先看長期趨勢 ：整體需求在增長
。写代它在 A 文件裏把日期格式定義為"2025-01-15"，多厉但错多 這是害快 「AI是怎麽回事」係列的第 15 篇 。什麽行為對他們來說是写代合理的 。結果是多厉但错多
： 使用 AI 工具的開發者反而慢了 19% 。正確的害快使用方式就清晰了
。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 ，写代AI 來實現。多厉但错多它不知道你的害快用戶是誰 ，超過 77000 家企業和組織都在使用它。代碼的對錯通常是確定性的
：要麽運行成功
，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，但會計行業不僅沒有萎縮
， 最後一個問題 ，也是 AI 幫不了你的部分 。" 他這句輕描淡寫的話
，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。
AI 替代的是"敲代碼"這個動作，通常 AI 就能修好 。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 ，
讓我們來看看 ，直接修改代碼文件。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。其實藏著很深的含義 。但更高的生產力會降低軟件的開發成本 ，想分享給你 。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 ，擁抱指數級增長 ，它消滅的是"手敲代碼語法"這個動作，
寫重複性的樣板代碼。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，
最有趣的一個實驗
以上三個問題疊加在一起 ，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 ，AI 為什麽能通過律師考試卻會一本正經地撒謊。做獨特判斷的部分，
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》 。
非程序員的真實案例
更令人驚訝的是 ，結果可驗證時，說明質量確實達到了可用水平。會發生什麽 。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 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，直接全部接受 。它和 AI 識別人臉（第 1 篇） 、
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 ，連看都不看 。仍然需要深入的思考能力 。他會說"把側邊欄的內邊距減半"這種大白話 ，不變的是對邏輯的思考 。實際慢了 19% 。
這意味著什麽？不是程序員變少了 ，數據充足 、驗證大於信任 、讓我們來看看 AI 編程在實際中長什麽樣。依據的是訓練數據中的統計模式 ，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 。
第一 ，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 ，它就顧不上了 。但處理金額時 ，編程中有大量高度固定的模式 ：數據庫連接、你可能會注意到一件事 ：當你清楚知道自己要什麽時，
比如 ，而編程恰好是三個條件全滿的黃金場景 。AI 不知道這個區別 ，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 ，
適合交給 AI 的
原型開發和快速驗證 。這是典型的模式匹配強項。
這些數字很漂亮 。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。也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇，
曆史給了我們一個有用的類比。
代碼審查 。
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" 。這和第 14 篇的四條原則完全一致——不是巧合，但做的不是你想要的） 。GitHub（全球最大的代碼托管平台 ，決定不同功能之間怎麽配合、比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，但當項目增長到幾十個文件 、AI 生成的代碼需要大量的檢查 、業界的經驗顯示 ，
問題三 ：項目大了 ，
業務邏輯判斷 。對於一個"超級模式匹配器"來說 ，讓代碼"能跑"容易 ，
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 ，跑跑程序、有趣的是 ，這不隻是頂級 AI 專家才能做的事。但因為"敲代碼"這個動作本身確實變快了 ，不是在"理解你要什麽" 。
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，但沒有降低編程的天花板。也更難被機器替代 。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 。AI 的局限就暴露了。需要人來做 。
這聽起來像科幻 。可以被自動化 。以及這種"滿"本身又會製造什麽問題 。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，成為有史以來達到這個裏程碑最快的軟件產品之一 ，因為修改 B 文件時 ，"
這條推文被超過 900 萬人看到 。三問判斷法三項全滿的任務是 AI 的黃金場景 。
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。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" ，
性能優化 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。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 。AI 時代的好消息是 ：語法門檻確實大幅降低了 。讓我們一起認真聊聊這個問題 。她隻是用日常語言描述了她的需求 ，不知道你的產品邏輯 ，
舉個例子：如果你讓 AI 做一個記賬工具，
Part3 ：模式匹配器寫代碼
，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，是業務問題。他在做一個他自己都不完全看懂的程序——但程序跑起來了
。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。比幾乎任何其他領域都要豐富 。在農村長大 ，他不用打字 ，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 。遠超所有職業平均 4% 的增長率 。在代碼重構 、用 AI 放大你的優勢而非替代你的思考 。代碼合並率提升了 11% ，即可訂閱。"
換句話說，讓 AI 來寫 ，
但這裏有一個關鍵的轉變 。幾百行代碼時 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，自 2022 年 AI 工具普及以來 ，但在 B 文件的統計功能裏用了"01/15/2025" 。答案可能會出乎你的意料 。而是用語音跟 AI 說話 。不是編程術語 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。
一句話回顧
AI 讓寫代碼快了 55% ，但實際測量的結果是——慢了 19% 。能跑就行 。當 AI 處理了語法層麵的事情後 ，AI 在訓練過程中見過的代碼模式，報錯信息在訓練數據中大量出現 ，反而大幅增長 ，
在菲律賓 ，
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，不是抽象的語法說明 。都需要有人審查 。結果容易驗證 。看看效果 。
1980 年代 ，測試生成和代碼審查這些關鍵任務中 ，而是當前對話窗口裏的文字。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 。如果你想學編程 ，你有一個想法 ，但內在邏輯有問題 。你來檢查 。這可能是 AI 編程給我們最大的啟示 。任何有經驗的程序員都知道 ，我查了大量數據 ，它描述的是一種全新的編程方式 ：你不寫代碼，這些是模式匹配的完美場景——模式極其明確 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。
所以 ，不像寫散文——好壞見仁見智 。模式明確 、
先來拆解"滿"在哪 。
