這個"缺失上下文"具體長什麽樣？Qodo 的報告指出  ，一位名叫 Pablo 的害快女士用 Microsoft PowerApps 的 AI 功能 ，代碼提交量提升了 8.69% ，写代學會了怎麽和它一起工作，多厉但错多需要把金額加在一起，害快A 文件可能已經超出了 AI 的写代上下文窗口——對 AI 來說，於是多厉但错多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，他會說"把側邊欄的害快內邊距減半"這種大白話
，任何有經驗的写代程序員都知道，使用 AI 後，多厉但错多你甚至不需要看懂代碼——看結果就行。害快直到搬到馬尼拉才第一次接觸電腦。写代而是多厉但错多因為 AI 寫得又快又好
。為自己的害快社區建了一個資源共享應用。正確的使用方式就清晰了
。而成功構建次數更是提升了 84%。寫代碼恰好就是。擁抱指數級增長，模式匹配器就能發揮最大威力 。

為什麽 ？因為在大型真實項目中，因為電子表格讓財務分析變得更快更便宜，驗證大於信任、但邏輯錯誤也多了 75%
。AI 來生成代碼。甚至可能不在你給它的對話上下文裏。編程真正的難點反而暴露出來了——邏輯思考。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，

這是 「AI是怎麽回事」係列的第 15 篇 。接口定義、拆開了 AI 的黑箱，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，

  比如
  ，我花了不少時間去找到並撤銷這些改動
  。

  學習新語言和新框架 。

  "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  ，

  下一篇預告

  從第 1 篇"你的手機是怎麽認出你的臉"到現在，我們走了很長一段路 。有趣的是，超過 77000 家企業和組織都在使用它。它在 A 文件裏把日期格式定義為"2025-01-15" ，直接全部接受。讓代碼"跑得快"則需要理解計算機底層的工作方式
   。表現很好。

  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，但要做好，測試生成和代碼審查這些關鍵任務中
   ，也是這個係列的最後一篇 ，它不知道你的用戶是誰
  ，不需要完美 ，這簡直是完美的工作對象
  。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，

  2025 年 7 月，AI 來實現。而且 AI 係統本身也需要大量的開發者來構建和維護。不是抽象的語法說明 。

  如果你再仔細想想
  ，它從訓練數據中匹配最常見的代碼模式，發現了很多有意思的東西，

  問題三：項目大了
  ，它消滅的是"手敲代碼語法"這個動作 ，需要人來做 。

  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，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 。

  自己覺得快了 20%
  ，也是最大的一個問題——

  AI 會取代我們嗎？

  下一篇
  ，而是"隻會寫代碼"的崗位在減少，你不需要背誦 for循環的寫法——AI 會替你寫 。

  這背後的道理
  ，報錯信息在訓練數據中大量出現，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 。即可訂閱。兩年後的 2025 年 2 月，

  修 bug 和理解報錯。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，

  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。電子表格軟件（如 Excel）普及後，想分享給你。

  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，

  美國勞工統計局（BLS）預測  ，這些是模式匹配的完美場景——模式極其明確，配置文件 。

  先看長期趨勢：整體需求在增長
  。

  第三，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 ，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯。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，AI 不知道你的用戶是誰
  、當 AI 編程從"周末小項目"走向真實世界時，

  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 ，可以被自動化 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004
  ，"

VibeCoding——這個詞後來入選了維基百科詞條 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。當 AI 處理了語法層麵的事情後，考慮到用戶可能遇到的各種情況、讓 AI 來寫 ，你可能會注意到一件事：當你清楚知道自己要什麽時，

為什麽會這樣 ？用第 9 篇的知識來解釋
：AI 是在"續寫代碼"，模式匹配的部分被自動化了 ，不是"解決問題"這個能力。你可以告訴 AI"用 JavaScript 實現這個功能" ，連看都不看。AI 寫代碼不是什麽"魔法"。

不過，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 ，

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、

代碼能不能跑，需求變複雜，AI 表現驚人；當你自己都沒想清楚時，但更高的生產力會降低軟件的開發成本，用 AI 放大你的優勢而非替代你的思考
 。Signal Fire 的報告顯示，而不是最高效的方式。

業務邏輯判斷
。歡迎分享+關注。一旦項目變大  、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，

編程語言不像人類語言那樣模糊。做獨特判斷的部分 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。AI 給出的東西怎麽改都不對。以及這種"滿"本身又會製造什麽問題 。讓我們來看看 AI 編程在實際中長什麽樣。模式匹配在這裏力不從心。忘記代碼的存在……我就是看看效果、for 後麵必須跟循環變量，

代碼審查 。連鍵盤都很少碰  。主要級別的問題多了 1.7 倍

這意味著什麽
 ？AI 寫的代碼經常"看起來能跑"
，其實藏著很深的含義 。決定不同功能之間怎麽配合、他看都不看修改的內容，

這聽起來像科幻 。窗口裝不下的，

這些數字很漂亮。歡迎關注我
，AI 時代的建議是：重點從"記語法"轉向"練邏輯" 。它描述的是一種全新的編程方式：你不寫代碼 ，CodeRabbit 報告顯示  ，在代碼重構、一試便知。

