用第 7 篇和第 9 篇的多厉但错多知識來解釋 ：AI 在"續寫"代碼時 ，AI 替代的害快是"敲代碼"這個動作 ，GitHub（全球最大的写代代碼托管平台 ，現在來看後半句——「錯多了 75%」 。多厉但错多而且 AI 係統本身也需要大量的害快開發者來構建和維護 。有四分之一的写代代碼庫幾乎完全由 AI 生成 。AI 表現驚人；當你自己都沒想清楚時 ，多厉但错多模式明確 、害快AI 在訓練過程中見過的写代代碼模式 ，比幾乎任何其他領域都要豐富 。多厉但错多答案可能會出乎你的害快意料 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，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 。調試和修改 。都需要有人審查 。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 ，"
他這句輕描淡寫的話 ，幾乎所有 AI 擅長的領域都如此 。分析了 470 個開源項目的代碼提交 。因為修改 B 文件時 ，
AI 編程工具和電子表格是同一個故事的新版本 。
分界線在哪？就是三問判斷法 。
最有趣的一個實驗
以上三個問題疊加在一起 ，讓代碼"跑得快"則需要理解計算機底層的工作方式 。什麽行為對他們來說是合理的 。得花好一會兒 。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 ，
曆史給了我們一個有用的類比 。模式匹配在這裏力不從心 。但實際測量的結果是——慢了 19%。代碼的對錯通常是確定性的 ：要麽運行成功 ，AI 寫代碼不是什麽"魔法" 。
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》。對於一個"超級模式匹配器"來說 ，"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 、模式匹配的部分被自動化了 ，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，
互聯網上有海量的公開代碼 。入門更容易了，AI 不知道這個區別 ，
一句話回顧
AI 讓寫代碼快了 55% ，AI 見過無數"錯誤-原因-解法"的模式對 ，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 。
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 。做獨特判斷的部分 ，直到搬到馬尼拉才第一次接觸電腦。AI 的局限就暴露了。這可能是 AI 編程給我們最大的啟示 。我查了大量數據 ，給出了一個出人意料的答案 。AI 不知道你的用戶是誰 、
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 。寫作如此 ，迭代而非一次到位 、
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 ，它就顧不上了。他看都不看修改的內容，
所以 ，數據充足 、他又發了一條更具體的推文：
"有一種新的編程方式 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽，
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 ，"
VibeCoding——這個詞後來入選了維基百科詞條 。
寫重複性的樣板代碼 。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 。平均用時 1 小時 11 分鍾 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，看看效果。
當一個項目隻有幾個文件、處理金額應該用整數（以"分"為單位計算） 。
先看長期趨勢 ：整體需求在增長 。讓我們一起來探索這個問題 。畫出了它的能力邊界 ，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 。我一直很好奇 AI 到底是怎麽工作的 ，
讓我們來看看 ，代碼量小 ，不是"解決問題"這個能力 。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） ，而暴露出來的永遠是那個"真正需要人的思考"的部分 。
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼"，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 ，訓練數據極其充足 。不是編程術語 。能跑就行 。她不是程序員 ，"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 ，CodeRabbit 報告顯示 ，也更難被機器替代 。邏輯有錯
這三個問題不是意外 。不確定可不可行？讓 AI 先做一個粗糙版本出來 ，沒有兩個項目的架構是完全相同的，而不是對你業務的理解
。 這是 「AI是怎麽回事」係列的第 15 篇 。AI 為什麽能通過律師考試卻會一本正經地撒謊。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"
，寫代碼恰好就是。結果很說明問題 ：
美國勞工統計局（BLS）預測 ，
舉個例子 ：如果你讓 AI 做一個記賬工具 ，原型開發時間可以縮短 50% 到 70% 。AI 時代的好消息是 ：語法門檻確實大幅降低了 。歡迎分享+關注 。我們不需要猜測 。
第二，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，
問題一 ：表麵能跑 ，AI 寫的每一行代碼 ，AI 給出的東西怎麽改都不對 。以及這種"滿"本身又會製造什麽問題 。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%。一試便知 。而編程恰好是三個條件全滿的黃金場景 。代碼合並率提升了 11% ，忘記代碼的存在……我就是看看效果 、直接讀這篇也沒問題 。"能駕馭 AI"的崗位在增加 。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 。直接修改代碼文件 。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 ，窗口之外的內容就像不存在一樣 。他們仍然覺得 AI 讓自己快了 20%。訓練數據極其豐富 。要麽報錯 。任何有經驗的程序員都知道 ，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》 ，
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，超過 1.5 億開發者在上麵協作 。需要理解的部分永遠需要人 。結果容易驗證 。模式極其明確。兩邊不一致，遇到一個看不懂的報錯信息 ？丟給 AI 。Signal Fire 的報告顯示 ，AI 來實現 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。Qodo 的調查顯示 ，說明質量確實達到了可用水平 。翻譯如此 ，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。
上一篇 ，有趣的是 ，在大多數場景下這沒問題 。會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。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 。而是因為 AI 寫得又快又好。for 後麵必須跟循環變量 ，她隻是用日常語言描述了她的需求，AI 就開始出錯 。他們怎麽使用產品 、到 2025 年底估值達到約 90 億美元。不像寫散文——好壞見仁見智 。
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。電子表格軟件（如 Excel）普及後 ，決定不同功能之間怎麽配合、不知道你的產品邏輯 ，依據的是訓練數據中的統計模式 ，它有嚴格的語法規則 ：IF 後麵必須跟條件，
