有多厲寫代碼 ，但錯多了害快了
代碼語法是写代模式 ，AI 替代的多厉但错多是"敲代碼"這個動作，
他說 ："代碼的害快規模已經超出了我通常理解的範圍——如果要仔細讀一遍 ，而不是写代對你業務的理解 。遇到報錯 ？多厉但错多把錯誤信息直接複製給 AI，拆開了 AI 的害快黑箱 ，而是写代用日常語言（中文或英文）告訴 AI 你想要什麽 ，
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 。看看效果 。害快測試生成和代碼審查這些關鍵任務中 ，写代會計師的多厉但错多工作從"算數"轉向了"分析和決策"——更有價值 、而是害快用語音跟 AI 說話 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。写代是多厉但错多業務問題。代碼提交量提升了 8.69% ，害快但處理金額時 ，也是這個係列的最後一篇 ，都需要有人審查 。讓 AI 來寫 ，AI 表現驚人；當你自己都沒想清楚時 ，讓我們一起來探索這個問題。你可能會注意到一件事 ：當你清楚知道自己要什麽時，發現了很多有意思的東西 ，也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇 ，而不是精確的 45.3 。而且 AI 係統本身也需要大量的開發者來構建和維護 。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，"通常這樣就修好了" 。但因為"敲代碼"這個動作本身確實變快了 ，
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 ，兩邊不一致 ，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 ，
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 ，也更難被機器替代 。遇到報錯 ，她不是程序員 ，會發現這不隻是編程的事 。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" 。好在這方麵已經有了大量公開的研究數據，AI 生成的代碼需要大量的檢查 、需求變複雜 ，可驗證的部分交給 AI；需要理解具體場景、AI 就開始出錯 。說明質量確實達到了可用水平 。在代碼重構 、
1980 年代 ，表現很好 。驗證大於信任 、
但如果故事在這裏結束 ，這簡直是完美的工作對象 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、它在 A 文件裏把日期格式定義為"2025-01-15" ，給出了一個出人意料的答案 。我花了不少時間去找到並撤銷這些改動。GitHub（全球最大的代碼托管平台，現在來看後半句——「錯多了 75%」 。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% 。
所以，不是抽象的語法說明。
這背後的道理 ，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" ，它不知道你的用戶是誰 ，
先來拆解"滿"在哪。遇到一個看不懂的報錯信息 ？丟給 AI 。訓練數據極其充足 。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》，不需要完美，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。複製粘貼一下 ，AI 來實現。AI 不知道你的用戶是誰 、為自己的社區建了一個資源共享應用 。需要理解的部分永遠需要人 。配置文件 。不是編程術語 。迭代而非一次到位 、
最有趣的一個實驗
以上三個問題疊加在一起 ，可以被自動化 。而是想清楚要做什麽 。
第一次看到這個係列？從第1篇開始最順暢 ，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 。
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 。比幾乎任何其他領域都要豐富 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，業界的經驗顯示 ，AI 寫的每一行代碼，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。模式匹配的部分被自動化了 ，"
VibeCoding——這個詞後來入選了維基百科詞條。
當一個項目隻有幾個文件 、它描述的是一種全新的編程方式 ：你不寫代碼，
代碼能不能跑 ，
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。不是因為自己不會寫，
性能優化 。結果是 ：
使用 AI 工具的開發者反而慢了 19% 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶） 在菲律賓
，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。要麽報錯 。考慮到用戶可能遇到的各種情況 、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 ， 這是 「AI是怎麽回事」係列的第 15 篇 。 美國勞工統計局（BLS）預測
，歡迎關注我 ， 這聽起來像科幻
。直接全部接受。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"。即可訂閱。直接修改代碼文件
。因為電子表格讓財務分析變得更快更便宜
，代碼量小， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一
，結果發現 ： "最熱門的編程語言是英語
。會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"
。那不會編程的人是不是也能"寫"代碼了 ？ 今天
， 但這裏有一個關鍵的轉變
。連看都不看。代碼合並率提升了 11%，但實際測量的結果是——慢了 19%
。窗口裝不下的，這是典型的模式匹配強項
。而是當前對話窗口裏的文字 。AI 時代的建議是：重點從"記語法"轉向"練邏輯" 。 不過
，邏輯有錯 從第 1 篇"你的手機是怎麽認出你的臉"到現在 ， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，你可以告訴 AI"用 JavaScript 實現這個功能"，但會計行業不僅沒有萎縮
，它消滅的是"手敲代碼語法"這個動作
，不確定可不可行？讓 AI 先做一個粗糙版本出來 ，而是因為底層邏輯相同。她隻是用日常語言描述了她的需求 ，學會了怎麽和它一起工作 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，調試和修改 。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，所有代碼都在遵循這些規則——形成了極其規整的模式
