有多厲寫代碼，但錯多了害快了
數字背後的写代驅動力，
第二，多厉但错多讓我們一起認真聊聊這個問題 。害快當 AI 編程從"周末小項目"走向真實世界時，写代
Karpathy 自己說過 ：VibeCoding 讓"編程不再是多厉但错多經過嚴格訓練的專業人士的專屬——而是任何人都能做的事" 。但沒有降低編程的害快天花板 。
下一篇預告
從第 1 篇"你的写代手機是怎麽認出你的臉"到現在 ，模式明確 、多厉但错多注意每個問題的害快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
，"把三個問題串起來讓我用一張表來總結 ，写代不是多厉但错多編程術語 。也是害快 AI 幫不了你的部分 。 不過 ，写代 性能優化 。多厉但错多結果發現：
這意味著什麽 ？AI 寫的代碼經常"看起來能跑"，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力，CodeRabbit 報告顯示 ，數據充足 、調試和修改 。後續文章也會持續更新 。 如果你再仔細想想 ， Part3 ：模式匹配器寫代碼 ，結果可驗證時，AI 的局限就暴露了 。為什麽 ？因為在大型真實項目中 ，其實藏著很深的含義 。要麽報錯 。不是因為自己不會寫，企業對財務分析的需求因此暴漲 。Qodo 的調查顯示 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了。 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 。 比如，前 Tesla AI 總監，兩邊不一致 ，讓 AI 來寫 ， 但如果故事在這裏結束， 學習新語言和新框架 。 第三 ， 美國勞工統計局（BLS）預測，正確的使用方式就清晰了 。配置文件 。而暴露出來的永遠是那個"真正需要人的思考"的部分 。 讓我們來看看 ，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 。你有一個想法 ，能跑就行 。在農村長大 ，擁抱指數級增長 ，到 2025 年底估值達到約 90 億美元 。 AI 降低了編程的入口 ， 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，這是典型的模式匹配強項 。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 。很多人預言會計職業將會消亡。她隻是用日常語言描述了她的需求 ，分析了 470 個開源項目的代碼提交 。軟件開發崗位到 2033 年將增長約 17% ，約束和取舍 。讓我們來看看 AI 編程在實際中長什麽樣 。但處理金額時 ，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。需要把金額加在一起 ，實際慢了 19% 。答案可能會出乎你的意料 。 代碼能跑 ，主要級別的問題多了 1.7 倍 使用 AI 工具的開發者反而慢了 19% 。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 ， 1980 年代 ， 仍然需要人做的架構設計。它不知道你的用戶是誰，
最有趣的一個實驗以上三個問題疊加在一起 ，AI 來實現 。使用 AI 後 ，他不用打字，代碼合並率提升了 11%，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 。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 ，它消滅的是"手敲代碼語法"這個動作 ，" 這條推文被超過 900 萬人看到 。而是因為底層邏輯相同 。AI 生成的代碼改動？他全部直接接受，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 ，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 。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 ，平均用時 1 小時 11 分鍾 ，" 他這句輕描淡寫的話
，代碼量小，不需要完美，你不需要背誦 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 ， 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 、接口定義 、AI 見過無數"錯誤-原因-解法"的模式對 ，看看效果 。 參考資料
訂閱如果覺得有意思 ，訓練數據極其充足 。 "我該不該學編程 ？"如果你之前因為"語法太難記"而對編程望而卻步 ， 分界線在哪？就是三問判斷法 。拆開了 AI 的黑箱 ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。這和第 14 篇的四條原則完全一致——不是巧合 ，想分享給你 。而編程恰好是三個條件全滿的黃金場景 。"能駕馭 AI"的崗位在增加 。窗口裝不下的 ， 非程序員的真實案例更令人驚訝的是，這可能是 AI 編程給我們最大的啟示。 修 bug 和理解報錯 。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% 。它就不完整了 。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 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、也是這個係列的最後一篇 ，可以被自動化 。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" 。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。任何有經驗的程序員都知道 ，而不是精確的 45.3。讓我們一起來探索這個問題 。AI 寫代碼不是什麽"魔法" 。因為電子表格讓財務分析變得更快更便宜 ， 在菲律賓， 2023 年 1 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 。當 AI 處理了語法層麵的事情後 ，遠超所有職業平均 4% 的增長率 。 這聽起來像科幻 。 曆史給了我們一個有用的類比。得花好一會兒。 問題三 ：項目大了
，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，做獨特判斷的部分 ，AI 給出的東西怎麽改都不對
。我查了大量數據 ，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 ，給出了一個出人意料的答案
。可驗證的部分交給 AI；需要理解具體場景 、 |
| 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，
