"我該不該學編程
？害快"

如果你之前因為"語法太難記"而對編程望而卻步 ，於是写代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 ，這不隻是多厉但错多頂級 AI 專家才能做的事。但邏輯錯誤也多了 75%
。害快

研究中一位開發者的写代反饋很說明問題 ："AI 在代碼的其他部分做了一些奇怪的修改 ，窗口裝不下的多厉但错多，

這和人類記憶力有限是害快一個道理——隻不過 AI 的"記憶"不是真正的記憶 ，

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
，而不是多厉但错多對你業務的理解
。一試便知 。害快說明質量確實達到了可用水平。写代表現很好。多厉但错多

一句話回顧

AI 讓寫代碼快了 55%，害快到 2025 年底估值達到約 90 億美元。它就不完整了。不是在"理解你要什麽"。也是 AI 幫不了你的部分 。

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，結果發現
：

• AI 生成的代碼平均包含的問題數量是人類代碼的 1.7 倍
• 「邏輯和正確性錯誤高出 75%」——算法錯誤和業務邏輯錯誤的出現頻率是人類的 2 倍多
• 關鍵級別的問題多了 1.4 倍，想分享給你。測試生成和代碼審查這些關鍵任務中，那不會編程的人是不是也能"寫"代碼了？

  今天，要麽報錯 。用 AI 放大你的優勢而非替代你的思考。寫作如此，而是用日常語言（中文或英文）告訴 AI 你想要什麽，拆開了 AI 的黑箱，

  寫重複性的樣板代碼 。複製粘貼一下，

  編程語言不像人類語言那樣模糊。這是 AI 編程最隱蔽的陷阱。不確定可不可行
  ？讓 AI 先做一個粗糙版本出來，AI 時代的好消息是 ：語法門檻確實大幅降低了  。需要把金額加在一起 ，結果容易驗證 。好在這方麵已經有了大量公開的研究數據，讓我們一起來探索這個問題。AI 寫的每一行代碼，代碼的對錯通常是確定性的：要麽運行成功，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
  。需求變複雜，"

  換句話說，模式匹配在這裏力不從心
  。原型開發時間可以縮短 50% 到 70%。我們走了很長一段路。BLS 的分析邏輯是  ：AI 確實提高了程序員的生產力
   ，她隻是用日常語言描述了她的需求，有四分之一的代碼庫幾乎完全由 AI 生成。

  讓我們來看看，AI 不知道這個區別，學會了怎麽和它一起工作
  ，答案可能會出乎你的意料。擁抱指數級增長，這和第 14 篇的四條原則完全一致——不是巧合，遇到一個看不懂的報錯信息？丟給 AI
  。我一直很好奇 AI 到底是怎麽工作的 ，"

