<i id='C2C03359B3'><strike id='C2C03359B3'><tt id='C2C03359B3'><pre id='C2C03359B3'></pre></tt></strike></i> 您的当前位置：首页 > 焦點 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-02 13:58:16 来源：网络整理 编辑：焦點
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。
光說數據可能還不夠直觀 。多厉但错多
最後一個問題 ，害快
原型開發和快速驗證 。
這和人類記憶力有限是多厉但错多一個道理——隻不過 AI 的"記憶"不是真正的記憶 ，讓我們慢慢拆解 。害快
他們找了 16 名經驗豐富的写代開源開發者——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。它描述的多厉但错多是一種全新的編程方式：你不寫代碼 ，實際慢了 19%。害快遇到一個看不懂的写代報錯信息 ？丟給 AI。窗口之外的多厉但错多內容就像不存在一樣 。業界的害快經驗顯示 ，說明質量確實達到了可用水平 。写代翻譯如此 ，多厉但错多CodeRabbit 的害快數據最直觀 ：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 ，
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，不是因為自己不會寫 ，直接讀這篇也沒問題 。
編程的本質不是寫語法 ，
編程語言不像人類語言那樣模糊。這些是模式匹配的完美場景——模式極其明確 ，
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" 。為自己的社區建了一個資源共享應用 。數據充足 、會發現這不隻是編程的事 。企業對財務分析的需求因此暴漲 。會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。發現了很多有意思的東西 ，
這意味著什麽 ？不是程序員變少了 ，擁抱指數級增長 ，說說想法 、Signal Fire 的報告顯示 ，
業務邏輯判斷。AI 生成的代碼需要大量的檢查 、 這是 「AI是怎麽回事」係列的第 15 篇
。測試生成和代碼審查這些關鍵任務中
， 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，在大多數場景下這沒問題。
編程中有大量高度固定的模式 ：數據庫連接 、會計師的工作從"算數"轉向了"分析和決策"——更有價值 、如果你想學編程 ，即可訂閱 。"
讓我用一張表來總結 ，跑跑程序 、BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，而是"隻會寫代碼"的崗位在減少，而且這些代碼中 88% 被保留在了最終版本裏 ，而編程恰好是三個條件全滿的黃金場景 。迭代而非一次到位、
先來拆解"滿"在哪 。其實藏著很深的含義 。
互聯網上有海量的公開代碼 。但做的不是你想要的） 。
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》 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，把報錯信息複製給 AI ，而且 AI 係統本身也需要大量的開發者來構建和維護 。他們怎麽使用產品、需要人來做 。正確的使用方式就清晰了。驗證大於信任 、直接全部接受 。
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。它就不完整了。
性能優化 。好在這方麵已經有了大量公開的研究數據，有四分之一的代碼庫幾乎完全由 AI 生成 。然後對照 AI 生成的代碼來學習 。幾百行代碼時 ，使用 AI 後 ，分析了 470 個開源項目的代碼提交 。AI 就幫她生成了可用的程序。讓我們來看看 AI 編程在實際中長什麽樣 。它和 AI 識別人臉（第 1 篇） 、到 2025 年底估值達到約 90 億美元 。在代碼重構 、
先從一句話說起 。他們仍然覺得 AI 讓自己快了 20%。AI 不知道你的用戶是誰 、主要級別的問題多了 1.7 倍
如果你再仔細想想 ，
這背後的道理，它在 A 文件裏把日期格式定義為"2025-01-15" ，可以被自動化 。
當一個項目隻有幾個文件 、連看都不看 。她不是程序員 ，而是用語音跟 AI 說話 。結果是：
使用 AI 工具的開發者反而慢了 19% 。
美國勞工統計局（BLS）預測 ，但因為"敲代碼"這個動作本身確實變快了 ，這不隻是頂級 AI 專家才能做的事 。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，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 ，
但如果故事在這裏結束 ，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，窗口裝不下的 ，忘記代碼的存在……我就是看看效果 、但如果 AI 能寫代碼 ，恰好在 AI 的能力範圍之內 。拆開了 AI 的黑箱，
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 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、
修 bug 和理解報錯 。寫作如此 ，這個係列就是我的探索筆記，幾乎所有 AI 擅長的領域都如此 。它不知道你的用戶是誰 ，
自己覺得快了 20% ，然後它就大概能用了 。你可以告訴 AI"用 JavaScript 實現這個功能" ，"
VibeCoding——這個詞後來入選了維基百科詞條 。能跑就行。AI 不知道這個區別 ，它從訓練數據中匹配最常見的代碼模式，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，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
， 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 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，
最有趣的一個實驗以上三個問題疊加在一起，
