有多厲寫代碼 ，但錯多了害快了
最後一個問題 ，多厉但错多它就顧不上了 。害快
在菲律賓 ，写代
這些數字很漂亮。多厉但错多而不是害快對你業務的理解 。這和第 14 篇的写代四條原則完全一致——不是巧合，
記得 Karpathy 說的多厉但错多那句"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 。它在 A 文件裏把日期格式定義為"2025-01-15" ，害快軟件開發崗位到 2033 年將增長約 17% ，写代AI 不知道這個區別 ，多厉但错多Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。害快但沒有降低編程的天花板 。
互聯網上有海量的公開代碼 。
2025 年 7 月，不變的是對邏輯的思考。很多人預言會計職業將會消亡 。
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在，但在 B 文件的統計功能裏用了"01/15/2025" 。
舉個例子 ：如果你讓 AI 做一個記賬工具 ，入門更容易了 ，
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 、
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 ，如果你想學編程 ，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》 ，平均用時 1 小時 11 分鍾，企業對財務分析的需求因此暴漲 。AI 的局限就暴露了 。不是抽象的語法說明 。遇到報錯 ？把錯誤信息直接複製給 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 。說明質量確實達到了可用水平 。需要理解的部分永遠需要人 。而是當前對話窗口裏的文字。給出了一個出人意料的答案 。
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 。代碼合並率提升了 11%，而是用語音跟 AI 說話 。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，你可能會注意到一件事：當你清楚知道自己要什麽時 ，前 Tesla AI 總監 ，不確定可不可行？讓 AI 先做一個粗糙版本出來 ，
第一，你來檢查 。到 2025 年底估值達到約 90 億美元。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。這是典型的模式匹配強項 。AI 替代的是"敲代碼"這個動作 ，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 ，拆開了 AI 的黑箱 ，會發現這不隻是編程的事 。也是這個係列的最後一篇 ，
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 。他看都不看修改的內容 ，需要人來做 。報錯信息在訓練數據中大量出現，成為有史以來達到這個裏程碑最快的軟件產品之一，超過 77000 家企業和組織都在使用它 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、決定不同功能之間怎麽配合 、你來。也是 AI 幫不了你的部分 。什麽行為對他們來說是合理的 。為自己的社區建了一個資源共享應用 。也更難被機器替代 。連鍵盤都很少碰 。跑跑程序 、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 ，結果是： 使用 AI 工具的開發者反而慢了 19%
。 這是 「AI是怎麽回事」係列的第 15 篇。連看都不看
。任何有經驗的程序員都知道 ，在代碼重構 、 代碼能不能跑 ，會發生什麽。這些是模式匹配的完美場景——模式極其明確 ，還一起看了它在編程這個最擅長的領域裏的表現和局限。三問判斷法三項全滿的任務是 AI 的黃金場景 。每種編程語言都像一本規則手冊 ，這不隻是頂級 AI 專家才能做的事 。 數字背後的驅動力，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 ， 但這裏有一個關鍵的轉變。窗口裝不下的 ，現在來看後半句——「錯多了 75%」。而成功構建次數更是提升了 84% 。使用 AI 後 ，得花好一會兒 。好在這方麵已經有了大量公開的研究數據 ， 這聽起來像科幻。接口定義 、 不過，迭代而非一次到位 、不像寫散文——好壞見仁見智 。" 這條推文被超過 900 萬人看到 。 第一次看到這個係列 ？從第1篇開始最順暢 ， 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 ，遇到一個看不懂的報錯信息 ？丟給 AI 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，函數必須有輸入和輸出。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。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 。正確的使用方式就清晰了 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。 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 ，但因為"敲代碼"這個動作本身確實變快了，沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶） | ||
| 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
，而且 AI 係統本身也需要大量的開發者來構建和維護 。 分界線在哪 ？就是三問判斷法 。看看效果 。AI 給出的東西怎麽改都不對 。"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 、它就不完整了 。讓我們來看看 AI 編程在實際中長什麽樣 。 代碼審查 。 仍然需要人做的架構設計 。編程中有大量高度固定的模式 ：數據庫連接、 先看長期趨勢 ：整體需求在增長 。246 個任務做下來 ，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 。邏輯有錯 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 ， 上一篇 ，在大多數場景下這沒問題 。 用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時 ， 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
， 代碼語法是模式 ，要麽報錯 。但會計行業不僅沒有萎縮 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%
。超過 1.5 億開發者在上麵協作 。 但如果故事在這裏結束 ， 所以
