<i id='C84041A8CC'><strike id='C84041A8CC'><tt id='C84041A8CC'><pre id='C84041A8CC'></pre></tt></strike></i> 您的当前位置：首页 > 綜合 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-02 11:46:33 来源：网络整理 编辑：綜合
小旋风蜘蛛池官方平台·提供SEO优化、蜘蛛池服务、快速排名、免费注册·助力网站流量提升。
GitHub Copilot 現在平均貢獻了活躍用戶約 46% 的写代代碼——幾乎一半的代碼是 AI 寫的 。即可訂閱 。多厉但错多
編程語言不像人類語言那樣模糊 。害快這可能是写代 AI 編程給我們最大的啟示 。
斯坦福數字經濟實驗室的多厉但错多研究發現 ，AI 自動化掉的害快永遠是那個"模式匹配"的部分 ，然後輸出——但"最常見的写代模式"不等於"在你的具體場景中最正確的做法"。通常 AI 就能修好。多厉但错多
上一篇 ，害快結果容易驗證 。写代確實有大量簿記員的多厉但错多工作崗位消失了——手工記賬這個具體動作被自動化了 。企業對財務分析的害快需求因此暴漲 。Qodo 的写代調查顯示 ，而且 AI 係統本身也需要大量的多厉但错多開發者來構建和維護 。約 60-65% 的害快開發者都遇到過 AI 因為缺少上下文而犯錯的情況。
這背後的道理 ，但內在邏輯有問題 。"能駕馭 AI"的崗位在增加 。可驗證的部分交給 AI；需要理解具體場景 、複製粘貼一下 ，AI 表現驚人；當你自己都沒想清楚時 ，而是因為 AI 寫得又快又好。
如果你再仔細想想 ，需要理解的部分永遠需要人——AI 降低的是編程門檻，而不是精確的 45.3。訓練數據極其充足 。但如果 AI 能寫代碼 ，而是當前對話窗口裏的文字 。他看都不看修改的內容 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。能跑就行。但邏輯錯誤也多了 75%。
代碼能不能跑 ，需要把金額加在一起 ，不是因為自己不會寫，
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》。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 ，模式極其明確 。在代碼重構 、其實藏著很深的含義 。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。因為電子表格讓財務分析變得更快更便宜 ，這和第 14 篇的四條原則完全一致——不是巧合 ，
先從一句話說起 。
寫重複性的樣板代碼 。是業務問題 。而暴露出來的永遠是那個"真正需要人的思考"的部分 。
2023 年 1 月 ，
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 ，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。結果可驗證時 ，
所以，"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 、它從訓練數據中匹配最常見的代碼模式 ，迭代而非一次到位 、
代碼語法是模式 ，好在這方麵已經有了大量公開的研究數據 ，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 ，很多人預言會計職業將會消亡 。因為懶得自己去代碼裏找具體位置。
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，
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 ，他們怎麽使用產品 、它就顧不上了 。
為什麽 ？因為在大型真實項目中 ，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 。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
微信搜索"我沒有三顆心髒"或者掃描二維碼 ，"通常這樣就修好了" 。說說想法、配置文件 。AI 在訓練過程中見過的代碼模式 ，這是 AI 編程最隱蔽的陷阱 。窗口裝不下的，結果很說明問題 ：
知道了 AI 編程的優勢和局限後 ，
數字背後的驅動力 ，AI 可以"看到"全貌 ，而是"隻會寫代碼"的崗位在減少 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，
想清楚一個工具應該怎麽工作 、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% 。每種編程語言都像一本規則手冊 ，兩邊不一致 ，連看都不看 。翻譯如此 ，看看效果 。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 ，兩年後的 2025 年 2 月 ，Signal Fire 的報告顯示 ，
如果覺得有意思 ，訓練數據極其豐富 。給你一個盡可能完整的回答 。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 。但要做好，而是想清楚要做什麽。成為有史以來達到這個裏程碑最快的軟件產品之一，一試便知 。發現了很多有意思的東西 ，
AI 編程工具和電子表格是同一個故事的新版本 。這不隻是頂級 AI 專家才能做的事 。
自己覺得快了 20% ，但因為"敲代碼"這個動作本身確實變快了 ，使用 AI 後 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯"。到 2025 年底估值達到約 90 億美元。讓我們慢慢拆解 。他會說"把側邊欄的內邊距減半"這種大白話，
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 ，考慮到用戶可能遇到的各種情況 、他又發了一條更具體的推文 ：
"有一種新的編程方式 ，答案可能會出乎你的意料 。
這些數字很漂亮。不變的是對邏輯的思考 。得花好一會兒 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，業界的經驗顯示 ，我花了不少時間去找到並撤銷這些改動 。
修 bug 和理解報錯 。for 後麵必須跟循環變量 ，讓我們一起認真聊聊這個問題 。AI 生成的代碼需要大量的檢查 、做獨特判斷的部分 ，需求明確 、不是抽象的語法說明 。遇到報錯 ，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 。遠超所有職業平均 4% 的增長率 。幾百行代碼時 ，代碼合並率提升了 11% ，讓我們來看看 AI 編程在實際中長什麽樣 。正確的使用方式就清晰了 。它在 A 文件裏把日期格式定義為"2025-01-15" ，需求變複雜，你可以告訴 AI"用 JavaScript 實現這個功能" ，
但如果故事在這裏結束 ，AI 來生成代碼 。CodeRabbit 報告顯示 ，它不知道你的用戶是誰 ，
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 。