。不像寫散文——好壞見仁見智
。翻譯如此 ，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。 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
。然後對照 AI 生成的代碼來學習 。使用 AI 後
，對於一個"超級模式匹配器"來說 ， 寫重複性的樣板代碼 。通常 AI 就能修好 。他們怎麽使用產品、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 。 光說數據可能還不夠直觀 。軟件開發崗位到 2033 年將增長約 17%，用 AI 放大你的優勢而非替代你的思考
。但內在邏輯有問題 。不知道你的產品邏輯 ，模式匹配器就能發揮最大威力 。因為懶得自己去代碼裏找具體位置
。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 。 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
， 代碼能跑
， 2023 年 1 月
，我一直很好奇 AI 到底是怎麽工作的， 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"。每種編程語言都像一本規則手冊，"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 ，企業對財務分析的需求因此暴漲。但邏輯錯誤也多了 75%。 舉個例子
：如果你讓 AI 做一個記賬工具 ，什麽行為對他們來說是合理的。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 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，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
，到 2025 年底估值達到約 90 億美元 。數據充足 、 代碼審查 。在大多數場景下這沒問題。這是 AI 編程最隱蔽的陷阱 。 自己覺得快了 20% ，讓我們一起認真聊聊這個問題 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，編程真正的難點反而暴露出來了——邏輯思考。他看都不看修改的內容
，需求明確 、Qodo 的調查顯示 ，AI 來生成代碼。幾乎所有 AI 擅長的領域都如此
。 分界線在哪？就是三問判斷法。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事
、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，讓我們慢慢拆解 。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
。說說想法
、 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 ， 這些數字很漂亮 。但讓"設計係統""判斷質量""理解需求"變得更加重要
。代碼的對錯通常是確定性的：要麽運行成功 ， AI 降低了編程的入口 ，函數必須有輸入和輸出。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）， 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 、你來 。不理解具體業務語境（第 9 篇：模式匹配 vs 理解） 這條推文被超過 900 萬人看到
。 第一
，這可能是 AI 編程給我們最大的啟示
。注意每個問題的根源都可以追溯到我們前麵章節的知識 ： 最後一個問題 ，它有嚴格的語法規則
：IF 後麵必須跟條件 ，AI 給出的東西怎麽改都不對 。而是因為 AI 寫得又快又好。模式極其明確。電子表格軟件（如 Excel）普及後 ，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，需要人來做 。有四分之一的代碼庫幾乎完全由 AI 生成
。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，但沒有降低編程的天花板。然後它就大概能用了
。窗口之外的內容就像不存在一樣 。成為有史以來達到這個裏程碑最快的軟件產品之一，我查了大量數據，想分享給你
。但更高的生產力會降低軟件的開發成本 ， 數字背後的驅動力 ，他們仍然覺得 AI 讓自己快了 20% 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，CodeRabbit 報告顯示， 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
，需要理解的部分永遠需要人——AI 降低的是編程門檻 ， 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
。直接讀這篇也沒問題 。 第三，以及這種"滿"本身又會製造什麽問題
。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 。連鍵盤都很少碰 。不是"解決問題"這個能力 。 為什麽 ？因為在大型真實項目中 ， 如果你也試過讓 AI 寫代碼
，" 他這句輕描淡寫的話 ， 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 ，你不需要背誦 AI 編程工具和電子表格是同一個故事的新版本 。AI 見過無數"錯誤-原因-解法"的模式對 ，但做的不是你想要的）
。約束和取舍
。 但短期有一個值得關注的信號
：入門級崗位在收縮
。 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 ，他不用打字
，原型開發時間可以縮短 50% 到 70% 。得花好一會兒 。給你一個盡可能完整的回答 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，而成功構建次數更是提升了 84% 。讓代碼"能跑"容易，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
， 2025 年 7 月 ， 讓我們來看看，你有一個想法
，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 。你來檢查 。寫作如此
，需要把金額加在一起，但當項目增長到幾十個文件、 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
，甚至可能不在你給它的對話上下文裏。它從訓練數據中匹配最常見的代碼模式 ，後續文章也會持續更新。幾百行代碼時 ， 這意味著什麽
？不是程序員變少了 ， 先看長期趨勢 ：整體需求在增長 。這些是模式匹配的完美場景——模式極其明確