  這條推文被超過 900 萬人看到。

  這是 「AI是怎麽回事」係列的第 15 篇。模式極其明確。

  1980 年代，直到搬到馬尼拉才第一次接觸電腦。

  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，

  2025 年 7 月 ，

  參考資料

  1. Karpathy, A. (2023). "The hottest new programming language is English." X (Twitter). https://x.com/karpathy/status/1617979122625712128
  2. Karpathy, A. (2025). "There's a new kind of coding I call 'vibe coding'..." X (Twitter). https://x.com/karpathy/status/1886192184808149383
  3. Wikipedia. Vibe coding. https://en.wikipedia.org/wiki/Vibe_coding
  4. Electroiq. (2025). GitHub Statistics And Facts, By Users, Security And Repos. https://electroiq.com/stats/github-statistics/
  5. Quantumrun Foresight. (2026). GitHub Copilot Statistics 2026. https://www.quantumrun.com/consulting/github-copilot-statistics/
  6. About Chromebooks. (2026). GitHub Copilot Statistics [2026]. https://www.aboutchromebooks.com/github-copilot-statistics/
  7. Sacra. (2025). Cursor Revenue, Valuation & Funding. https://sacra.com/c/cursor/
  8. Cursor. (2025). Series D Announcement. https://cursor.com/blog/series-d
  9. Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv. https://arxiv.org/abs/2302.06590
  10. Panto. (2026). GitHub Copilot Statistics 2026: Productivity, Risk & Impact. https://www.getpanto.ai/blog/github-copilot-statistics
  11. Microsoft Source. (2025). Vibe coding and other ways AI is changing who can build apps and how. https://news.microsoft.com/source/features/ai/vibe-coding-and-other-ways-ai-is-changing-who-can-build-apps-and-how/
  12. TechCrunch. (2025). A quarter of startups in YC's current cohort have codebases that are almost entirely AI-generated. https://techcrunch.com/2025/03/06/a-quarter-of-startups-in-ycs-current-cohort-have-codebases-that-are-almost-entirely-ai-generated/
  13. Glance. (2025). Vibe Coding Success Stories: Real Apps Built Without Traditional Programming. https://thisisglance.com/blog/vibe-coding-success-stories-real-apps-built-without-traditional-programming
  14. CodeRabbit. (2025). State of AI vs Human Code Generation Report. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report
  15. Qodo. (2025). State of AI Code Quality in 2025. https://www.qodo.ai/reports/state-of-ai-code-quality/
  16. METR. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
  17. U.S. Bureau of Labor Statistics. (2025). AI impacts in BLS employment projections. https://www.bls.gov/opub/ted/2025/ai-impacts-in-bls-employment-projections.htm
  18. Morgan Stanley. (2025). AI in Software Development: Creating Jobs and Redefining Roles. https://www.morganstanley.com/insights/articles/ai-software-development-industry-growth
  19. IEEE Spectrum. (2025). AI Shifts Expectations for Entry Level Jobs. https://spectrum.ieee.org/ai-effect-entry-level-jobs
  20. FloQast. (2025). Will Robots Take Our Jobs if Accounting is Automated? https://www.floqast.com/blog/will-robots-take-our-jobs-if-accounting-is-automated
  21. Opsera. (2025). Cursor AI Adoption Trends: Real Data from the Fastest Growing Coding Tool. https://opsera.ai/blog/cursor-ai-adoption-trends-real-data-from-the-fastest-growing-coding-tool/

  訂閱

  如果覺得有意思 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，AI 生成的代碼改動 ？他全部直接接受 ，

  性能優化 。

  Part3 ：模式匹配器寫代碼，每種編程語言都像一本規則手冊  ，

  修 bug 和理解報錯 。電子表格軟件（如 Excel）普及後，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，通常 AI 就能修好 。但會計行業不僅沒有萎縮 ，決定不同功能之間怎麽配合 、

  仍然需要人做的

  架構設計
  。

  第一次看到這個係列？從第1篇開始最順暢 ，函數必須有輸入和輸出。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 ，代碼量小 ，而成功構建次數更是提升了 84%。考慮到用戶可能遇到的各種情況 、代碼合並率提升了 11%，但實際測量的結果是——慢了 19% 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，窗口之外的內容就像不存在一樣。就是三問判斷法：編程是 AI 最完美的應用場景之一 。

  

  互聯網上有海量的公開代碼 。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），給你一個盡可能完整的回答。正確的使用方式就清晰了。結果是：

  使用 AI 工具的開發者反而慢了 19%。

  非程序員的真實案例

  更令人驚訝的是 ，

  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 ，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，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。因為修改 B 文件時 ，

    問題三 ：項目大了 ，

    

    先看長期趨勢
    ：整體需求在增長 。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，超過 1.5 億開發者在上麵協作 。需求明確、處理金額應該用整數（以"分"為單位計算）。畫出了它的能力邊界，

    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、

  

  上一篇，忘記代碼的存在……我就是看看效果 、

  這些數字很漂亮 。

  曆史給了我們一個有用的類比。它消滅的是"手敲代碼語法"這個動作 ，你甚至不需要看懂代碼——看結果就行。模式匹配器就能發揮最大威力。然後對照 AI 生成的代碼來學習。AI 可以"看到"全貌，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。給出了一個出人意料的答案 。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%。直接全部接受。後續文章也會持續更新。

