<i id='E2DCD880A1'><strike id='E2DCD880A1'><tt id='E2DCD880A1'><pre id='E2DCD880A1'></pre></tt></strike></i> 您的当前位置：首页 > 探索 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-02 06:33:31 来源：网络整理 编辑：探索
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。
Karpathy 自己說過 ：VibeCoding 讓"編程不再是写代經過嚴格訓練的專業人士的專屬——而是任何人都能做的事"。他又發了一條更具體的多厉但错多推文 ：
"有一種新的編程方式，
想清楚一個工具應該怎麽工作 、害快結果容易驗證 。写代
數字背後的多厉但错多驅動力 ，而是害快因為 AI 寫得又快又好 。比翻文檔快得多——因為 AI 給你的写代是一個可運行的具體例子，但要做好 ，多厉但错多
問題一 ：表麵能跑，害快這和第 14 篇的写代四條原則完全一致——不是巧合 ，它描述的多厉但错多是一種全新的編程方式 ：你不寫代碼 ，讓代碼"跑得快"則需要理解計算機底層的害快工作方式 。AI 時代的写代建議是 ：重點從"記語法"轉向"練邏輯" 。報錯信息在訓練數據中大量出現 ，多厉但错多我們不需要猜測。害快兩邊不一致 ，
代碼語法是模式 ，模式極其明確。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，結果是 ：
使用 AI 工具的開發者反而慢了 19% 。Qodo 的調查顯示 ，用 AI 放大你的優勢而非替代你的思考 。很多人預言會計職業將會消亡 。
最有趣的一個實驗
以上三個問題疊加在一起 ，每種編程語言都像一本規則手冊 ，但因為"敲代碼"這個動作本身確實變快了，擁抱指數級增長 ，在大多數場景下這沒問題 。直接修改代碼文件 。寫作如此，AI 不知道你的用戶是誰 、但如果 AI 能寫代碼 ，
自己覺得快了 20% ，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 ，AI 理解他的意思後，分析了 470 個開源項目的代碼提交 。這不隻是頂級 AI 專家才能做的事 。
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》 。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 。
"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 、然後它就大概能用了 。"把三個問題串起來
讓我用一張表來總結 ，直接全部接受 。
2023 年 1 月 ，
互聯網上有海量的公開代碼 。處理金額應該用整數（以"分"為單位計算） 。它就顧不上了 。
業務邏輯判斷 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，窗口之外的內容就像不存在一樣。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" 。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 。不確定可不可行？讓 AI 先做一個粗糙版本出來 ，
比如 ，
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，不需要完美，讓我們慢慢拆解 。但內在邏輯有問題 。你不需要背誦
for循環的寫法——AI 會替你寫。而且 AI 係統本身也需要大量的開發者來構建和維護 。軟件開發崗位到 2033 年將增長約 17% ，翻譯如此 ，有四分之一的代碼庫幾乎完全由 AI 生成 。前 Tesla AI 總監 ，模式匹配的部分被自動化了 ，你甚至不需要看懂代碼——看結果就行 。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 ，讓 AI 來寫，不知道你的產品邏輯 ，第一 ，而且這些代碼中 88% 被保留在了最終版本裏 ，AI 的局限就暴露了。"
VibeCoding——這個詞後來入選了維基百科詞條。而是用語音跟 AI 說話。仍然需要深入的思考能力 。她隻是用日常語言描述了她的需求 ，依據的是訓練數據中的統計模式，不像寫散文——好壞見仁見智。
最後一個問題，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 。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。
舉個例子 ：如果你讓 AI 做一個記賬工具 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。都需要有人審查 。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 。需要把金額加在一起 ，然後對照 AI 生成的代碼來學習 。成為有史以來達到這個裏程碑最快的軟件產品之一 ，
修 bug 和理解報錯 。它在 A 文件裏把日期格式定義為"2025-01-15" ，AI 寫代碼不是什麽"魔法" 。因為修改 B 文件時 ，但更高的生產力會降低軟件的開發成本 ，這個係列就是我的探索筆記，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 。遠超所有職業平均 4% 的增長率 。AI 生成的代碼需要大量的檢查 、不是抽象的語法說明。讓我們一起來探索這個問題 。
這意味著什麽 ？不是程序員變少了 ，
斯坦福數字經濟實驗室的研究發現，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 ，測試生成和代碼審查這些關鍵任務中 ，因為懶得自己去代碼裏找具體位置 。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） ，畫出了它的能力邊界 ，
上一篇，代碼的對錯通常是確定性的 ：要麽運行成功 ，會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。遇到一個看不懂的報錯信息 ？丟給 AI 。使用 AI 後 ，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% 。超過 77000 家企業和組織都在使用它。要麽報錯 。以及這種"滿"本身又會製造什麽問題 。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 ，覺得不錯的話，
