Replit（一個在線編程平台）的害快 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
，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  ，写代AI 寫代碼不是多厉但错多什麽"魔法" 。到 2025 年底估值達到約 90 億美元 。害快

記得 Karpathy 說的写代那句"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。但實際測量的多厉但错多結果是——慢了 19%
。這就是害快 Karpathy 說的"周末項目"——快速試驗一個想法，不需要完美，写代但 Karpathy 描述了自己的多厉但错多真實工作流程：他用語音輸入（一款叫 SuperWhisper 的語音工具）跟 AI 說話 ，

AI 編程工具和電子表格是害快同一個故事的新版本 。ChatGPT 回答你的写代那三秒鍾裏究竟在算什麽 ，直接修改代碼文件 。多厉但错多AI 生成的害快代碼改動？他全部直接接受 ，"

把三個問題串起來

讓我用一張表來總結 ，這不隻是頂級 AI 專家才能做的事。後續文章也會持續更新。而且 AI 係統本身也需要大量的開發者來構建和維護。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，超過 77000 家企業和組織都在使用它。不知道你的產品邏輯，可驗證的部分交給 AI；需要理解具體場景、遠超所有職業平均 4% 的增長率 。而不是對你業務的理解。他在做一個他自己都不完全看懂的程序——但程序跑起來了。但會計行業不僅沒有萎縮 ，需要人來做 。因為電子表格讓財務分析變得更快更便宜，一旦項目變大
  、"通常這樣就修好了"。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
  。這是典型的模式匹配強項。

  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。

  比如
  ，

  先來拆解"滿"在哪。Karpathy 自己也補了一句："用來隨手做點周末項目還不錯。發現了很多有意思的東西，

  

  所以 ，如果你想學編程，AI 不知道這個區別，兩邊不一致 ，

  學習新語言和新框架
  。覺得不錯的話，程序就出了問題。開發者產生了"我變快了"的錯覺。

  讓我們來看看 ，原型開發時間可以縮短 50% 到 70%
  。說明質量確實達到了可用水平 。

  問題一 ：表麵能跑 ，而編程恰好是三個條件全滿的黃金場景 。AI 在訓練過程中見過的代碼模式，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
  ，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，調試和修改。有趣的是，配置文件。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 ，依據的是訓練數據中的統計模式 ，但如果 AI 能寫代碼，

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，

個人錨點

如果你也試過讓 AI 寫代碼  ，給你一個盡可能完整的回答。

修 bug 和理解報錯。

曆史給了我們一個有用的類比。讓我們慢慢拆解。需求變複雜，當 AI 編程從"周末小項目"走向真實世界時，

代碼審查。

1980 年代，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，成為有史以來達到這個裏程碑最快的軟件產品之一，遇到一個看不懂的報錯信息？丟給 AI 。但當項目增長到幾十個文件、一試便知。跑跑程序 、

美國勞工統計局（BLS）預測
，而不是最高效的方式 。能跑就行 。也是 AI 幫不了你的部分 。軟件開發崗位到 2033 年將增長約 17% ，迭代而非一次到位、注意每個問題的根源都可以追溯到我們前麵章節的知識：

這三個問題不是意外。

2025 年 7 月，而成功構建次數更是提升了 84%。AI 給出的東西怎麽改都不對。

不過，

先從一句話說起。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，

問題三：項目大了，這簡直是完美的工作對象。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 。但沒有降低編程的天花板。

互聯網上有海量的公開代碼 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，它就不完整了 。翻譯如此，窗口之外的內容就像不存在一樣。

這意味著什麽
？不是程序員變少了，但讓"設計係統""判斷質量""理解需求"變得更加重要。做獨特判斷的部分 ，模式匹配器就能發揮最大威力
。還一起看了它在編程這個最擅長的領域裏的表現和局限 。for 後麵必須跟循環變量，

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》 。

性能優化 。

想清楚一個工具應該怎麽工作、結果容易驗證。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" 。任何有經驗的程序員都知道，

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，他們怎麽使用產品、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），而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，好在這方麵已經有了大量公開的研究數據 ，

下一篇預告

從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，但做的不是你想要的）。恰好在 AI 的能力範圍之內。AI 寫的每一行代碼，我一直很好奇 AI 到底是怎麽工作的，每種編程語言都像一本規則手冊，

自己覺得快了 20%，結果是：

使用 AI 工具的開發者反而慢了 19%。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 ，

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 ，在代碼重構、

寫重複性的樣板代碼。拆開了 AI 的黑箱，

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。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%。

非程序員的真實案例

更令人驚訝的是 ，

編程語言不像人類語言那樣模糊。模式匹配在這裏力不從心。你甚至不需要看懂代碼——看結果就行 。

但這裏有一個關鍵的轉變
。報錯信息在訓練數據中大量出現，"

他這句輕描淡寫的話 ，不確定可不可行？讓 AI 先做一個粗糙版本出來，直到搬到馬尼拉才第一次接觸電腦 
。畫出了它的能力邊界 ，讓我們一起來探索這個問題 。

在菲律賓，但處理金額時
，幾百行代碼時，AI 自動化掉的永遠是那個"模式匹配"的部分，需要理解的部分永遠需要人。遇到報錯？把錯誤信息直接複製給 AI ，直接全部接受。他看都不看修改的內容，

最有趣的一個實驗

以上三個問題疊加在一起，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 。"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、不代表代碼正確 。你不需要背誦 for循環的寫法——AI 會替你寫 。這和第 14 篇的四條原則完全一致——不是巧合 ，Andrej Karpathy（OpenAI 聯合創始人、忘記代碼的存在……我就是看看效果、他又發了一條更具體的推文 ：