所以， 代碼能不能跑 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、歡迎關注我 ，軟件開發崗位到 2033 年將增長約 17% ，AI 來實現 。 AI 編程工具和電子表格是同一個故事的新版本 。而不是精確的 45.3 。給你一個盡可能完整的回答。 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 ，兩邊不一致，不是"解決問題"這個能力 。遇到報錯 ，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，直到搬到馬尼拉才第一次接觸電腦 。 寫重複性的樣板代碼 。"通常這樣就修好了" 。 第三 ， 先看長期趨勢：整體需求在增長 。 2023 年 1 月 ，電子表格軟件（如 Excel）普及後 ， 一句話回顧AI 讓寫代碼快了 55% ，讓 AI 來寫，代碼提交量提升了 8.69%，我一直很好奇 AI 到底是怎麽工作的 ，但會計行業不僅沒有萎縮 ， 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，開發者產生了"我變快了"的錯覺 。不變的是對邏輯的思考 。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 ， 比如 ，決定不同功能之間怎麽配合、當 AI 編程從"周末小項目"走向真實世界時 ，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 ， 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 ，考慮到用戶可能遇到的各種情況、結果可驗證時 ，AI 給出的東西怎麽改都不對 。 數字背後的驅動力 ，這簡直是完美的工作對象。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 ，模式匹配在這裏力不從心。很多人預言會計職業將會消亡 。任何有經驗的程序員都知道，這是 AI 編程最隱蔽的陷阱 。它就顧不上了 。不知道你的產品邏輯 ，AI 的局限就暴露了 。" 這條推文被超過 900 萬人看到。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 。 學習新語言和新框架。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 ，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 ，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，但處理金額時 ，不像寫散文——好壞見仁見智。函數必須有輸入和輸出。而不是對你業務的理解 。AI 理解他的意思後 ，AI 寫的每一行代碼，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 ，什麽行為對他們來說是合理的 。需要把金額加在一起 ，得花好一會兒 。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 。你來檢查 。讓我們一起認真聊聊這個問題 。一旦項目變大 、這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。調試和修改 。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 。而暴露出來的永遠是那個"真正需要人的思考"的部分。"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 、"能駕馭 AI"的崗位在增加 。這和第 14 篇的四條原則完全一致——不是巧合， 2025 年 7 月 ， 代碼語法是模式，CodeRabbit 報告顯示 ， 但這裏有一個關鍵的轉變 。那不會編程的人是不是也能"寫"代碼了 ？ 今天 ，你來 。AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。模式匹配的部分被自動化了 ，不是在"理解你要什麽" 。但更高的生產力會降低軟件的開發成本，當 AI 處理了語法層麵的事情後 ，寫代碼恰好就是 。 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 ，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 ， Part3 ：模式匹配器寫代碼，
上一篇 ，訓練數據極其豐富 。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》 ， 非程序員的真實案例更令人驚訝的是 ， AI 降低了編程的入口，遠超所有職業平均 4% 的增長率 。要麽報錯 。入門更容易了 ，約束和取舍 。模式匹配器就能發揮最大威力。 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 、他在做一個他自己都不完全看懂的程序——但程序跑起來了。沒有兩個項目的架構是完全相同的 ，" 他這句輕描淡寫的話，AI 寫代碼不是什麽"魔法" 。它有嚴格的語法規則 ：IF 後麵必須跟條件，連鍵盤都很少碰。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說， 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 。不確定可不可行？讓 AI 先做一個粗糙版本出來 ，做獨特判斷的部分 ，遇到報錯 ？把錯誤信息直接複製給 AI ，接口定義 、而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，這可能是 AI 編程給我們最大的啟示。用 AI 放大你的優勢而非替代你的思考。會發生什麽。 分界線在哪 ？就是三問判斷法 。AI 生成的代碼改動？他全部直接接受 ，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 ，有趣的是，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 。模式極其明確 。而是因為 AI 寫得又快又好。AI 來生成代碼 。 第一次看到這個係列？從第1篇開始最順暢 ， 問題一
：表麵能跑
，結果容易驗證
。讓代碼"能跑"容易，編程真正的難點反而暴露出來了——邏輯思考 。她隻是用日常語言描述了她的需求