，做獨特判斷的部分 ，AI 的局限就暴露了 。數據充足、這個係列就是我的探索筆記 ，兩年後的 2025 年 2 月 ，"能駕馭 AI"的崗位在增加 。" 讓我用一張表來總結 ， 第二 ， 更令人驚訝的是 ，不變的是對邏輯的思考 。前 Tesla AI 總監 ， 如果覺得有意思 ， 原型開發和快速驗證 。直到搬到馬尼拉才第一次接觸電腦
。 業務邏輯判斷 。 編程的本質不是寫語法
， 為什麽會這樣
？用第 9 篇的知識來解釋
：AI 是在"續寫代碼"
，它和 AI 識別人臉（第 1 篇）、 想清楚一個工具應該怎麽工作、超過 77000 家企業和組織都在使用它。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 。AI 寫代碼不是什麽"魔法"。Signal Fire 的報告顯示
，會發生什麽。正確的使用方式就清晰了 。模式匹配在這裏力不從心 。一試便知
。但如果 AI 能寫代碼 ， 互聯網上有海量的公開代碼。他又發了一條更具體的推文： "有一種新的編程方式 ，246 個任務做下來
，我們不需要猜測 。依據的是訓練數據中的統計模式，而是"隻會寫代碼"的崗位在減少
，把報錯信息複製給 AI ，在農村長大，" 換句話說
，仍然需要深入的思考能力 。 所以 ，平均用時 1 小時 11 分鍾 ，遠超所有職業平均 4% 的增長率 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗
，答案可能會出乎你的意料。不代表代碼正確。開發者產生了"我變快了"的錯覺 。AI 不知道這個區別 ，AI 就幫她生成了可用的程序
。歡迎分享+關注。覺得不錯的話 ，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 ，結果容易驗證 。處理金額應該用整數（以"分"為單位計算）
。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。AI 理解他的意思後 ，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 ，但要做好，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。AI 自動化掉的永遠是那個"模式匹配"的部分 ，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
，三問判斷法三項全滿的任務是 AI 的黃金場景 。它就顧不上了 。其實藏著很深的含義 。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 ，這不隻是頂級 AI 專家才能做的事 。恰好在 AI 的能力範圍之內 。結果可驗證時 ，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 。而編程恰好是三個條件全滿的黃金場景 。訓練數據極其豐富 。而不是最高效的方式 。但在 B 文件的統計功能裏用了"01/15/2025"
。我們走了很長一段路
。自 2022 年 AI 工具普及以來
，能跑就行
。當 AI 編程從"周末小項目"走向真實世界時 ，沒有兩個項目的架構是完全相同的 ， 上一篇 ，Andrej Karpathy（OpenAI 聯合創始人 、畫出了它的能力邊界， 學習新語言和新框架 。很多人預言會計職業將會消亡 。讓我們來看看 AI 編程在實際中長什麽樣
。AI 在訓練過程中見過的代碼模式 ，接口定義 、 比如 ，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
。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%
。程序就出了問題 。 架構設計。 修 bug 和理解報錯 。 知道了 AI 編程的優勢和局限後， 先從一句話說起 。而暴露出來的永遠是那個"真正需要人的思考"的部分 。 斯坦福數字經濟實驗室的研究發現 ， AI 讓寫代碼快了 55%，讓代碼"跑得快"則需要理解計算機底層的工作方式
。 如果你再仔細想想 ， 曆史給了我們一個有用的類比
。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，入門更容易了
，如果你想學編程 ，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
， 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》
。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 ，忘記代碼的存在……我就是看看效果 、AI 時代的好消息是 ：語法門檻確實大幅降低了 。 這個"缺失上下文"具體長什麽樣
？Qodo 的報告指出，超過 1.5 億開發者在上麵協作
。有趣的是，你甚至不需要看懂代碼——看結果就行 。反而大幅增長 ，也是 AI 幫不了你的部分。AI 生成的代碼改動 ？他全部直接接受
，而且這些代碼中 88% 被保留在了最終版本裏
，編程中有大量高度固定的模式：數據庫連接 、任何有經驗的程序員都知道 ，這和第 14 篇的四條原則完全一致——不是巧合 ，因為修改 B 文件時 ，當 AI 處理了語法層麵的事情後 ， 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，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 ， 編程語言不像人類語言那樣模糊 。 在搞清楚 AI 編程能做到什麽之前
，決定不同功能之間怎麽配合 、擁抱指數級增長 ，
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 ， "我該不該學編程 ？"
問題三 ：項目大了，
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式 ，它就不完整了
。寫代碼恰好就是
。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
， 下一篇預告
Part2 ：AI 編程到底能做到什麽——一起來看看
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 ，主要級別的問題多了 1.7 倍 問題 表現 根源（回溯前文） 表麵能跑
，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 。 Karpathy 的親身描述
個人錨點
for循環的寫法——AI 會替你寫 。效率數據
：到底快了多少 ？
把三個問題串起來
非程序員的真實案例
參考資料
訂閱
適合交給 AI 的
問題一：表麵能跑 ，他會說"把側邊欄的內邊距減半"這種大白話 ，"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、一旦項目變大、
仍然需要人做的
Part4 ：正確的姿勢——AI 編程適合做什麽
一句話回顧
問題二 ：不理解你的業務需求
Part3 ：模式匹配器寫代碼
，不理解你的業務規則
Part1 ：為什麽 AI 特別擅長寫代碼