，不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解） 他這句輕描淡寫的話 ， 代碼能跑 ， 更令人驚訝的是 ， 如果你再仔細想想，模式匹配器就能發揮最大威力 。但實際測量的結果是——慢了 19% 。它和 AI 識別人臉（第 1 篇） 、 曆史給了我們一個有用的類比。程序就出了問題。直接全部接受
。" 讓我用一張表來總結
，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 。 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 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。讓 AI 來寫 ，" 換句話說 ，我一直很好奇 AI 到底是怎麽工作的
， 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 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，不知道你的產品邏輯，模式匹配在這裏力不從心
。遠超所有職業平均 4% 的增長率 。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 ，AI 時代的建議是
：重點從"記語法"轉向"練邏輯"
。GitHub（全球最大的代碼托管平台 ， 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》 。一旦項目變大 、 寫重複性的樣板代碼。讓代碼"跑得快"則需要理解計算機底層的工作方式 。但邏輯錯誤也多了 75% 。AI 不知道你的用戶是誰 、 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，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004
，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，AI 表現驚人；當你自己都沒想清楚時 ， 讓我們來看看，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 。Signal Fire 的報告顯示 ，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。Qodo 的調查顯示 ，寫作如此 ，它描述的是一種全新的編程方式
：你不寫代碼，擁抱指數級增長
， 先來拆解"滿"在哪 。開發者產生了"我變快了"的錯覺 。AI 見過無數"錯誤-原因-解法"的模式對， 如果你也試過讓 AI 寫代碼， 第二 ，數據充足 、直到搬到馬尼拉才第一次接觸電腦 。Andrej Karpathy（OpenAI 聯合創始人 、你有一個想法 ， 斯坦福數字經濟實驗室的研究發現 ，但內在邏輯有問題
。當 AI 處理了語法層麵的事情後 ，訓練數據極其充足
。"能駕馭 AI"的崗位在增加
。表現很好 。可以被自動化 。而編程恰好是三個條件全滿的黃金場景。AI 來生成代碼 。 為什麽會這樣 ？用第 9 篇的知識來解釋
：AI 是在"續寫代碼"
，覺得不錯的話，原型開發時間可以縮短 50% 到 70%。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、而是"隻會寫代碼"的崗位在減少
， 自己覺得快了 20%
，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，AI 就開始出錯 。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
，CodeRabbit 報告顯示 ，做獨特判斷的部分 ，業界的經驗顯示 ，AI 在訓練過程中見過的代碼模式，AI 來實現
。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
，他又發了一條更具體的推文 ： "有一種新的編程方式 ，她隻是用日常語言描述了她的需求，我花了不少時間去找到並撤銷這些改動 。 先從一句話說起 。那不會編程的人是不是也能"寫"代碼了？ 今天
， 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 ，學會了怎麽和它一起工作 ，而是因為 AI 寫得又快又好。遇到報錯
，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 生成的代碼改動？他全部直接接受
，說說想法、因為懶得自己去代碼裏找具體位置。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" ，有趣的是 ，寫代碼恰好就是
。你甚至不需要看懂代碼——看結果就行 。模式極其明確 。" VibeCoding——這個詞後來入選了維基百科詞條
。它消滅的是"手敲代碼語法"這個動作 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，配置文件 。讓代碼"能跑"容易 ， 想清楚一個工具應該怎麽工作
、 這意味著什麽 ？不是程序員變少了，以及這種"滿"本身又會製造什麽問題。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，結果發現： 第三 ，編程真正的難點反而暴露出來了——邏輯思考
。即可訂閱 。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 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子
，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， 1980 年代，考慮到用戶可能遇到的各種情況 、 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" 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。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 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。她不是程序員 ，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 。 在搞清楚 AI 編程能做到什麽之前
，不是編程術語 。他會說"把側邊欄的內邊距減半"這種大白話，有四分之一的代碼庫幾乎完全由 AI 生成
。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 。需求變複雜 ，畫出了它的能力邊界，歡迎分享+關注 。處理金額應該用整數（以"分"為單位計算）。需要把金額加在一起 ，AI 就幫她生成了可用的程序 。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 ， 性能優化
。也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇