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 。 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 ，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 ，Signal Fire 的報告顯示 ，一試便知。窗口之外的內容就像不存在一樣 。它有嚴格的語法規則 ：IF 後麵必須跟條件 ，直接修改代碼文件 。兩年後的 2025 年 2 月 ，在大多數場景下這沒問題 。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 。畫出了它的能力邊界 ，而不是最高效的方式 。 舉個例子：如果你讓 AI 做一個記賬工具 ，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 ， 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 ，不確定可不可行？讓 AI 先做一個粗糙版本出來，什麽行為對他們來說是合理的 。模式極其明確。直到搬到馬尼拉才第一次接觸電腦。 編程的本質不是寫語法 ，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 。因為懶得自己去代碼裏找具體位置 。 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，AI 就開始出錯 。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 。函數必須有輸入和輸出 。但實際測量的結果是——慢了 19% 。這個係列就是我的探索筆記，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 ， 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 ，需求變複雜，我們走了很長一段路 。AI 替代的是"敲代碼"這個動作 ， 這些數字很漂亮。給你一個盡可能完整的回答。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 。 先從一句話說起 。發現了很多有意思的東西 ，但在 B 文件的統計功能裏用了"01/15/2025" 。代碼的對錯通常是確定性的 ：要麽運行成功 ，遇到報錯 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，超過 1.5 億開發者在上麵協作 。跑跑程序 、METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，需要理解的部分永遠需要人。 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，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，寫代碼恰好就是 。而且 AI 係統本身也需要大量的開發者來構建和維護 。 編程語言不像人類語言那樣模糊 。不像寫散文——好壞見仁見智 。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 ，
個人錨點如果你也試過讓 AI 寫代碼 ，它描述的是一種全新的編程方式 ：你不寫代碼 ，遇到一個看不懂的報錯信息 ？丟給 AI 。反而大幅增長 ，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， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，AI 寫的每一行代碼，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 時代的好消息是 ：語法門檻確實大幅降低了。 第一次看到這個係列 ？從第1篇開始最順暢 ， 適合交給 AI 的原型開發和快速驗證 。 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，這簡直是完美的工作對象 。幾百行代碼時 ， 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 ，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》 ， 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，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。GitHub（全球最大的代碼托管平台 ， 一句話回顧AI 讓寫代碼快了 55% ，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 ，他會說"把側邊欄的內邊距減半"這種大白話 ，但邏輯錯誤也多了 75% 。需求明確、for 後麵必須跟循環變量 ，這些是模式匹配的完美場景——模式極其明確 ，結果很說明問題 ：
|
這三個問題不是意外。
自己覺得快了 20% ，我花了不少時間去找到並撤銷這些改動 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，他又發了一條更具體的推文：
"有一種新的編程方式，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。然後它就大概能用了 。而是想清楚要做什麽 。
業務邏輯判斷。原型開發時間可以縮短 50% 到 70% 。因為修改 B 文件時 ，你來檢查 。它從訓練數據中匹配最常見的代碼模式 ，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 。你甚至不需要看懂代碼——看結果就行。但做的不是你想要的） 。
第一 ，
但這裏有一個關鍵的轉變 。
互聯網上有海量的公開代碼。需要人來做。
AI 編程工具和電子表格是同一個故事的新版本 。
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 。對於一個"超級模式匹配器"來說 ，而是"隻會寫代碼"的崗位在減少 ，AI 在訓練過程中見過的代碼模式 ，
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。超過 77000 家企業和組織都在使用它 。如果你想學編程，直接全部接受 。
先來拆解"滿"在哪 。編程真正的難點反而暴露出來了——邏輯思考 。Andrej Karpathy（OpenAI 聯合創始人 、"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 、為自己的社區建了一個資源共享應用。但要做好 ，
代碼能不能跑 ，通常 AI 就能修好 。然後對照 AI 生成的代碼來學習 。不代表代碼正確 。一旦項目變大 、她不是程序員，而成功構建次數更是提升了 84% 。
問題一 ：表麵能跑 ，
但短期有一個值得關注的信號：入門級崗位在收縮 。說明質量確實達到了可用水平 。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 AI 編程最隱蔽的陷阱 。所有代碼都在遵循這些規則——形成了極其規整的模式。訓練數據極其豐富 。AI 自動化掉的永遠是那個"模式匹配"的部分 ，
這意味著什麽？不是程序員變少了 ，"
VibeCoding——這個詞後來入選了維基百科詞條 。比幾乎任何其他領域都要豐富 。沒有兩個項目的架構是完全相同的 ，他們怎麽使用產品、甚至可能不在你給它的對話上下文裏 。
寫重複性的樣板代碼。決定不同功能之間怎麽配合 、自 2022 年 AI 工具普及以來 ，
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，