今天 ，一位名叫 Pablo 的多厉但错多女士用 Microsoft PowerApps 的 AI 功能 ，在"做得更完善"和"差不多就行"之間做取舍——這些是害快編程真正的核心能力，不需要完美 ，写代讓我們來看看 AI 編程在實際中長什麽樣。多厉但错多跑跑程序 、害快
一句話回顧
AI 讓寫代碼快了 55% ，写代
這也和 Karpathy 的多厉但错多話完美呼應 ：VibeCoding 適合"周末小項目"——因為小項目模式簡單 、浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，害快而且 AI 係統本身也需要大量的写代開發者來構建和維護 。實際慢了 19% 。多厉但错多
記得 Karpathy 說的害快那句"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 。當 AI 編程從"周末小項目"走向真實世界時 ，写代給出了一個出人意料的多厉但错多答案。幾乎所有 AI 擅長的害快領域都如此 。
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 ，而是因為底層邏輯相同 。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，
編程語言不像人類語言那樣模糊 。
2025 年 7 月，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，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
。不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解） 原型開發和快速驗證 。反而大幅增長，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 ，AI 理解他的意思後 ，不是在"理解你要什麽"
。你來檢查 。 2023 年 1 月 ，Signal Fire 的報告顯示
，現在來看後半句——「錯多了 75%」 。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，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 ，直到搬到馬尼拉才第一次接觸電腦。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》，不代表代碼正確
。需要把金額加在一起，代碼合並率提升了 11% ，它消滅的是"手敲代碼語法"這個動作
， 這些數字很漂亮
。 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 ，直接全部接受 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、但做的不是你想要的） 。 使用 AI 工具的開發者反而慢了 19%
。AI 寫代碼不是什麽"魔法" 。要麽報錯 。他們怎麽使用產品
、但處理金額時
， 為什麽 ？因為在大型真實項目中，但如果 AI 能寫代碼 ，這些是模式匹配的完美場景——模式極其明確， 如果覺得有意思 ，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 。在大多數場景下這沒問題 。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" 。 如果你也試過讓 AI 寫代碼 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ， AI 編程工具和電子表格是同一個故事的新版本 。它描述的是一種全新的編程方式：你不寫代碼
，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，為自己的社區建了一個資源共享應用
。如果你想學編程，代碼提交量提升了 8.69%，而且這些代碼中 88% 被保留在了最終版本裏
， 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，恰好在 AI 的能力範圍之內。這不隻是頂級 AI 專家才能做的事 。AI 給出的東西怎麽改都不對 。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 。 在菲律賓
，複製粘貼一下
，AI 時代的好消息是 ：語法門檻確實大幅降低了 。調試和修改 。入門更容易了
，可以被自動化。分析了 470 個開源項目的代碼提交 。編程中有大量高度固定的模式：數據庫連接 、就是三問判斷法 ：編程是 AI 最完美的應用場景之一
。AI 來生成代碼 。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 。 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 ，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。AI 就開始出錯
。 舉個例子：如果你讓 AI 做一個記賬工具 ，表現很好。AI 見過無數"錯誤-原因-解法"的模式對
，" VibeCoding——這個詞後來入選了維基百科詞條 。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）
，246 個任務做下來 ，我們不需要猜測。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" 。沒有兩個項目的架構是完全相同的 ，做獨特判斷的部分 ，拆開了 AI 的黑箱
，" 這條推文被超過 900 萬人看到
。 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 ，兩年後的 2025 年 2 月 ，而是因為 AI 寫得又快又好 。 這是 「AI是怎麽回事」係列的第 15 篇
。 所以 ，編程真正的難點反而暴露出來了——邏輯思考。 以上三個問題疊加在一起 ，窗口裝不下的
，我花了不少時間去找到並撤銷這些改動 。Andrej Karpathy（OpenAI 聯合創始人 、我一直很好奇 AI 到底是怎麽工作的，我查了大量數據 ， 文章結尾留了一個懸念
：寫代碼是 AI 最擅長的事之一
，還一起看了它在編程這個最擅長的領域裏的表現和局限 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。學會了怎麽和它一起工作 ，這是典型的模式匹配強項 。結果可驗證時
，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 ，遇到一個看不懂的報錯信息？丟給 AI。但會計行業不僅沒有萎縮 ，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 ，自 2022 年 AI 工具普及以來
，而是"隻會寫代碼"的崗位在減少 ， 自己覺得快了 20% ， 性能優化 。GitHub（全球最大的代碼托管平台 ，寫代碼恰好就是 。 但如果故事在這裏結束 ，很多人預言會計職業將會消亡 。正確的使用方式就清晰了
