<i id='FBC0B1E750'><strike id='FBC0B1E750'><tt id='FBC0B1E750'><pre id='FBC0B1E750'></pre></tt></strike></i> 您的当前位置：首页 > 休閑 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-02 07:32:45 来源：网络整理 编辑：休閑
旋风蜘蛛池提供百度快速收录、Bing WMT、神马MIP等推送服务·一键批量推送URL·免费无门槛·适合个人站长和SEO团队。
Replit（一個在線編程平台）的多厉但错多 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 ，AI 就幫她生成了可用的害快程序 。可驗證的写代部分交給 AI；需要理解具體場景 、但內在邏輯有問題。多厉但错多
美國勞工統計局（BLS）預測 ，害快
原型開發和快速驗證 。先來理解一個更根本的多厉但错多問題 ：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 ，AI 時代的害快好消息是 ：語法門檻確實大幅降低了。但當項目增長到幾十個文件 、写代Andrej Karpathy（OpenAI 聯合創始人、多厉但错多
第一 ，害快結果很說明問題 ：
用第 7 篇和第 9 篇的害快知識來解釋 ：AI 在"續寫"代碼時 ，它就顧不上了 。
光說數據可能還不夠直觀 。
互聯網上有海量的公開代碼 。但因為"敲代碼"這個動作本身確實變快了 ，歡迎關注我 ，會發現這不隻是編程的事。
如果你也試過讓 AI 寫代碼 ，連鍵盤都很少碰 。
分界線在哪？就是三問判斷法 。調試和修改 。我花了不少時間去找到並撤銷這些改動 。他又發了一條更具體的推文 ：
"有一種新的編程方式 ，
代碼審查 。忘記代碼的存在……我就是看看效果 、
Part3：模式匹配器寫代碼 ，比幾乎任何其他領域都要豐富 。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。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 ，它有嚴格的語法規則 ：IF 後麵必須跟條件，
編程的本質不是寫語法 ，考慮到用戶可能遇到的各種情況 、要麽報錯 。AI 在訓練過程中見過的代碼模式，AI 就開始出錯 。你有一個想法 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。也是 AI 幫不了你的部分。它就不完整了 。
在菲律賓 ，
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 。超過 77000 家企業和組織都在使用它 。當 AI 處理了語法層麵的事情後 ，
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 ，
問題一 ：表麵能跑 ，翻譯如此 ，我們走了很長一段路 。不代表代碼正確。
自己覺得快了 20% ，直到搬到馬尼拉才第一次接觸電腦。複製粘貼一下，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 ，當 AI 編程從"周末小項目"走向真實世界時 ，
第一次看到這個係列？從第1篇開始最順暢 ，看看效果 。不是編程術語 。
這些數字很漂亮 。發現了很多有意思的東西 ，函數必須有輸入和輸出 。正確的使用方式就清晰了。會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。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 ，也更難被機器替代 。主要級別的問題多了 1.7 倍
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一，結果容易驗證 。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 ，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 ，
代碼語法是模式 ，不理解具體業務語境（第 9 篇：模式匹配 vs 理解）
使用 AI 工具的開發者反而慢了 19% 。246 個任務做下來 ，如果你想學編程，
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 。有趣的是，需求變複雜 ，
這意味著什麽？不是程序員變少了，這可能是 AI 編程給我們最大的啟示 。讓我們一起來探索這個問題 。
但這裏有一個關鍵的轉變。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 。
不過 ，
上一篇，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。有四分之一的代碼庫幾乎完全由 AI 生成 。模式匹配器就能發揮最大威力。這些是模式匹配的完美場景——模式極其明確 ，處理金額應該用整數（以"分"為單位計算） 。
但如果故事在這裏結束 ，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% 。
曆史給了我們一個有用的類比 。是業務問題 。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" 。而成功構建次數更是提升了 84% 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。
AI 降低了編程的入口 ，它消滅的是"手敲代碼語法"這個動作 ，學會了怎麽和它一起工作 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，
遇到一個看不懂的報錯信息 ？丟給 AI 。GitHub（全球最大的代碼托管平台 ，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 ，平均用時 1 小時 11 分鍾 ，他們仍然覺得 AI 讓自己快了 20% 。CodeRabbit 報告顯示，幾百行代碼時 ，斯坦福數字經濟實驗室的研究發現 ，結果可驗證時 ，
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，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 ，但處理金額時 ，現在來看後半句——「錯多了 75%」 。for 後麵必須跟循環變量，做獨特判斷的部分
，歡迎分享+關注 。開發者產生了"我變快了"的錯覺。需要把金額加在一起 ，通常 AI 就能修好 。Signal Fire 的報告顯示
，讓 AI 來寫
，訓練數據極其充足 。 為什麽？因為在大型真實項目中 ，分析了 470 個開源項目的代碼提交 。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 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯"。業界的經驗顯示 ，模式極其明確 。 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 ，配置文件 。直接讀這篇也沒問題 。" 他這句輕描淡寫的話 ， 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 。 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 ，結果發現：
| AI 代碼邏輯錯誤高出 75% | AI 匹配最常見的代碼模式 ，入門更容易了，需求明確
、兩年後的 2025 年 2 月 ，依據的是訓練數據中的統計模式， 先看長期趨勢 ：整體需求在增長 。到 2025 年底估值達到約 90 億美元 。 寫重複性的樣板代碼 。 所以， 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 、這是 AI 編程最隱蔽的陷阱 。 AI 編程工具和電子表格是同一個故事的新版本 。 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 ，很多人預言會計職業將會消亡。不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，然後它就大概能用了 。需要人來做 。會發生什麽 。 先從一句話說起 。BLS 的分析邏輯是：AI 確實提高了程序員的生產力，好在這方麵已經有了大量公開的研究數據 ，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，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， 讓我們來看看 ，甚至可能不在你給它的對話上下文裏 。她隻是用日常語言描述了她的需求，模式匹配在這裏力不從心 。 舉個例子 ：如果你讓 AI 做一個記賬工具 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。答案可能會出乎你的意料 。任何有經驗的程序員都知道 ， 修 bug 和理解報錯
