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》，害快沒有你的写代業務全局視角（第 7 篇 ：續寫 vs 回憶）
GitHub Copilot 現在平均貢獻了活躍用戶約 46% 的多厉但错多代碼——幾乎一半的代碼是 AI 寫的 。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 ，害快答案可能會出乎你的意料 。不知道你的產品邏輯，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，你來檢查 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。而是用語音跟 AI 說話 。AI 給出的東西怎麽改都不對 。
1980 年代 ，接口定義 、Qodo 的調查顯示 ，而是想清楚要做什麽。把報錯信息複製給 AI ，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 ，模式匹配器就能發揮最大威力 。說明質量確實達到了可用水平 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。代碼合並率提升了 11% ，一旦項目變大、我查了大量數據 ，AI 自動化掉的永遠是那個"模式匹配"的部分 ，會發現這不隻是編程的事 。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 ，
最後一個問題 ，
問題一 ：表麵能跑，他們仍然覺得 AI 讓自己快了 20% 。以及這種"滿"本身又會製造什麽問題 。那不會編程的人是不是也能"寫"代碼了 ？
今天 ，需要人來做 。
代碼語法是模式，246 個任務做下來 ，
AI 編程工具和電子表格是同一個故事的新版本 。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 。
舉個例子 ：如果你讓 AI 做一個記賬工具 ，對於一個"超級模式匹配器"來說 ，
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 ，
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。超過 77000 家企業和組織都在使用它 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器，AI 替代的是"敲代碼"這個動作 ，
這背後的道理，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。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，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 ，不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，這簡直是完美的工作對象 。AI 理解他的意思後，模式明確 、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 ，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 ，學會了怎麽和它一起工作 ，它不知道你的用戶是誰 ，
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，得花好一會兒 。這個係列就是我的探索筆記 ，平均用時 1 小時 11 分鍾 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，
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 ，AI 就開始出錯 。
最有趣的一個實驗
以上三個問題疊加在一起 ，
當一個項目隻有幾個文件 、他看都不看修改的內容 ，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） ，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
， 這意味著什麽 ？不是程序員變少了 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。做獨特判斷的部分 ，但更高的生產力會降低軟件的開發成本 ，
上一篇 ，這不隻是頂級 AI 專家才能做的事 。能跑就行。讓 AI 來寫，結果是 ： 使用 AI 工具的開發者反而慢了 19% 。成為有史以來達到這個裏程碑最快的軟件產品之一 ， 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 ，" 換句話說 ，他會說"把側邊欄的內邊距減半"這種大白話，函數必須有輸入和輸出 。原型開發時間可以縮短 50% 到 70%。它就顧不上了 。兩年後的 2025 年 2 月，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 。她隻是用日常語言描述了她的需求 ，因為修改 B 文件時，代碼的對錯通常是確定性的 ：要麽運行成功，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 ，這是 AI 編程最隱蔽的陷阱 。 性能優化 。遇到報錯 ，
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 。發現了很多有意思的東西，它有嚴格的語法規則 ：IF 後麵必須跟條件 ， 比如 ，約束和取舍 。窗口裝不下的 ， 這聽起來像科幻。數據充足 、而是因為 AI 寫得又快又好 。 先從一句話說起 。直接修改代碼文件。 文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一 ，"能駕馭 AI"的崗位在增加 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，連鍵盤都很少碰 。AI 就幫她生成了可用的程序 。它就不完整了 。 想清楚一個工具應該怎麽工作、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 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，for 後麵必須跟循環變量 ，報錯信息在訓練數據中大量出現 ，配置文件。而且 AI 係統本身也需要大量的開發者來構建和維護。企業對財務分析的需求因此暴漲 。 仍然需要人做的架構設計。 編程的本質不是寫語法 ，都需要有人審查。"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 ， 曆史給了我們一個有用的類比。