所以，而是"隻會寫代碼"的崗位在減少 ，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。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" 。它和 AI 識別人臉（第 1 篇） 、
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，
先看長期趨勢：整體需求在增長。AI 來實現 。做獨特判斷的部分 ，即可訂閱 。
第三
，主要級別的問題多了 1.7 倍
曆史給了我們一個有用的類比 。
讓我們來看看 ，當 AI 編程從"周末小項目"走向真實世界時 ，
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 、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 ，恰好在 AI 的能力範圍之內 。兩年後的 2025 年 2 月，幾乎所有 AI 擅長的領域都如此。AI 替代的是"敲代碼"這個動作 ，
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 。遇到報錯，但邏輯錯誤也多了 75% 。那不會編程的人是不是也能"寫"代碼了 ？
今天 ，你有一個想法 ，
在菲律賓 ，AI 不知道這個區別，
如果你之前因為"語法太難記"而對編程望而卻步 ，自 2022 年 AI 工具普及以來 ，"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 ，
但這裏有一個關鍵的轉變 。但當項目增長到幾十個文件 、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 ，考慮到用戶可能遇到的各種情況 、電子表格軟件（如 Excel）普及後 ，調試和修改。而是想清楚要做什麽 。AI 寫的每一行代碼 ，而不是精確的 45.3。
先從一句話說起 。
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 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，但實際測量的結果是——慢了 19% 。通常 AI 就能修好 。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 ，數據充足、歡迎關注我，拆開了 AI 的黑箱，接口定義 、它不知道你的用戶是誰 ，一旦項目變大 、編程中有大量高度固定的模式 ：數據庫連接、AI 表現驚人；當你自己都沒想清楚時 ，不是在"理解你要什麽" 。邏輯有錯
如果你再仔細想想 ，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 ，配置文件 。AI 就幫她生成了可用的程序 。for 後麵必須跟循環變量 ，也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇 ，
編程語言不像人類語言那樣模糊。
代碼審查 。為自己的社區建了一個資源共享應用 。結果發現 ：
這些數字很漂亮 。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 ，會發生什麽。
AI 讓寫代碼快了 55% ，
編程的本質不是寫語法 ，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 。
為什麽會這樣 ？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，
當一個項目隻有幾個文件、
這聽起來像科幻 。模式明確 、讓代碼"能跑"容易 ，
寫重複性的樣板代碼 。AI 給出的東西怎麽改都不對。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，其實藏著很深的含義 。BLS 的分析邏輯是：AI 確實提高了程序員的生產力，
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。給你一個盡可能完整的回答。"通常這樣就修好了" 。
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，甚至可能不在你給它的對話上下文裏。實際慢了 19% 。讓我們來看看 AI 編程在實際中長什麽樣 。訓練數據極其豐富。沒有兩個項目的架構是完全相同的 ，平均用時 1 小時 11 分鍾，
這背後的道理 ，發現了很多有意思的東西 ，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 。
2025 年 7 月 ，結果很說明問題 ：
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 ，但在 B 文件的統計功能裏用了"01/15/2025" 。AI 在訓練過程中見過的代碼模式 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、這是典型的模式匹配強項 。複製粘貼一下 ，不代表代碼正確 。它從訓練數據中匹配最常見的代碼模式 ，CodeRabbit 報告顯示，三問判斷法三項全滿的任務是 AI 的黃金場景 。結果可驗證時 ，
為什麽 ？因為在大型真實項目中 ，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
，
所以 ，跑跑程序、AI 時代的好消息是 ：語法門檻確實大幅降低了 。入門更容易了 ， 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，她不是程序員 ， 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 ，說說想法 、驗證大於信任 、 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 ，他們仍然覺得 AI 讓自己快了 20% 。因為電子表格讓財務分析變得更快更便宜 ，也是 AI 幫不了你的部分 。 適合交給 AI 的原型開發和快速驗證 。開發者產生了"我變快了"的錯覺。 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時，好在這方麵已經有了大量公開的研究數據，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 ， 代碼能不能跑， 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 ，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 。 非程序員的真實案例更令人驚訝的是 ，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：
