。它消滅的是"手敲代碼語法"這個動作，三問判斷法三項全滿的任務是 AI 的黃金場景 。結果容易驗證 。我查了大量數據 ，什麽行為對他們來說是合理的 。
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，
Part3 ：模式匹配器寫代碼 ，可驗證的部分交給 AI；需要理解具體場景 、
修 bug 和理解報錯 。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
。需要人來做
。考慮到用戶可能遇到的各種情況 、能跑就行 。她不是程序員
，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 。AI 給出的東西怎麽改都不對 。正確的使用方式就清晰了 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ， AI 編程工具和電子表格是同一個故事的新版本
。 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"隻會寫代碼"的崗位在減少 ，比幾乎任何其他領域都要豐富 。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 的局限就暴露了 。 2025 年 7 月 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。讓 AI 來寫
，原型開發時間可以縮短 50% 到 70% 。"通常這樣就修好了"。AI 在訓練過程中見過的代碼模式，遠超所有職業平均 4% 的增長率 。 第三，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。不是編程術語 。需求明確、 這聽起來像科幻。而不是最高效的方式 。幾乎所有 AI 擅長的領域都如此
。
你有一個想法 ，學會了怎麽和它一起工作，那不會編程的人是不是也能"寫"代碼了
？
今天 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。
寫重複性的樣板代碼 。AI 理解他的意思後 ，迭代而非一次到位 、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 ，配置文件 。但如果 AI 能寫代碼 ，
業務邏輯判斷 。
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 、就是三問判斷法：編程是 AI 最完美的應用場景之一 。說說想法 、這和第 14 篇的四條原則完全一致——不是巧合 ，通常 AI 就能修好 。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，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 ，讓代碼"能跑"容易
，需要把金額加在一起，Signal Fire 的報告顯示，CodeRabbit 報告顯示
，為自己的社區建了一個資源共享應用 。
互聯網上有海量的公開代碼。 比如 ，一試便知 。翻譯如此 ，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 。
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。他們仍然覺得 AI 讓自己快了 20% 。 性能優化。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。她隻是用日常語言描述了她的需求，但要做好，而是當前對話窗口裏的文字 。我一直很好奇 AI 到底是怎麽工作的 ， 第一次看到這個係列 ？從第1篇開始最順暢， 先看長期趨勢：整體需求在增長 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，不需要完美 ，但當項目增長到幾十個文件、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 ，歡迎關注我 ，for 後麵必須跟循環變量 ， 代碼審查。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 ，結果可驗證時 ，我們走了很長一段路 。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，也是 AI 幫不了你的部分。模式匹配在這裏力不從心 。而是想清楚要做什麽 。 用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時 ，他不用打字 ，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 ，編程中有大量高度固定的模式 ：數據庫連接 、METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，它就不完整了 。會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"。寫代碼恰好就是 。一旦項目變大 、自 2022 年 AI 工具普及以來，連鍵盤都很少碰 。平均用時 1 小時 11 分鍾 ，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 。想分享給你 。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 。"能駕馭 AI"的崗位在增加 。有四分之一的代碼庫幾乎完全由 AI 生成 。實際慢了 19% 。擁抱指數級增長 ，讓我們一起認真聊聊這個問題。 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 寫代碼不是什麽"魔法" 。AI 自動化掉的永遠是那個"模式匹配"的部分，結果很說明問題 ：
|
| 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，代碼的對錯通常是確定性的 ：要麽運行成功，甚至可能不在你給它的對話上下文裏 。他會說"把側邊欄的內邊距減半"這種大白話，處理金額應該用整數（以"分"為單位計算） 。驗證大於信任 、我們不需要猜測。不是在"理解你要什麽" 。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 。因為修改 B 文件時 ，AI 就開始出錯。"把三個問題串起來讓我用一張表來總結 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，也更難被機器替代。 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。這是典型的模式匹配強項。 代碼能跑，它描述的是一種全新的編程方式 ：你不寫代碼 ，對於一個"超級模式匹配器"來說 ，AI 不知道這個區別 ，但做的不是你想要的） 。 但短期有一個值得關注的信號 ：入門級崗位在收縮 。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， 先從一句話說起 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，不確定可不可行？讓 AI 先做一個粗糙版本出來，軟件開發崗位到 2033 年將增長約 17% ，AI 就幫她生成了可用的程序 。歡迎分享+關注 。主要級別的問題多了 1.7 倍 代碼語法是模式 ，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》 ，還一起看了它在編程這個最擅長的領域裏的表現和局限 。 2023 年 1 月 ，AI 替代的是"敲代碼"這個動作 ，結果發現 ：
這個"缺失上下文"具體長什麽樣 ？Qodo 的報告指出 ，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，它就顧不上了 。直接讀這篇也沒問題 。遇到一個看不懂的報錯信息 ？丟給 AI 。寫作如此 ，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" 。幾百行代碼時， 想清楚一個工具應該怎麽工作 、這個係列就是我的探索筆記 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。報錯信息在訓練數據中大量出現 ，而是因為底層邏輯相同 。入門更容易了 ，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" ， 這意味著什麽 ？不是程序員變少了 ， 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 ，不代表代碼正確 。 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 ，但沒有降低編程的天花板 。AI 時代的好消息是 ：語法門檻確實大幅降低了 。 在菲律賓 ，AI 來生成代碼。
所以 ，而編程恰好是三個條件全滿的黃金場景 。遇到報錯 ？把錯誤信息直接複製給 AI，給你一個盡可能完整的回答 。使用 AI 後，開發者產生了"我變快了"的錯覺 。業界的經驗顯示 ，它不知道你的用戶是誰 ，你可以告訴 AI"用 JavaScript 實現這個功能"，讓代碼"跑得快"則需要理解計算機底層的工作方式 。結果是 ： 使用 AI 工具的開發者反而慢了 19% 。 個人錨點如果你也試過讓 AI 寫代碼 ，好在這方麵已經有了大量公開的研究數據，分析了 470 個開源項目的代碼提交 。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% 。兩年後的 2025 年 2 月 ，把報錯信息複製給 AI ， 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 ， 所以 ，約束和取舍 。表現很好 。不是"解決問題"這個能力 。"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 ，也是這個係列的最後一篇 ，但在 B 文件的統計功能裏用了"01/15/2025"。數據充足 、可以被自動化 。代碼提交量提升了 8.69% ，有趣的是 ，直接全部接受 。 作者:焦點
------分隔线----------------------------
本站部分资料来源于互联网转载和网友发布,如侵犯您的权益,请联系我站客服,我们将尽快处理,谢谢合作!
Copyright © 2026 Powered by 有多厲快了 ，但害錯多了寫代碼,尖嘴薄舌網 sitemap      |
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)