。主要級別的問題多了 1.7 倍 代碼審查
。但沒有降低編程的天花板
。畫出了它的能力邊界 ，幾百行代碼時，甚至可能不在你給它的對話上下文裏。對於一個"超級模式匹配器"來說 ，其實藏著很深的含義。 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
，忘記代碼的存在……我就是看看效果、使用 AI 後，但讓"設計係統""判斷質量""理解需求"變得更加重要 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。 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 。 先看長期趨勢 ：整體需求在增長。發現了很多有意思的東西
，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"，因為電子表格讓財務分析變得更快更便宜
，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 ，讓代碼"能跑"容易 ，配置文件 。不像寫散文——好壞見仁見智
。依據的是訓練數據中的統計模式 ， 業務邏輯判斷。因為修改 B 文件時，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
，然後它就大概能用了 。 這個問題幾乎每個人都在問 。 當一個項目隻有幾個文件、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
。"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 ， 從第 1 篇"你的手機是怎麽認出你的臉"到現在 ， 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》 。" 他這句輕描淡寫的話，但在 B 文件的統計功能裏用了"01/15/2025"
。也是 AI 幫不了你的部分 。for 後麵必須跟循環變量 ，數據充足
、約束和取舍 。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶） 這聽起來像科幻。 不過
， 讓我用一張表來總結
，都需要有人審查 。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯 。不確定可不可行？讓 AI 先做一個粗糙版本出來 ，也是最大的一個問題—— AI 會取代我們嗎
？ 下一篇 ， 第三 ， 這意味著什麽？不是程序員變少了
， 所以 ，好在這方麵已經有了大量公開的研究數據，給你一個盡可能完整的回答。訓練數據極其充足 。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 ，兩邊不一致， 這背後的道理，AI 生成的代碼需要大量的檢查 、而不是精確的 45.3 。 先來拆解"滿"在哪。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 。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。他看都不看修改的內容 ，CodeRabbit 報告顯示 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，但內在邏輯有問題 。 上一篇 ，會發現這不隻是編程的事 。"能駕馭 AI"的崗位在增加。訓練數據極其豐富 。 寫重複性的樣板代碼 。AI 自動化掉的永遠是那個"模式匹配"的部分 ，但更高的生產力會降低軟件的開發成本
，讓我們一起來探索這個問題。 學習新語言和新框架 。 但這裏有一個關鍵的轉變。不是編程術語 。 1980 年代 ，需求變複雜 ，開發者產生了"我變快了"的錯覺 。遇到報錯 ？把錯誤信息直接複製給 AI，軟件開發崗位到 2033 年將增長約 17%，它就顧不上了。 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 。 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 ，你有一個想法，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 ， 修 bug 和理解報錯 。結果發現 ： 互聯網上有海量的公開代碼 。 斯坦福數字經濟實驗室的研究發現 ， 第二 ，驗證大於信任 、它有嚴格的語法規則：IF 後麵必須跟條件 ， 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 ， 讓我們來看看 ，這和第 14 篇的四條原則完全一致——不是巧合 ，而是用語音跟 AI 說話
。 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼"
， 編程的本質不是寫語法，而是當前對話窗口裏的文字
。決定不同功能之間怎麽配合 、 知道了 AI 編程的優勢和局限後，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 。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 。它就不完整了。 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ， 第一 ，擁抱指數級增長
，翻譯如此 ，需要人來做 。覺得不錯的話 ， 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，她不是程序員，仍然需要深入的思考能力。 架構設計 。報錯信息在訓練數據中大量出現
，不是因為自己不會寫
，BLS 的分析邏輯是
：AI 確實提高了程序員的生產力 ，企業對財務分析的需求因此暴漲 。而編程恰好是三個條件全滿的黃金場景
。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，想分享給你
。但當項目增長到幾十個文件、AI 可以"看到"全貌 ，而是想清楚要做什麽。得花好一會兒 。需要理解的部分永遠需要人。它在 A 文件裏把日期格式定義為"2025-01-15" ，直接修改代碼文件 。原型開發時間可以縮短 50% 到 70%。然後對照 AI 生成的代碼來學習 。也是這個係列的最後一篇
，讓我們慢慢拆解 。成為有史以來達到這個裏程碑最快的軟件產品之一 ，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 。 光說數據可能還不夠直觀 。可驗證的部分交給 AI；需要理解具體場景 、說明質量確實達到了可用水平 。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% 。超過 1.5 億開發者在上麵協作 。AI 生成的代碼改動 ？他全部直接接受
，有趣的是，遠超所有職業平均 4% 的增長率 。有四分之一的代碼庫幾乎完全由 AI 生成。他不用打字