  如果你再仔細想想 ，而且這些代碼中 88% 被保留在了最終版本裏 ，

  第三 ，當 AI 編程從"周末小項目"走向真實世界時，AI 替代的是"敲代碼"這個動作，不代表代碼正確 。

  數字背後的驅動力 ，

  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，

  AI 編程工具和電子表格是同一個故事的新版本。AI 就幫她生成了可用的程序
  。他看都不看修改的內容，

  文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一，企業對財務分析的需求因此暴漲。

  分界線在哪 ？就是三問判斷法 。你來檢查。

  但短期有一個值得關注的信號：入門級崗位在收縮。讓我們來看看 AI 編程在實際中長什麽樣。在代碼重構、而是因為底層邏輯相同。他又發了一條更具體的推文：

  "有一種新的編程方式 ，遠超所有職業平均 4% 的增長率。但做的不是你想要的）。直接讀這篇也沒問題 。會遇到什麽問題

  Part2 裏我們看到了標題的前半句——"快了 55%" 。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，在農村長大 ，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，但如果 AI 能寫代碼，比幾乎任何其他領域都要豐富。編程中有大量高度固定的模式 ：數據庫連接、我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，說說想法 、讓代碼"跑得快"則需要理解計算機底層的工作方式。 這聽起來像科幻。AI 為什麽能通過律師考試卻會一本正經地撒謊 。 自己覺得快了 20%，而是因為 AI 寫得又快又好 。 這意味著什麽？不是程序員變少了 ，驗證大於信任、接口定義、而不是最高效的方式。但要做好 ，" VibeCoding——這個詞後來入選了維基百科詞條。歡迎分享+關注。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"。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 ，"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 ， 代碼能不能跑， 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，業界的經驗顯示 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、仍然需要深入的思考能力。使用 AI 後 ，把報錯信息複製給 AI，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。依據的是訓練數據中的統計模式，"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、幾百行代碼時 ，" 把三個問題串起來 讓我用一張表來總結， 美國勞工統計局（BLS）預測，遇到報錯？把錯誤信息直接複製給 AI ，GitHub（全球最大的代碼托管平台，AI 表現驚人；當你自己都沒想清楚時，你不需要背誦 for循環的寫法——AI 會替你寫 。而不是精確的 45.3。 先來拆解"滿"在哪  。而且 AI 係統本身也需要大量的開發者來構建和維護。AI 的局限就暴露了 。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，我們不需要猜測 。 用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，能跑就行。迭代而非一次到位、 舉個例子：如果你讓 AI 做一個記賬工具，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，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 ，它從訓練數據中匹配最常見的代碼模式 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、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，可驗證的部分交給 AI；需要理解具體場景 、 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》。分析了 470 個開源項目的代碼提交。 比如  ，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 ，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 ，246 個任務做下來，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，任何有經驗的程序員都知道， 為什麽？因為在大型真實項目中 ，如果你想學編程，結果可驗證時 ，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。但內在邏輯有問題 。也更難被機器替代。這是典型的模式匹配強項 。"能駕馭 AI"的崗位在增加 。會發生什麽。AI 來實現。數據充足、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 ，它有嚴格的語法規則：IF 後麵必須跟條件，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 ，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 。數據充足 、 為什麽會這樣？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，可以被自動化。在大多數場景下這沒問題。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，不知道你的產品邏輯， 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。 所以， AI 降低了編程的入口 ，這可能是 AI 編程給我們最大的啟示。 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。所有代碼都在遵循這些規則——形成了極其規整的模式 。AI 理解他的意思後，訓練數據極其充足 。 在菲律賓，Andrej Karpathy（OpenAI 聯合創始人 、這些是模式匹配的完美場景——模式極其明確，不是因為自己不會寫 ，而編程恰好是三個條件全滿的黃金場景 。三問判斷法三項全滿的任務是 AI 的黃金場景。 第二 ，超過 77000 家企業和組織都在使用它。為自己的社區建了一個資源共享應用。Qodo 的調查顯示 ，她不是程序員，還一起看了它在編程這個最擅長的領域裏的表現和局限。它不知道你的用戶是誰 ，遇到報錯 ，約束和取舍 。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，而是想清楚要做什麽 。反而大幅增長，很多人預言會計職業將會消亡 。對於一個"超級模式匹配器"來說，它和 AI 識別人臉（第 1 篇）、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，會發現這不隻是編程的事。你有一個想法 ，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 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，跑跑程序 、覺得不錯的話 ，我查了大量數據 ，AI 自動化掉的永遠是那個"模式匹配"的部分， 代碼能跑，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"。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 。需要人來做 。配置文件。

  不過，Signal Fire 的報告顯示 ，自 2022 年 AI 工具普及以來 ，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。AI 就開始出錯。讓 AI 來寫，但沒有降低編程的天花板。幾乎所有 AI 擅長的領域都如此。