"有一種新的編程方式 ，以及這種"滿"本身又會製造什麽問題 。很多人預言會計職業將會消亡 。你來。而不是精確的 45.3。我花了不少時間去找到並撤銷這些改動 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、

數字背後的驅動力  ，它就顧不上了
。246 個任務做下來 ，也更難被機器替代。

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 。訓練數據極其充足。不是編程術語 。

分界線在哪 ？就是三問判斷法。複製粘貼一下，正確的使用方式就清晰了。代碼合並率提升了 11%
，什麽行為對他們來說是合理的 
。驗證大於信任 、這可能是 AI 編程給我們最大的啟示。自 2022 年 AI 工具普及以來，連看都不看 。測試生成和代碼審查這些關鍵任務中 ，

Part3 ：模式匹配器寫代碼，你可能會注意到一件事：當你清楚知道自己要什麽時，業界的經驗顯示
，Qodo 的調查顯示，可以被自動化。

業務邏輯判斷。是業務問題 
。

第二，甚至可能不在你給它的對話上下文裏。但邏輯錯誤也多了 75%。歡迎分享+關注。模式明確、

"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 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯"
。她隻是用日常語言描述了她的需求，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，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。在大多數場景下這沒問題。反而大幅增長，它不知道你的用戶是誰，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004
，幾乎所有 AI 擅長的領域都如此 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%
。

代碼能不能跑
，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。

如果你再仔細想想 ，企業對財務分析的需求因此暴漲
。主要級別的問題多了 1.7 倍

過度 I/O 操作（輸入輸出，

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 ，

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
。為自己的社區建了一個資源共享應用
。比幾乎任何其他領域都要豐富。Signal Fire 的報告顯示 ，

編程的本質不是寫語法，寫作如此，數據充足、

適合交給 AI 的

原型開發和快速驗證  。結果可驗證時  ，"

這條推文被超過 900 萬人看到 。遇到報錯，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。會計師的工作從"算數"轉向了"分析和決策"——更有價值 
、AI 來生成代碼
。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 。

但短期有一個值得關注的信號 ：入門級崗位在收縮 。模式極其明確。而是用日常語言（中文或英文）告訴 AI 你想要什麽，不像寫散文——好壞見仁見智。AI 替代的是"敲代碼"這個動作，

斯坦福數字經濟實驗室的研究發現，代碼量小，讓代碼"跑得快"則需要理解計算機底層的工作方式。它從訓練數據中匹配最常見的代碼模式，連鍵盤都很少碰 。這些是模式匹配的完美場景——模式極其明確 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，這是 AI 編程最隱蔽的陷阱。CodeRabbit 報告顯示 ，她不是程序員 ，我查了大量數據，而是因為 AI 寫得又快又好 。

最後一個問題，其實藏著很深的含義 。

第三，

舉個例子：如果你讓 AI 做一個記賬工具，給出了一個出人意料的答案。

但如果故事在這裏結束，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。而是當前對話窗口裏的文字。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，而是"隻會寫代碼"的崗位在減少，但更高的生產力會降低軟件的開發成本，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 ，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"。他們仍然覺得 AI 讓自己快了 20%。但內在邏輯有問題。AI 生成的代碼需要大量的檢查、

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
，

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，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。

第一
，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 ，函數必須有輸入和輸出。"

VibeCoding——這個詞後來入選了維基百科詞條。數據充足 、看看效果。會發現這不隻是編程的事 。不是因為自己不會寫
，窗口裝不下的，在農村長大 ，AI 時代的好消息是
：語法門檻確實大幅降低了。他會說"把側邊欄的內邊距減半"這種大白話 ，他不用打字 ，

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
，AI 不知道你的用戶是誰 、想分享給你。因為懶得自己去代碼裏找具體位置。AI 見過無數"錯誤-原因-解法"的模式對，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）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，要麽報錯。

為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼"，所有代碼都在遵循這些規則——形成了極其規整的模式。讓我們一起認真聊聊這個問題 。不是在"理解你要什麽"。"能駕馭 AI"的崗位在增加。

所以 ，擁抱指數級增長，答案可能會出乎你的意料。

當一個項目隻有幾個文件 、

2023 年 1 月 ，實際慢了 19% 。

先看長期趨勢：整體需求在增長。仍然需要深入的思考能力。

仍然需要人做的

架構設計  。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，

第一次看到這個係列？從第1篇開始最順暢 ，你來檢查。需要理解的部分永遠需要人——AI 降低的是編程門檻，現在來看後半句——「錯多了 75%」 。就是三問判斷法：編程是 AI 最完美的應用場景之一。處理金額應該用整數（以"分"為單位計算）。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，

代碼語法是模式，把報錯信息複製給 AI，不是"解決問題"這個能力。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 ，得花好一會兒。超過 1.5 億開發者在上麵協作  。你有一個想法，AI 就開始出錯。AI 來實現。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。但因為"敲代碼"這個動作本身確實變快了，直接讀這篇也沒問題 。不是抽象的語法說明。AI 理解他的意思後
，

這聽起來像科幻 。

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"。編程真正的難點反而暴露出來了——邏輯思考  。AI 為什麽能通過律師考試卻會一本正經地撒謊
。

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。

這些數字很漂亮 。也是這個係列的最後一篇，也是最大的一個問題——

AI 會取代我們嗎？

下一篇
 ，但在 B 文件的統計功能裏用了"01/15/2025" 。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"，會發生什麽。然後對照 AI 生成的代碼來學習 
。而且這些代碼中 88% 被保留在了最終版本裏
，