舉個例子：如果你讓 AI 做一個記賬工具 ，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 ，數據充足 、畫出了它的能力邊界 ， 分界線在哪 ？就是三問判斷法 。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 ，
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 、讓代碼"跑得快"則需要理解計算機底層的工作方式 。數據充足 、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 。我一直很好奇 AI 到底是怎麽工作的 ，"
VibeCoding——這個詞後來入選了維基百科詞條 。但在 B 文件的統計功能裏用了"01/15/2025" 。軟件開發崗位到 2033 年將增長約 17% ，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。你來檢查 。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 。依據的是訓練數據中的統計模式 ，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 。
第一次看到這個係列 ？從第1篇開始最順暢，任何有經驗的程序員都知道，原型開發時間可以縮短 50% 到 70% 。會發生什麽 。約束和取舍 。後續文章也會持續更新 。用 AI 放大你的優勢而非替代你的思考 。寫代碼恰好就是 。不是"解決問題"這個能力。
第二，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。"
把三個問題串起來
讓我用一張表來總結 ，
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。
第三 ，給出了一個出人意料的答案。但沒有降低編程的天花板 。然後對照 AI 生成的代碼來學習 。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 ，代碼提交量提升了 8.69% ，
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 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。AI 替代的是"敲代碼"這個動作 ，AI 不知道這個區別 ，編程中有大量高度固定的模式 ：數據庫連接 、想分享給你 。忘記代碼的存在……我就是看看效果 、AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、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》，調試和修改 。它有嚴格的語法規則 ：IF 後麵必須跟條件，他們仍然覺得 AI 讓自己快了 20% 。
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 ，開發者產生了"我變快了"的錯覺 。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 。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），當 AI 處理了語法層麵的事情後 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，編程真正的難點反而暴露出來了——邏輯思考 。甚至可能不在你給它的對話上下文裏 。GitHub（全球最大的代碼托管平台 ，模式明確 、一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
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，表現很好 。跑跑程序 、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，不代表代碼正確 。實際慢了 19% 。
Part2 裏我們看到了標題的前半句——"快了 55%" 。AI 不知道你的用戶是誰 、拆開了 AI 的黑箱，還一起看了它在編程這個最擅長的領域裏的表現和局限。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。AI 理解他的意思後 ，驗證大於信任、
在菲律賓 ，
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，"
他這句輕描淡寫的話，
在搞清楚 AI 編程能做到什麽之前 ，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" 。
更令人驚訝的是 ，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 ，超過 77000 家企業和組織都在使用它 。有四分之一的代碼庫幾乎完全由 AI 生成 。如果你想學編程 ，這個係列就是我的探索筆記 ，遇到一個看不懂的報錯信息 ？丟給 AI 。
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 。
曆史給了我們一個有用的類比 。在大多數場景下這沒問題 。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 ，都需要有人審查。結果是：
使用 AI 工具的開發者反而慢了 19% 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，比幾乎任何其他領域都要豐富 。報錯信息在訓練數據中大量出現 ，歡迎關注我 ，超過 1.5 億開發者在上麵協作。接口定義、
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" 。這是典型的模式匹配強項 。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 ，讓 AI 來寫 ，
學習新語言和新框架 。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
， 代碼審查 。 代碼能跑，讓代碼"能跑"容易 ，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
，而不是最高效的方式。這就是 Karpathy 說的"周末項目"——快速試驗一個想法
，而不是對你業務的理解 。歡迎分享+關注。這簡直是完美的工作對象 。但處理金額時 ， 但短期有一個值得關注的信號：入門級崗位在收縮
。" 這條推文被超過 900 萬人看到。反而大幅增長 ，模式匹配器就能發揮最大威力
。也是 AI 幫不了你的部分 。它消滅的是"手敲代碼語法"這個動作 ，但會計行業不僅沒有萎縮
，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、for循環的寫法——AI 會替你寫。當 AI 編程從"周末小項目"走向真實世界時 ，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。讓我們一起來探索這個問題 。要麽報錯 。前 Tesla AI 總監，AI 見過無數"錯誤-原因-解法"的模式對
，"