  但這裏有一個關鍵的轉變 。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》，"通常這樣就修好了"  。AI 給出的東西怎麽改都不對 。但在 B 文件的統計功能裏用了"01/15/2025" 。連看都不看。寫代碼恰好就是。不變的是對邏輯的思考。

  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，不是編程術語。訓練數據極其豐富 。"

  他這句輕描淡寫的話 ，模式匹配的部分被自動化了，都需要有人審查 。

  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"。但更高的生產力會降低軟件的開發成本，不是"解決問題"這個能力。不需要完美，主要級別的問題多了 1.7 倍

• 過度 I/O 操作（輸入輸出，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
，一旦項目變大 、AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。什麽行為對他們來說是合理的。但處理金額時，

當一個項目隻有幾個文件、讓我們一起認真聊聊這個問題  。需要理解的部分永遠需要人。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。

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，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
。即可訂閱 。它就顧不上了。它描述的是一種全新的編程方式 ：你不寫代碼 ，它在 A 文件裏把日期格式定義為"2025-01-15"，

這背後的道理，讓代碼"能跑"容易
，成為有史以來達到這個裏程碑最快的軟件產品之一 ，他們仍然覺得 AI 讓自己快了 20%。會計師的工作從"算數"轉向了"分析和決策"——更有價值 
、程序就出了問題。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 ，而暴露出來的永遠是那個"真正需要人的思考"的部分。不是抽象的語法說明。調試和修改 。

斯坦福數字經濟實驗室的研究發現，得花好一會兒 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。甚至可能不在你給它的對話上下文裏 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器，AI 不知道你的用戶是誰、發現了很多有意思的東西 ，

第一，

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
，這個係列就是我的探索筆記，直接修改代碼文件。

所以 ，歡迎關注我，AI 來生成代碼 。你來。但當項目增長到幾十個文件
、

業務邏輯判斷。也是最大的一個問題——

AI 會取代我們嗎？

下一篇  ，

編程的本質不是寫語法
，前 Tesla AI 總監 ，

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 。

最有趣的一個實驗

以上三個問題疊加在一起，

先從一句話說起  。軟件開發崗位到 2033 年將增長約 17%，翻譯如此，這簡直是完美的工作對象。做獨特判斷的部分，for 後麵必須跟循環變量，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 。AI 時代的建議是：重點從"記語法"轉向"練邏輯"。你可以告訴 AI"用 JavaScript 實現這個功能" ，

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 。但因為"敲代碼"這個動作本身確實變快了，

個人錨點

如果你也試過讓 AI 寫代碼 ，連鍵盤都很少碰。AI 寫代碼不是什麽"魔法"
。他會說"把側邊欄的內邊距減半"這種大白話
 ，恰好在 AI 的能力範圍之內 。讓我們慢慢拆解 
。他不用打字
，CodeRabbit 報告顯示
，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。

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
。兩邊不一致，入門更容易了 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，模式明確、而是"隻會寫代碼"的崗位在減少，

代碼語法是模式 ，然後它就大概能用了。

但如果故事在這裏結束，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"，沒有兩個項目的架構是完全相同的，

問題一：表麵能跑，

適合交給 AI 的

原型開發和快速驗證。因為懶得自己去代碼裏找具體位置。

想清楚一個工具應該怎麽工作、當 AI 處理了語法層麵的事情後 ，而是用語音跟 AI 說話
。你可能會注意到一件事：當你清楚知道自己要什麽時，他在做一個他自己都不完全看懂的程序——但程序跑起來了。是業務問題 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。

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，AI 在訓練過程中見過的代碼模式
，我花了不少時間去找到並撤銷這些改動 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，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
，平均用時 1 小時 11 分鍾，編程真正的難點反而暴露出來了——邏輯思考 。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 。代碼提交量提升了 8.69%，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，

學習新語言和新框架 。看看效果 。

代碼審查。他們怎麽使用產品、

2023 年 1 月，AI 生成的代碼需要大量的檢查、其實藏著很深的含義。實際慢了 19%。兩年後的 2025 年 2 月，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 ，現在來看後半句——「錯多了 75%」。而是當前對話窗口裏的文字
。不像寫散文——好壞見仁見智。因為電子表格讓財務分析變得更快更便宜 ，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。也是這個係列的最後一篇 ，報錯信息在訓練數據中大量出現 ，

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，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。

最後一個問題，