，超過 77000 家企業和組織都在使用它 。覺得不錯的話 ，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 ，處理金額應該用整數（以"分"為單位計算） 。 | ||
| 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 ，不代表代碼正確。歡迎分享+關注
。246 個任務做下來 ，"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 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，for 後麵必須跟循環變量
，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 ，兩年後的 2025 年 2 月 ， 斯坦福數字經濟實驗室的研究發現 ，因為電子表格讓財務分析變得更快更便宜 ，我花了不少時間去找到並撤銷這些改動 。但要做好，模式明確 、" 換句話說 ，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 。Qodo 的調查顯示 ，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 ：
|
這三個問題不是意外。一試便知 。但實際測量的結果是——慢了 19% 。
如果覺得有意思 ，超過 1.5 億開發者在上麵協作 。
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 ，不需要完美 ，直接修改代碼文件 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。而是想清楚要做什麽 。結果發現：
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 。他又發了一條更具體的推文：
"有一種新的編程方式 ，畫出了它的能力邊界 ，
但短期有一個值得關注的信號 ：入門級崗位在收縮 。AI 自動化掉的永遠是那個"模式匹配"的部分，
第一 ，沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
如果你之前因為"語法太難記"而對編程望而卻步 ，也是 AI 幫不了你的部分 。而是當前對話窗口裏的文字 。原型開發時間可以縮短 50% 到 70% 。我查了大量數據 ，代碼合並率提升了 11% ，
曆史給了我們一個有用的類比 。後續文章也會持續更新。它消滅的是"手敲代碼語法"這個動作 ，AI 替代的是"敲代碼"這個動作 ，訓練數據極其充足 。代碼量小 ，比幾乎任何其他領域都要豐富 。你甚至不需要看懂代碼——看結果就行 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。但內在邏輯有問題。讓我們一起來探索這個問題 。也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇 ，可驗證的部分交給 AI；需要理解具體場景 、這是典型的模式匹配強項 。所有代碼都在遵循這些規則——形成了極其規整的模式 。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" ，需求變複雜 ，仍然需要深入的思考能力 。每種編程語言都像一本規則手冊，三問判斷法三項全滿的任務是 AI 的黃金場景 。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。AI 時代的好消息是 ：語法門檻確實大幅降低了 。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） ，依據的是訓練數據中的統計模式 ，還一起看了它在編程這個最擅長的領域裏的表現和局限 。平均用時 1 小時 11 分鍾 ，但沒有降低編程的天花板 。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 。Andrej Karpathy（OpenAI 聯合創始人 、
在菲律賓 ，
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，
在 .NET 上構建超大托管數組2026-09-02 13:57
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 13:29
AI 寫代碼有多厲害？——快了 55% ，但錯多了 75%2026-09-02 13:05
AI 寫代碼有多厲害？——快了 55%，但錯多了 75%2026-09-02 13:03
AI 寫代碼有多厲害？——快了 55% ，但錯多了 75%2026-09-02 12:42
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 12:36
這才是未來的“openclaw”2026-09-02 12:31
OpenClaw 技術解構：從 WhatsApp 聊天機器人到 AI 操作係統2026-09-02 12:28
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 11:55
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 11:55
.NET 11 Runtime Async 詳解2026-09-02 13:50
AI到底聰明在哪——從手機人臉識別說起2026-09-02 13:33
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 13:25
AI到底聰明在哪——從手機人臉識別說起2026-09-02 13:07
在 .NET 上構建超大托管數組2026-09-02 13:05
OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統2026-09-02 12:26
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 12:22
AI到底聰明在哪——從手機人臉識別說起2026-09-02 12:17
在 .NET 上構建超大托管數組2026-09-02 12:04
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 12:02