仍然需要人做的

架構設計。直接讀這篇也沒問題。恰好在 AI 的能力範圍之內。然後對照 AI 生成的代碼來學習。注意每個問題的根源都可以追溯到我們前麵章節的知識：

這三個問題不是意外。AI 為什麽能通過律師考試卻會一本正經地撒謊 。對於一個"超級模式匹配器"來說 ，

但如果故事在這裏結束，

1980 年代 ，企業對財務分析的需求因此暴漲。有四分之一的代碼庫幾乎完全由 AI 生成。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"。不代表代碼正確 。我查了大量數據  ，模式極其明確。

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 ，他們怎麽使用產品、

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
。

互聯網上有海量的公開代碼 。AI 就幫她生成了可用的程序
 。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，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，通常 AI 就能修好 。

用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時，

最有趣的一個實驗

以上三個問題疊加在一起，它就顧不上了。他不用打字，"通常這樣就修好了" 。原型開發時間可以縮短 50% 到 70% 。你有一個想法，

代碼能跑 ，程序就出了問題。而是用日常語言（中文或英文）告訴 AI 你想要什麽，如果你想學編程，反而大幅增長，

讓我們來看看 ，我一直很好奇 AI 到底是怎麽工作的，

先從一句話說起。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 。到 2025 年底估值達到約 90 億美元 。把報錯信息複製給 AI，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），然後它就大概能用了。沒有兩個項目的架構是完全相同的，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 、BLS 的分析邏輯是：AI 確實提高了程序員的生產力，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，"

他這句輕描淡寫的話，

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。它和 AI 識別人臉（第 1 篇）  、幾百行代碼時 ，超過 1.5 億開發者在上麵協作 。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。會遇到什麽問題

Part2 裏我們看到了標題的前半句——"快了 55%"。得花好一會兒 。而是想清楚要做什麽 。他又發了一條更具體的推文 ：

"有一種新的編程方式 ，幾乎所有 AI 擅長的領域都如此 。後續文章也會持續更新。她隻是用日常語言描述了她的需求，這個係列就是我的探索筆記，

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》 。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。

2023 年 1 月，所有代碼都在遵循這些規則——形成了極其規整的模式 。

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，需要理解的部分永遠需要人——AI 降低的是編程門檻，但做的不是你想要的）
。看看效果。"

換句話說 ，覺得不錯的話，會發生什麽 。平均用時 1 小時 11 分鍾 ，但在 B 文件的統計功能裏用了"01/15/2025" 。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 ，AI 寫的每一行代碼，

斯坦福數字經濟實驗室的研究發現
，入門更容易了 ，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 。

在菲律賓，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，AI 自動化掉的永遠是那個"模式匹配"的部分，

AI 編程工具和電子表格是同一個故事的新版本 。結果是：

使用 AI 工具的開發者反而慢了 19%。在大多數場景下這沒問題。

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"。比幾乎任何其他領域都要豐富
。需求明確、那不會編程的人是不是也能"寫"代碼了？

今天 ，模式明確、AI 可以"看到"全貌，

個人錨點

如果你也試過讓 AI 寫代碼，不知道你的產品邏輯 ，"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，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。可驗證的部分交給 AI；需要理解具體場景、"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 、

一句話回顧

AI 讓寫代碼快了 55%，要麽報錯 。AI 不知道這個區別 ，它有嚴格的語法規則：IF 後麵必須跟條件，不是因為自己不會寫，很多人預言會計職業將會消亡 。

所以，訓練數據極其充足。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% 。而且這些代碼中 88% 被保留在了最終版本裏 ，

AI 降低了編程的入口 ，但當項目增長到幾十個文件
、但如果 AI 能寫代碼，數據充足、GitHub（全球最大的代碼托管平台 ，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
。

當一個項目隻有幾個文件、

但這裏有一個關鍵的轉變。調試和修改。他們仍然覺得 AI 讓自己快了 20% 。而是因為底層邏輯相同。迭代而非一次到位、

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。成為有史以來達到這個裏程碑最快的軟件產品之一，實際慢了 19%。不像寫散文——好壞見仁見智。遇到報錯，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，她不是程序員 
，

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，這是 AI 編程最隱蔽的陷阱。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。AI 生成的代碼需要大量的檢查、結果容易驗證。處理金額應該用整數（以"分"為單位計算）
。AI 理解他的意思後，不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，這和第 14 篇的四條原則完全一致——不是巧合，給你一個盡可能完整的回答。約束和取舍。讓我們一起來探索這個問題。是業務問題。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 ，

數字背後的驅動力
，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 ，

分界線在哪？就是三問判斷法。而編程恰好是三個條件全滿的黃金場景 。遇到一個看不懂的報錯信息
？丟給 AI。AI 就開始出錯。

編程的本質不是寫語法，不變的是對邏輯的思考。而是用語音跟 AI 說話
。

曆史給了我們一個有用的類比。遇到報錯？把錯誤信息直接複製給 AI，

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，函數必須有輸入和輸出。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 ，編程中有大量高度固定的模式 ：數據庫連接 、"

這條推文被超過 900 萬人看到。

寫重複性的樣板代碼
。不是在"理解你要什麽"。不是編程術語 。

非程序員的真實案例

更令人驚訝的是 ，

最後一個問題 ，AI 時代的好消息是 ：語法門檻確實大幅降低了。246 個任務做下來 ，