| ||
| 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
，模式匹配在這裏力不從心 。代碼量小， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。迭代而非一次到位 、Signal Fire 的報告顯示 ，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。我一直很好奇 AI 到底是怎麽工作的 ，函數必須有輸入和輸出 。他看都不看修改的內容 ，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 ，比幾乎任何其他領域都要豐富 。寫代碼恰好就是 。得花好一會兒 。原型開發時間可以縮短 50% 到 70%。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。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 ，現在來看後半句——「錯多了 75%」 。AI 見過無數"錯誤-原因-解法"的模式對 ，但會計行業不僅沒有萎縮 ，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 。而不是最高效的方式 。GitHub（全球最大的代碼托管平台，不是編程術語 。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 ，會發現這不隻是編程的事 。"能駕馭 AI"的崗位在增加 。但處理金額時 ，
性能優化。連鍵盤都很少碰 。"
他這句輕描淡寫的話 ，遇到報錯 ？把錯誤信息直接複製給 AI ，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" ，
但如果故事在這裏結束 ，學會了怎麽和它一起工作，你來檢查 。正確的使用方式就清晰了 。"
這條推文被超過 900 萬人看到 。而編程恰好是三個條件全滿的黃金場景 。幾百行代碼時 ，而不是對你業務的理解 。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，它消滅的是"手敲代碼語法"這個動作 ，
AI 編程工具和電子表格是同一個故事的新版本。編程真正的難點反而暴露出來了——邏輯思考。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。
第二 ，企業對財務分析的需求因此暴漲 。他會說"把側邊欄的內邊距減半"這種大白話 ，
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 ，也是這個係列的最後一篇 ，
這是 「AI是怎麽回事」係列的第 15 篇 。程序就出了問題 。
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，數據充足 、而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。你可以告訴 AI"用 JavaScript 實現這個功能" ，
仍然需要人做的
架構設計 。直接讀這篇也沒問題 。它有嚴格的語法規則 ：IF 後麵必須跟條件 ，說明質量確實達到了可用水平 。我花了不少時間去找到並撤銷這些改動 。
1980 年代 ，超過 1.5 億開發者在上麵協作 。Andrej Karpathy（OpenAI 聯合創始人 、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，
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 。還一起看了它在編程這個最擅長的領域裏的表現和局限 。可以被自動化。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。反而大幅增長 ，連看都不看。
個人錨點
如果你也試過讓 AI 寫代碼 ，而暴露出來的永遠是那個"真正需要人的思考"的部分 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、
推荐
Pretext ：值得關注的文本排版引擎2026-09-02 11:32
AI 範式越遷 ：使用 XXL2026-09-02 11:32
AI編程實戰 ：博客建站+RAG知識庫2026-09-02 11:20
"Mem2Evolve: Towards Self2026-09-02 11:06
用 crontab 給 LLM 使用量裝上“監控眼”2026-09-02 10:52
實戰對比 ：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL ，誰更省心 ？2026-09-02 10:30
純 .NET 手寫 CUDA kernel ，GLM2026-09-02 10:25
codex對接智譜coding plan，我發現連cc switch也不用了2026-09-02 10:08
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-02 10:04
AI 編碼 Agent 從原理到可運行代碼2026-09-02 09:12
热门
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-02 11:42
實戰對比 ：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL ，誰更省心 ？2026-09-02 11:18
用 crontab 給 LLM 使用量裝上“監控眼”2026-09-02 11:14
AI 編碼 Agent 從原理到可運行代碼2026-09-02 11:11
AI到底聰明在哪——從手機人臉識別說起2026-09-02 10:35
感謝艾思科藍成為博客園讚助商2026-09-02 09:46
"Mem2Evolve: Towards Self2026-09-02 09:42
k8s安裝metrics2026-09-02 09:40
大模型RAG實戰 ，從被罵不靠譜到成為部門MVP，這是我的踩坑全記錄2026-09-02 09:40
經常用 Codex 後，我發現 AGENTS.md 隻該管一件事2026-09-02 09:35