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 ，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 ，AI 可以"看到"全貌 ，發現了很多有意思的東西 ，
所以 ，函數必須有輸入和輸出 。還一起看了它在編程這個最擅長的領域裏的表現和局限 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，Signal Fire 的報告顯示 ，為自己的社區建了一個資源共享應用 。"能駕馭 AI"的崗位在增加 。她不是程序員 ，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。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 ，給你一個盡可能完整的回答 。我花了不少時間去找到並撤銷這些改動。那不會編程的人是不是也能"寫"代碼了？
今天 ，而是因為底層邏輯相同。不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，約束和取舍 。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" 。主要級別的問題多了 1.7 倍
過度 I/O 操作（輸入輸出 ，AI 表現驚人；當你自己都沒想清楚時 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。
代碼能跑 ，AI 寫的每一行代碼 ，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% 。你來。
2025 年 7 月 ，
如果你再仔細想想，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 。但邏輯錯誤也多了 75% 。因為電子表格讓財務分析變得更快更便宜，連鍵盤都很少碰。模式匹配在這裏力不從心 。AI 來生成代碼 。
上一篇 ，平均用時 1 小時 11 分鍾 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、表現很好 。畫出了它的能力邊界 ，訓練數據極其豐富 。複製粘貼一下 ，"
把三個問題串起來
讓我用一張表來總結 ，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 ，翻譯如此，把報錯信息複製給 AI ，寫作如此 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，
修 bug 和理解報錯 。
AI 編程工具和電子表格是同一個故事的新版本 。
想清楚一個工具應該怎麽工作 、
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，
個人錨點
如果你也試過讓 AI 寫代碼 ，
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在，要麽報錯 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，軟件開發崗位到 2033 年將增長約 17%，代碼量小 ，每種編程語言都像一本規則手冊 ，結果很說明問題：
- 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 ，迭代而非一次到位 、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 。
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 ，需要把金額加在一起 ，窗口裝不下的 ，
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，但讓"設計係統""判斷質量""理解需求"變得更加重要 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。不是"解決問題"這個能力 。考慮到用戶可能遇到的各種情況 、
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 。
第二 ，後續文章也會持續更新 。"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 、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 ，
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 ，
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
，你不需要背誦 這個"缺失上下文"具體長什麽樣
？Qodo 的報告指出 ，246 個任務做下來，我們走了很長一段路。但要做好 ，for循環的寫法——AI 會替你寫 。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
。AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。他看都不看修改的內容
，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、遇到報錯 ？把錯誤信息直接複製給 AI ，不理解你的業務規則
美國勞工統計局（BLS）預測 ，兩邊不一致 ，
學習新語言和新框架 。我一直很好奇 AI 到底是怎麽工作的 ，遇到報錯 ，他們仍然覺得 AI 讓自己快了 20% 。而成功構建次數更是提升了 84% 。AI 見過無數"錯誤-原因-解法"的模式對 ，代碼提交量提升了 8.69% ，然後對照 AI 生成的代碼來學習。覺得不錯的話 ，
用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時，說說想法 、
仍然需要人做的
架構設計 。而暴露出來的永遠是那個"真正需要人的思考"的部分。
2023 年 1 月 ，
互聯網上有海量的公開代碼 。這簡直是完美的工作對象 。
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，但如果 AI 能寫代碼 ，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 ，配置文件 。在大多數場景下這沒問題 。AI 理解他的意思後 ，遇到一個看不懂的報錯信息 ？丟給 AI 。而且這些代碼中 88% 被保留在了最終版本裏 ，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 ，
代碼能不能跑 ，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》，AI 就開始出錯 。這個係列就是我的探索筆記 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，你可以告訴 AI"用 JavaScript 實現這個功能" ，數據充足 、
這背後的道理，學會了怎麽和它一起工作 ，直到搬到馬尼拉才第一次接觸電腦 。你甚至不需要看懂代碼——看結果就行 。
編程語言不像人類語言那樣模糊 。訓練數據極其充足 。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 ，窗口之外的內容就像不存在一樣 。需要理解的部分永遠需要人。邏輯有錯
| 問題 | 表現 | 根源（回溯前文） |
|---|---|---|
| 表麵能跑
，而不是對你業務的理解 。 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、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 ，沒有兩個項目的架構是完全相同的 ，可驗證的部分交給 AI；需要理解具體場景
、而是因為 AI 寫得又快又好 。而是"隻會寫代碼"的崗位在減少， 為什麽？因為在大型真實項目中 ， 但如果故事在這裏結束，而不是精確的 45.3。因為懶得自己去代碼裏找具體位置 。兩年後的 2025 年 2 月， 自己覺得快了 20% ，接口定義、編程真正的難點反而暴露出來了——邏輯思考 。
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。 .NET 11 Runtime Async 詳解 2026-09-02 13:45 Keepalived詳解：原理 、編譯安裝與高可用集群配置 2026-09-02 13:17 Keepalived詳解
：原理、編譯安裝與高可用集群配置 2026-09-02 13:03 一文搞懂 LLM 的 Transformer
！看完能和別人吹一年 2026-09-02 12:48
|
相关文章
精彩导读
热门资讯
关注我们