，一旦項目變大 、但實際測量的結果是——慢了 19% 。 最後一個問題 ，用 AI 放大你的優勢而非替代你的思考 。而成功構建次數更是提升了 84%。AI 不知道這個區別 ， 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"
。邏輯有錯 在搞清楚 AI 編程能做到什麽之前 ，即可訂閱 。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 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、" 換句話說，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。AI 不知道你的用戶是誰 、比幾乎任何其他領域都要豐富。會發生什麽。他在做一個他自己都不完全看懂的程序——但程序跑起來了。 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。你可以告訴 AI"用 JavaScript 實現這個功能" ，不是"解決問題"這個能力
。 曆史給了我們一個有用的類比 。接口定義 、15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。讓我們一起認真聊聊這個問題
。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 。 比如
， 數字背後的驅動力 ，讓 AI 來寫
，遇到報錯
，什麽行為對他們來說是合理的 。函數必須有輸入和輸出 。 代碼能不能跑 ，數據充足 、我們走了很長一段路
。模式極其明確 。它從訓練數據中匹配最常見的代碼模式 ，寫作如此， AI 降低了編程的入口
，這簡直是完美的工作對象。任何有經驗的程序員都知道， 代碼語法是模式
，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，讓代碼"跑得快"則需要理解計算機底層的工作方式 。能跑就行 。連鍵盤都很少碰 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、答案可能會出乎你的意料 。而不是最高效的方式 。這個係列就是我的探索筆記 ，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。程序就出了問題。迭代而非一次到位
、他又發了一條更具體的推文 ： "有一種新的編程方式 ，它不知道你的用戶是誰 ，而不是對你業務的理解 。 想清楚一個工具應該怎麽工作 、前 Tesla AI 總監 ， 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，把報錯信息複製給 AI ，後續文章也會持續更新 。因為懶得自己去代碼裏找具體位置。注意每個問題的根源都可以追溯到我們前麵章節的知識
： 先從一句話說起
。一試便知
。AI 在訓練過程中見過的代碼模式 ，這可能是 AI 編程給我們最大的啟示 。 第一次看到這個係列 ？從第1篇開始最順暢
，"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 、模式匹配器就能發揮最大威力 。代碼量小 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，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 ， 分界線在哪 ？就是三問判斷法 。電子表格軟件（如 Excel）普及後 ，她隻是用日常語言描述了她的需求 ，但要做好，他們仍然覺得 AI 讓自己快了 20% 。不變的是對邏輯的思考 。AI 替代的是"敲代碼"這個動作 ，超過 77000 家企業和組織都在使用它 。AI 寫的每一行代碼，以及這種"滿"本身又會製造什麽問題 。AI 來實現 。 代碼能跑 ， 如果你之前因為"語法太難記"而對編程望而卻步 ， 上一篇我們已經知道
，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 ，直接讀這篇也沒問題 。Qodo 的調查顯示
，歡迎關注我，這是 AI 編程最隱蔽的陷阱 。 美國勞工統計局（BLS）預測 ， 更令人驚訝的是
，到 2025 年底估值達到約 90 億美元 。AI 表現驚人；當你自己都沒想清楚時
，不是抽象的語法說明 。
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。 為什麽說 IO 操作異步才有意義 2026-09-02 12:24 生產事故 2026-09-02 12:16 為什麽說 IO 操作異步才有意義 2026-09-02 12:07 為什麽說 IO 操作異步才有意義 2026-09-02 10:04
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 ，是業務問題 。模式匹配在這裏力不從心 。結果很說明問題
： 適合交給 AI 的
Part3：模式匹配器寫代碼 ，三問判斷法三項全滿的任務是 AI 的黃金場景 。說說想法
、業界的經驗顯示，在代碼重構 、AI 的局限就暴露了 。結果是 ：
參考資料
訂閱
個人錨點
問題一 ：表麵能跑，模式明確 、它和 AI 識別人臉（第 1 篇） 、平均用時 1 小時 11 分鍾 ，結果容易驗證
。他會說"把側邊欄的內邊距減半"這種大白話，
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 ？"
下一篇預告
問題二 ：不理解你的業務需求
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 時代的建議是
：重點從"記語法"轉向"練邏輯"
。當 AI 處理了語法層麵的事情後 ， 問題三
：項目大了，Cursor（Karpathy 自己用的那個 AI 代碼編輯器，但因為"敲代碼"這個動作本身確實變快了 ，"
把三個問題串起來
for循環的寫法——AI 會替你寫 。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 ，模式匹配的部分被自動化了
，"通常這樣就修好了" 。看看效果。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
，你甚至不需要看懂代碼——看結果就行 。窗口之外的內容就像不存在一樣
。處理金額應該用整數（以"分"為單位計算）
。
Karpathy 的親身描述
Part4
：正確的姿勢——AI 編程適合做什麽
效率數據：到底快了多少
？
仍然需要人做的
Part2
：AI 編程到底能做到什麽——一起來看看
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式
， Part1：為什麽 AI 特別擅長寫代碼
問題 表現 根源（回溯前文） 表麵能跑 ，不知道你的產品邏輯 ，所有代碼都在遵循這些規則——形成了極其規整的模式 。歡迎分享+關注 。每種編程語言都像一本規則手冊
，AI 就幫她生成了可用的程序 。在農村長大，但邏輯錯誤也多了 75% 。測試生成和代碼審查這些關鍵任務中 ，你來
。 "我該不該學編程 ？"
非程序員的真實案例
相关文章
网友点评
精彩导读
热门资讯
关注我们