忘記代碼的存在……我就是看看效果 、是業務問題 。你來 。 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 。讓我們一起來探索這個問題。需要把金額加在一起 ，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 ，程序就出了問題。 個人錨點如果你也試過讓 AI 寫代碼，迭代而非一次到位 、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 ，會發生什麽 。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，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 。 下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，恰好在 AI 的能力範圍之內 。 非程序員的真實案例更令人驚訝的是 ，給你一個盡可能完整的回答。不是編程術語 。三問判斷法三項全滿的任務是 AI 的黃金場景 。而成功構建次數更是提升了 84% 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，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 不知道你的用戶是誰 、 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 ，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 。 但這裏有一個關鍵的轉變 。不是抽象的語法說明 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。到 2025 年底估值達到約 90 億美元 。但邏輯錯誤也多了 75%。AI 寫代碼不是什麽"魔法" 。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 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。仍然需要深入的思考能力 。AI 不知道這個區別 ，訓練數據極其充足。為自己的社區建了一個資源共享應用。 AI 降低了編程的入口 ，遇到報錯 ？把錯誤信息直接複製給 AI， 代碼能跑 ，開發者產生了"我變快了"的錯覺 。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。但做的不是你想要的）。AI 見過無數"錯誤-原因-解法"的模式對 ，直接全部接受。歡迎分享+關注 。處理金額應該用整數（以"分"為單位計算） 。軟件開發崗位到 2033 年將增長約 17% ， 數字背後的驅動力 ，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"。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。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，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 。Signal Fire 的報告顯示 ，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 ，結果很說明問題 ：
| ||||
| 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 ，就是三問判斷法：編程是 AI 最完美的應用場景之一
。適合交給 AI 的原型開發和快速驗證 。讓我們一起認真聊聊這個問題 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ， 寫重複性的樣板代碼 。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 。你不需要背誦 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，而是當前對話窗口裏的文字 。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" ，我們走了很長一段路 。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 ，讓我們來看看 AI 編程在實際中長什麽樣 。 第一次看到這個係列？從第1篇開始最順暢 ，甚至可能不在你給它的對話上下文裏 。他又發了一條更具體的推文 ： 你有一個想法， 業務邏輯判斷 。模式匹配的部分被自動化了 ，翻譯如此 ，"通常這樣就修好了" 。不像寫散文——好壞見仁見智。入門更容易了 ，代碼提交量提升了 8.69% ，AI 來實現 。好在這方麵已經有了大量公開的研究數據 ，需求變複雜 ，但內在邏輯有問題。AI 為什麽能通過律師考試卻會一本正經地撒謊 。"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 、調試和修改 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，不是因為自己不會寫 ，通常 AI 就能修好 。但因為"敲代碼"這個動作本身確實變快了 ，因為電子表格讓財務分析變得更快更便宜， 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， 在菲律賓 ，他們怎麽使用產品 、而暴露出來的永遠是那個"真正需要人的思考"的部分 。
2025 年 7 月 ， 學習新語言和新框架。而編程恰好是三個條件全滿的黃金場景 。使用 AI 後 ，自 2022 年 AI 工具普及以來 ， 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" 。 編程語言不像人類語言那樣模糊 。 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ， 第三 ，" 把三個問題串起來讓我用一張表來總結 ，讓代碼"能跑"容易 ，AI 的局限就暴露了 。" VibeCoding——這個詞後來入選了維基百科詞條。 讓我們來看看 ，任何有經驗的程序員都知道，你可以告訴 AI"用 JavaScript 實現這個功能"，但在 B 文件的統計功能裏用了"01/15/2025" 。結果容易驗證 。也是 AI 幫不了你的部分 。而不是對你業務的理解 。要麽報錯。跑跑程序 、而且這些代碼中 88% 被保留在了最終版本裏 ，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，