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 ，但會計行業不僅沒有萎縮 ，它描述的是一種全新的編程方式 ：你不寫代碼，這簡直是完美的工作對象 。AI 理解他的意思後，後續文章也會持續更新 。把報錯信息複製給 AI ，
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 。
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 。軟件開發崗位到 2033 年將增長約 17% ，正確的使用方式就清晰了 。考慮到用戶可能遇到的各種情況 、但讓"設計係統""判斷質量""理解需求"變得更加重要 。拆開了 AI 的黑箱，
想清楚一個工具應該怎麽工作 、
第三 ，
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 ，AI 就幫她生成了可用的程序。這是 AI 編程最隱蔽的陷阱 。這不隻是頂級 AI 專家才能做的事 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，但當項目增長到幾十個文件 、測試生成和代碼審查這些關鍵任務中 ，
但如果故事在這裏結束，驗證大於信任、接口定義、這和第 14 篇的四條原則完全一致——不是巧合 ，
數字背後的驅動力 ，而且這些代碼中 88% 被保留在了最終版本裏 ，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
，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。它不知道你的用戶是誰
，會發生什麽 。他會說"把側邊欄的內邊距減半"這種大白話 ， 為什麽 ？因為在大型真實項目中 ，擁抱指數級增長 ， 代碼能不能跑 ，它就不完整了 。結果是： 使用 AI 工具的開發者反而慢了 19% 。這個係列就是我的探索筆記 ，而是想清楚要做什麽。報錯信息在訓練數據中大量出現 ，不代表代碼正確 。 學習新語言和新框架 。是業務問題 。會計師的工作從"算數"轉向了"分析和決策"——更有價值、企業對財務分析的需求因此暴漲。結果發現 ：
| ||
| 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，前 Tesla AI 總監
， 1980 年代 ， 先來拆解"滿"在哪。幾百行代碼時 ， 斯坦福數字經濟實驗室的研究發現 ， 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 、 個人錨點如果你也試過讓 AI 寫代碼 ， 業務邏輯判斷 。 自己覺得快了 20% ，程序就出了問題。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，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 。AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。"通常這樣就修好了" 。 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，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 ：
|
| 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 ，它消滅的是"手敲代碼語法"這個動作，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 。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 ，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 ， 先從一句話說起 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、遇到報錯 ？把錯誤信息直接複製給 AI ，約束和取舍 。複製粘貼一下 ，讓代碼"能跑"容易 ，需要人來做 。不變的是對邏輯的思考 。當 AI 處理了語法層麵的事情後 ，讓 AI 來寫 ， 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 。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 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，即可訂閱 。 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 ，而是當前對話窗口裏的文字 。 AI 降低了編程的入口 ， 代碼語法是模式 ， 在菲律賓，那不會編程的人是不是也能"寫"代碼了 ？ 今天 ，直接全部接受。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，窗口裝不下的，
第一 ，代碼提交量提升了 8.69% ，" 這條推文被超過 900 萬人看到。還一起看了它在編程這個最擅長的領域裏的表現和局限 。 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" 。使用 AI 後 ， 這些數字很漂亮 。 Part3 ：模式匹配器寫代碼，也是最大的一個問題——AI 會取代我們嗎 ？ 下一篇 ，每種編程語言都像一本規則手冊 ，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 。AI 自動化掉的永遠是那個"模式匹配"的部分 ， 修 bug 和理解報錯 。不是因為自己不會寫 ，連鍵盤都很少碰 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，超過 77000 家企業和組織都在使用它 。但如果 AI 能寫代碼 ，不是在"理解你要什麽" 。 代碼審查 。可以被自動化 。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。想分享給你 。AI 生成的代碼改動 ？他全部直接接受 ，可驗證的部分交給 AI；需要理解具體場景 、說說想法 、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 ，函數必須有輸入和輸出 。你有一個想法 ，甚至可能不在你給它的對話上下文裏 。給你一個盡可能完整的回答 。而是因為底層邏輯相同 。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" 。讓我們慢慢拆解。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" 。Andrej Karpathy（OpenAI 聯合創始人 、結果可驗證時，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、其實藏著很深的含義 。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 ，這是典型的模式匹配強項 。在農村長大 ， 仍然需要人做的架構設計。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，而是"隻會寫代碼"的崗位在減少 ，
1.本站遵循行业规范，任何转载的稿件都会明确标注作者和来源；2.本站的原创文章，请转载时务必注明文章作者和来源，不尊重原创的行为我们将追究责任；3.作者投稿可能会经我们编辑修改或补充。 OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統 2026-09-02 15:31 生產事故 2026-09-02 15:01 Keepalived詳解：原理
、編譯安裝與高可用集群配置 2026-09-02 14:59 基於NetCorePal Cloud Framework的DDD架構管理係統實踐 2026-09-02 13:41
|
相关文章
精彩导读
热门资讯
关注我们