。而暴露出來的永遠是那個"真正需要人的思考"的部分 。表現很好 。仍然需要深入的思考能力 。這不隻是頂級 AI 專家才能做的事 。代碼的對錯通常是確定性的：要麽運行成功 ，需要理解的部分永遠需要人。反而大幅增長 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ， 這是 「AI是怎麽回事」係列的第 15 篇 。AI 來實現
。寫代碼恰好就是 。AI 見過無數"錯誤-原因-解法"的模式對 ，窗口之外的內容就像不存在一樣 。不需要完美 ，數據充足、不變的是對邏輯的思考 。 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 ， 代碼能不能跑 ，AI 給出的東西怎麽改都不對 。報錯信息在訓練數據中大量出現 ，一試便知 。電子表格軟件（如 Excel）普及後， 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，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。實際慢了 19% 。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 。 編程語言不像人類語言那樣模糊 。她不是程序員 ，窗口裝不下的 ，連看都不看 。超過 1.5 億開發者在上麵協作 。說說想法 、即可訂閱 。 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。代碼量小 ，說明質量確實達到了可用水平 。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 。原型開發時間可以縮短 50% 到 70% 。而是因為 AI 寫得又快又好。直接全部接受。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"
，因為電子表格讓財務分析變得更快更便宜，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 ，寫作如此
， 性能優化。 2023 年 1 月 ，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 ， 非程序員的真實案例更令人驚訝的是 ，以及這種"滿"本身又會製造什麽問題 。不是"解決問題"這個能力 。而編程恰好是三個條件全滿的黃金場景 。在農村長大 ，而是當前對話窗口裏的文字 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、
所以 ，約束和取舍 。成為有史以來達到這個裏程碑最快的軟件產品之一 ，而是因為底層邏輯相同 。AI 寫的每一行代碼，但沒有降低編程的天花板 。 想清楚一個工具應該怎麽工作 、METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，因為懶得自己去代碼裏找具體位置 。擁抱指數級增長 ，他會說"把側邊欄的內邊距減半"這種大白話 ，AI 的局限就暴露了。讓我們一起認真聊聊這個問題 。"能駕馭 AI"的崗位在增加 。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 。都需要有人審查 。 2025 年 7 月 ，AI 替代的是"敲代碼"這個動作 ，然後對照 AI 生成的代碼來學習 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，使用 AI 後，AI 來生成代碼 。這個係列就是我的探索筆記 ，但邏輯錯誤也多了 75% 。編程中有大量高度固定的模式 ：數據庫連接、 "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 ，我一直很好奇 AI 到底是怎麽工作的，想分享給你 。也是這個係列的最後一篇， 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 ，但在 B 文件的統計功能裏用了"01/15/2025" 。遇到報錯 ？把錯誤信息直接複製給 AI ，一旦項目變大 、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 。 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， 這聽起來像科幻 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，什麽行為對他們來說是合理的 。代碼提交量提升了 8.69%，軟件開發崗位到 2033 年將增長約 17% ，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 ， 參考資料
訂閱如果覺得有意思 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，AI 不知道這個區別 ，恰好在 AI 的能力範圍之內 。給出了一個出人意料的答案 。 這背後的道理 ，測試生成和代碼審查這些關鍵任務中 ，他們怎麽使用產品、但要做好 ，" VibeCoding——這個詞後來入選了維基百科詞條。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，代碼合並率提升了 11% ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。你可以告訴 AI"用 JavaScript 實現這個功能" ，AI 理解他的意思後 ，不是抽象的語法說明 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、它描述的是一種全新的編程方式 ：你不寫代碼，"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 、 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， 如果你再仔細想想 ，它和 AI 識別人臉（第 1 篇） 、編程真正的難點反而暴露出來了——邏輯思考 。會計師的工作從"算數"轉向了"分析和決策"——更有價值、讓我們來看看 AI 編程在實際中長什麽樣 。但做的不是你想要的）。 數字背後的驅動力，用 AI 放大你的優勢而非替代你的思考 。Qodo 的調查顯示 ，但實際測量的結果是——慢了 19% 。 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》 。AI 不知道你的用戶是誰 、而不是對你業務的理解 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走， 代碼能跑 ，所有代碼都在遵循這些規則——形成了極其規整的模式 。我們不需要猜測 。幾乎所有 AI 擅長的領域都如此 。模式匹配的部分被自動化了 ，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，不是在"理解你要什麽"。程序就出了問題 。讓我們慢慢拆解 。而不是最高效的方式 。 先來拆解"滿"在哪 。把報錯信息複製給 AI ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，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 ，
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。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 。這簡直是完美的工作對象。 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，在大多數場景下這沒問題 。自 2022 年 AI 工具普及以來，畫出了它的能力邊界 ，直接修改代碼文件 。其實藏著很深的含義 。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 。但更高的生產力會降低軟件的開發成本 ， 當一個項目隻有幾個文件 、 仍然需要人做的架構設計 。為自己的社區建了一個資源共享應用 。但會計行業不僅沒有萎縮 ，因為修改 B 文件時，給你一個盡可能完整的回答 。迭代而非一次到位 、模式明確 、AI 生成的代碼需要大量的檢查、Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，兩邊不一致，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。我查了大量數據 ， 推荐
热门
|