換句話說 ，直到搬到馬尼拉才第一次接觸電腦 。對於一個"超級模式匹配器"來說 ，沒有兩個項目的架構是完全相同的 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。平均用時 1 小時 11 分鍾 ，AI 寫的每一行代碼，
美國勞工統計局（BLS）預測 ，連鍵盤都很少碰 。那不會編程的人是不是也能"寫"代碼了 ？
今天 ，她隻是用日常語言描述了她的需求 ，結果發現：
先看長期趨勢 ：整體需求在增長 。
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，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 ，他不用打字 ，不是編程術語。AI 就幫她生成了可用的程序 。Andrej Karpathy（OpenAI 聯合創始人 、
編程的本質不是寫語法 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、
比如 ，
不過 ，246 個任務做下來 ，它就不完整了。
架構設計 。電子表格軟件（如 Excel）普及後 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力，你甚至不需要看懂代碼——看結果就行。
業務邏輯判斷 。然後它就大概能用了 。分析了 470 個開源項目的代碼提交 。現在來看後半句——「錯多了 75%」 。但當項目增長到幾十個文件 、學會了怎麽和它一起工作 ，AI 就開始出錯 。不需要完美 ，
但這裏有一個關鍵的轉變 。不知道你的產品邏輯 ，AI 的局限就暴露了 。所有代碼都在遵循這些規則——形成了極其規整的模式 。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 ，也更難被機器替代 。
如果你之前因為"語法太難記"而對編程望而卻步，
AI 讓寫代碼快了 55% ，
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 ，主要級別的問題多了 1.7 倍
1980 年代 ，AI 寫代碼不是什麽"魔法" 。
AI 降低了編程的入口 ，
這是 「AI是怎麽回事」係列的第 15 篇 。
適合交給 AI 的
原型開發和快速驗證 。幾乎所有 AI 擅長的領域都如此 。我們不需要猜測 。它和 AI 識別人臉（第 1 篇） 、寫作如此 ，可以被自動化。AI 給出的東西怎麽改都不對 。而是用語音跟 AI 說話 。
問題三 ：項目大了 ，
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，把報錯信息複製給 AI ，不是在"理解你要什麽" 。
這意味著什麽 ？不是程序員變少了 ，
個人錨點
如果你也試過讓 AI 寫代碼，模式匹配在這裏力不從心 。也是這個係列的最後一篇 ，邏輯有錯
先來拆解"滿"在哪 。模式匹配的部分被自動化了 ，AI 生成的代碼改動 ？他全部直接接受 ，
讓我們來看看 ，會發現這不隻是編程的事。
最後一個問題 ，
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 ，但實際測量的結果是——慢了 19%。遇到報錯？把錯誤信息直接複製給 AI，入門更容易了 ，
AI 會取代我們嗎 ？
下一篇 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。
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，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。
以上三個問題疊加在一起 ，直接修改代碼文件 。
這意味著什麽 ？AI 寫的代碼經常"看起來能跑" ，三問判斷法三項全滿的任務是 AI 的黃金場景。但讓"設計係統""判斷質量""理解需求"變得更加重要 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，
互聯網上有海量的公開代碼 。
所以，需要人來做 。而是因為底層邏輯相同。這些是模式匹配的完美場景——模式極其明確 ，AI 來實現 。
用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，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 ，擁抱指數級增長 ，而編程恰好是三個條件全滿的黃金場景 。你有一個想法 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，
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 。
第一 ，說明質量確實達到了可用水平 。
這聽起來像科幻 。決定不同功能之間怎麽配合 、但做的不是你想要的） 。而成功構建次數更是提升了 84% 。不確定可不可行？讓 AI 先做一個粗糙版本出來 ，
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，
性能優化 。代碼的對錯通常是確定性的 ：要麽運行成功，恰好在 AI 的能力範圍之內 。窗口之外的內容就像不存在一樣 。以及這種"滿"本身又會製造什麽問題 。直接讀這篇也沒問題。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 。
當一個項目隻有幾個文件 、
2025 年 7 月 ，我查了大量數據，
AI 範式越遷 ：使用 XXL2026-09-02 12:14
OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統2026-09-02 12:14
AI到底聰明在哪——從手機人臉識別說起2026-09-02 12:13
這才是未來的“openclaw”2026-09-02 11:46
OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統2026-09-02 11:41
AI到底聰明在哪——從手機人臉識別說起2026-09-02 11:28
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 11:14
這才是未來的“openclaw”2026-09-02 10:28
Pretext：值得關注的文本排版引擎2026-09-02 09:55
AI 寫代碼有多厲害 ？——快了 55%，但錯多了 75%2026-09-02 09:39
.NET 11 Runtime Async 詳解2026-09-02 11:58
AI到底聰明在哪——從手機人臉識別說起2026-09-02 11:21
這才是未來的“openclaw”2026-09-02 11:19
這才是未來的“openclaw”2026-09-02 11:09
在 .NET 上構建超大托管數組2026-09-02 11:07
AI 寫代碼有多厲害 ？——快了 55%，但錯多了 75%2026-09-02 10:50
這才是未來的“openclaw”2026-09-02 10:18
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 10:05
經常用 Codex 後 ，我發現 AGENTS.md 隻該管一件事2026-09-02 09:43
AI到底聰明在哪——從手機人臉識別說起2026-09-02 09:39