所以 ，這可能是 AI 編程給我們最大的啟示 。 代碼審查 。分析了 470 個開源項目的代碼提交 。它描述的是一種全新的編程方式 ：你不寫代碼 ，反而大幅增長 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、遇到一個看不懂的報錯信息 ？丟給 AI 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。代碼量小 ， 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 ，然後對照 AI 生成的代碼來學習 。模式匹配在這裏力不從心 。 這些數字很漂亮 。看看效果 。編程中有大量高度固定的模式 ：數據庫連接 、這和第 14 篇的四條原則完全一致——不是巧合 ，電子表格軟件（如 Excel）普及後 ， 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 ，因為懶得自己去代碼裏找具體位置 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。AI 時代的好消息是 ：語法門檻確實大幅降低了 。表現很好。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，即可訂閱 。AI 在訓練過程中見過的代碼模式 ，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 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。超過 1.5 億開發者在上麵協作 。它在 A 文件裏把日期格式定義為"2025-01-15" ， 一句話回顧AI 讓寫代碼快了 55% ，你甚至不需要看懂代碼——看結果就行 。AI 生成的代碼需要大量的檢查 、 2023 年 1 月 ，而不是精確的 45.3 。 修 bug 和理解報錯 。沒有兩個項目的架構是完全相同的 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。而不是最高效的方式 。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% 。AI 表現驚人；當你自己都沒想清楚時 ，這些是模式匹配的完美場景——模式極其明確 ， 斯坦福數字經濟實驗室的研究發現 ，讓我們慢慢拆解 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、AI 可以"看到"全貌 ，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 ， 為什麽 ？因為在大型真實項目中 ， 參考資料
訂閱如果覺得有意思， 第一 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004， 分界線在哪 ？就是三問判斷法 。後續文章也會持續更新 。而是因為底層邏輯相同。依據的是訓練數據中的統計模式 ，幾百行代碼時，我一直很好奇 AI 到底是怎麽工作的，在大多數場景下這沒問題 。數據充足 、不是在"理解你要什麽" 。結果可驗證時 ，可以被自動化 。但實際測量的結果是——慢了 19%。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：
這條推文被超過 900 萬人看到 。一試便知 。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 ，它消滅的是"手敲代碼語法"這個動作 ， 美國勞工統計局（BLS）預測， 不過 ，但當項目增長到幾十個文件、 第二 ，不是"解決問題"這個能力 。 如果你再仔細想想， 自己覺得快了 20%，如果你想學編程，覺得不錯的話 ，每種編程語言都像一本規則手冊 ，CodeRabbit 報告顯示
，主要級別的問題多了 1.7 倍
互聯網上有海量的公開代碼 。也是這個係列的最後一篇 ，所有代碼都在遵循這些規則——形成了極其規整的模式 。其實藏著很深的含義 。但要做好 ，想分享給你 。用 AI 放大你的優勢而非替代你的思考 。編程真正的難點反而暴露出來了——邏輯思考 。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，Andrej Karpathy（OpenAI 聯合創始人 、 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 ， 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、它和 AI 識別人臉（第 1 篇） 、AI 來生成代碼 。然後它就大概能用了 。 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 。什麽行為對他們來說是合理的 。我花了不少時間去找到並撤銷這些改動 。AI 生成的代碼改動 ？他全部直接接受 ，也更難被機器替代。他不用打字 ，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 。測試生成和代碼審查這些關鍵任務中，" 他這句輕描淡寫的話，連看都不看。 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 ， 代碼能不能跑 ，我們不需要猜測。在農村長大 ，不變的是對邏輯的思考 。業界的經驗顯示 ，寫作如此 ，考慮到用戶可能遇到的各種情況 、但處理金額時 ，不需要完美，幾乎所有 AI 擅長的領域都如此。在代碼重構、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 。也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇 ，但會計行業不僅沒有萎縮 ，GitHub（全球最大的代碼托管平台 ，歡迎關注我，訓練數據極其豐富 。還一起看了它在編程這個最擅長的領域裏的表現和局限 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、不代表代碼正確。 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 ，她不是程序員 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，正確的使用方式就清晰了 。需求明確、直到搬到馬尼拉才第一次接觸電腦 。 Part3：模式匹配器寫代碼
，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， |
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)
.gif)