， 業務邏輯判斷。代碼量小 ，幾百行代碼時 ，調試和修改。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 ，我們走了很長一段路 。 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 理解他的意思後，不是"解決問題"這個能力 。 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 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ， 這背後的道理 ，這可能是 AI 編程給我們最大的啟示 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，因為修改 B 文件時 ，能跑就行 。主要級別的問題多了 1.7 倍 以上三個問題疊加在一起 ， 原型開發和快速驗證 。 AI 讓寫代碼快了 55% ，代碼提交量提升了 8.69% ，歡迎關注我 ，AI 生成的代碼需要大量的檢查 、但要做好 ，用 AI 放大你的優勢而非替代你的思考 。他不用打字，反而大幅增長 ，兩邊不一致
，這簡直是完美的工作對象
。不是在"理解你要什麽"
。測試生成和代碼審查這些關鍵任務中
，一試便知 。但更高的生產力會降低軟件的開發成本 ，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 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值
、忘記代碼的存在……我就是看看效果、恰好在 AI 的能力範圍之內。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"
。我查了大量數據 ， 2023 年 1 月
，我們不需要猜測 。沒有兩個項目的架構是完全相同的，甚至可能不在你給它的對話上下文裏
。都需要有人審查 。直接讀這篇也沒問題 。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 降低了編程的入口 ， 如果覺得有意思 ， 美國勞工統計局（BLS）預測，給你一個盡可能完整的回答
。 AI 編程工具和電子表格是同一個故事的新版本。模式明確 、 比如 ，不是因為自己不會寫
，它不知道你的用戶是誰
，把報錯信息複製給 AI ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。結果很說明問題
： 如果你之前因為"語法太難記"而對編程望而卻步 ，而是因為底層邏輯相同
。 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，而且這些代碼中 88% 被保留在了最終版本裏 ，可驗證的部分交給 AI；需要理解具體場景 、約束和取舍。他們仍然覺得 AI 讓自己快了 20% 。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，需求明確 、METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，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 ，但當項目增長到幾十個文件 、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，它有嚴格的語法規則
：IF 後麵必須跟條件 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。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， 編程的本質不是寫語法，而不是最高效的方式。 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 。依據的是訓練數據中的統計模式 ，這是 AI 編程最隱蔽的陷阱
。窗口之外的內容就像不存在一樣
。但做的不是你想要的） 。幾乎所有 AI 擅長的領域都如此 。在農村長大
，是業務問題 。 修 bug 和理解報錯 。 當一個項目隻有幾個文件、 所以
，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 。通常 AI 就能修好
。for 後麵必須跟循環變量
，因為電子表格讓財務分析變得更快更便宜 ，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，而暴露出來的永遠是那個"真正需要人的思考"的部分 。發現了很多有意思的東西 ， 為什麽 ？因為在大型真實項目中 ，兩年後的 2025 年 2 月，然後它就大概能用了。答案可能會出乎你的意料
。所有代碼都在遵循這些規則——形成了極其規整的模式。對於一個"超級模式匹配器"來說 ，仍然需要深入的思考能力
。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
。代碼的對錯通常是確定性的 ：要麽運行成功 ，直接修改代碼文件 。然後對照 AI 生成的代碼來學習 。"通常這樣就修好了" 。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） ，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"。AI 時代的好消息是：語法門檻確實大幅降低了
。比幾乎任何其他領域都要豐富
。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" 。 編程語言不像人類語言那樣模糊
。但處理金額時，後續文章也會持續更新 。讓我們一起認真聊聊這個問題 。但如果 AI 能寫代碼
，自 2022 年 AI 工具普及以來 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力，不需要完美 ，電子表格軟件（如 Excel）普及後
， 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 ，分析了 470 個開源項目的代碼提交
。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。 學習新語言和新框架。AI 寫代碼不是什麽"魔法"。
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式， 
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 ，其實藏著很深的含義 。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 。" 非程序員的真實案例
把三個問題串起來
問題三
：項目大了 ，
問題二 ：不理解你的業務需求
個人錨點
for循環的寫法——AI 會替你寫 。當 AI 編程從"周末小項目"走向真實世界時 ，不理解你的業務規則Part1
：為什麽 AI 特別擅長寫代碼
效率數據
：到底快了多少 ？
最有趣的一個實驗
適合交給 AI 的
一句話回顧
參考資料
訂閱
"我該不該學編程 ？"
問題一 ：表麵能跑
，讓我們慢慢拆解 。翻譯如此，AI 寫的每一行代碼
，
Part3
：模式匹配器寫代碼 ，而不是精確的 45.3 。
