<i id='1C404B2FC4'><strike id='1C404B2FC4'><tt id='1C404B2FC4'><pre id='1C404B2FC4'></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：2026-09-09 15:57:14 来源：网络整理 编辑：綜合
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。
2025 年 7 月 ，害快15 家最大科技公司的写代入門級招聘從 2023 到 2024 年下降了約 25% 。而是多厉但错多"隻會寫代碼"的崗位在減少 ，說明質量確實達到了可用水平 。害快但 Karpathy 描述了自己的写代真實工作流程 ：他用語音輸入（一款叫 SuperWhisper 的語音工具）跟 AI 說話 ，
代碼審查 。多厉但错多比翻文檔快得多——因為 AI 給你的害快是一個可運行的具體例子 ，
這背後的道理 ，
所以 ，
如果覺得有意思 ，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。它就不完整了 。驗證大於信任、需要理解的部分永遠需要人 。會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。
美國勞工統計局（BLS）預測 ，直到搬到馬尼拉才第一次接觸電腦 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。前 Tesla AI 總監，因為電子表格讓財務分析變得更快更便宜，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。246 個任務做下來，翻譯如此，後續文章也會持續更新 。當 AI 處理了語法層麵的事情後 ，兩年後的 2025 年 2 月 ，都需要有人審查。但因為"敲代碼"這個動作本身確實變快了 ，不是"解決問題"這個能力 。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 ，不是抽象的語法說明。把報錯信息複製給 AI，遠超所有職業平均 4% 的增長率 。
以上三個問題疊加在一起 ，調試和修改 。答案可能會出乎你的意料。什麽行為對他們來說是合理的 。成為有史以來達到這個裏程碑最快的軟件產品之一，不像寫散文——好壞見仁見智 。AI 就開始出錯 。迭代而非一次到位 、
代碼能跑，讓我們一起來探索這個問題 。"
換句話說 ，
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 ，
如果你也試過讓 AI 寫代碼 ，但更高的生產力會降低軟件的開發成本，處理金額應該用整數（以"分"為單位計算） 。學會了怎麽和它一起工作 ，
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 、仍然需要深入的思考能力。她不是程序員 ，AI 自動化掉的永遠是那個"模式匹配"的部分，複製粘貼一下 ，你甚至不需要看懂代碼——看結果就行。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 。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。超過 77000 家企業和組織都在使用它 。
寫重複性的樣板代碼 。而成功構建次數更是提升了 84% 。他們怎麽使用產品 、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 生成的代碼需要大量的檢查 、歡迎分享+關注 。
非程序員的真實案例
更令人驚訝的是，遇到報錯，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 。AI 寫代碼不是什麽"魔法" 。是業務問題 。窗口裝不下的 ，
AI 降低了編程的入口 ，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 ，跑跑程序 、需求明確 、如果你想學編程 ，
學習新語言和新框架 。結果容易驗證 。約束和取舍 。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。
代碼語法是模式 ，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" 。讓 AI 來寫，他不用打字，這些是模式匹配的完美場景——模式極其明確 ，擁抱指數級增長 ，而編程恰好是三個條件全滿的黃金場景 。
用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時 ，業界的經驗顯示 ，
仍然需要人做的
架構設計 。AI 不知道這個區別 ，AI 來生成代碼 。模式明確、
先看長期趨勢：整體需求在增長。分析了 470 個開源項目的代碼提交 。能跑就行。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"。函數必須有輸入和輸出 。而是想清楚要做什麽 。平均用時 1 小時 11 分鍾 ，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） ，
你有一個想法 ，AI 替代的是"敲代碼"這個動作 ，然後它就大概能用了 。他看都不看修改的內容 ，原型開發時間可以縮短 50% 到 70% 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，超過 1.5 億開發者在上麵協作 。以及這種"滿"本身又會製造什麽問題 。有趣的是，代碼的對錯通常是確定性的 ：要麽運行成功 ，"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 、結果發現 ：這是 「AI是怎麽回事」係列的第 15 篇。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 ，
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，所有代碼都在遵循這些規則——形成了極其規整的模式 。幾百行代碼時 ，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》 ，很多人預言會計職業將會消亡 。測試生成和代碼審查這些關鍵任務中 ，需求變複雜，寫代碼恰好就是 。看看效果 。恰好在 AI 的能力範圍之內。但內在邏輯有問題 。這可能是 AI 編程給我們最大的啟示。我查了大量數據 ，
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，然後對照 AI 生成的代碼來學習 。
第三 ，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 ，而是用語音跟 AI 說話 。訓練數據極其充足。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，而且這些代碼中 88% 被保留在了最終版本裏 ，有四分之一的代碼庫幾乎完全由 AI 生成 。發現了很多有意思的東西 ，Andrej Karpathy（OpenAI 聯合創始人、
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 ，訓練數據極其豐富 。
第一次看到這個係列 ？從第1篇開始最順暢 ，
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 。直接全部接受 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，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 ，接口定義 、
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 ，做獨特判斷的部分 ，結果可驗證時 ，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 ，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，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 ，也是 AI 幫不了你的部分 。好在這方麵已經有了大量公開的研究數據，CodeRabbit 報告顯示 ，會發生什麽 。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 ，代碼提交量提升了 8.69% ， 如果你再仔細想想 ，
但這裏有一個關鍵的轉變 。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 ，AI 表現驚人；當你自己都沒想清楚時 ，
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 ，
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 。三問判斷法三項全滿的任務是 AI 的黃金場景 。但做的不是你想要的） 。每種編程語言都像一本規則手冊 ，正確的使用方式就清晰了 。
不過 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，
第二 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，一旦項目變大 、需要把金額加在一起 ，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% 。
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一，BLS 的分析邏輯是：AI 確實提高了程序員的生產力，
曆史給了我們一個有用的類比 。即可訂閱 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。
"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 ，
業務邏輯判斷 。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。AI 不知道你的用戶是誰 、我一直很好奇 AI 到底是怎麽工作的 ，遇到報錯 ？把錯誤信息直接複製給 AI ，編程真正的難點反而暴露出來了——邏輯思考。
問題三 ：項目大了 ，在農村長大 ，Qodo 的調查顯示 ，入門更容易了 ，不代表代碼正確 。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 ，它在 A 文件裏把日期格式定義為"2025-01-15" ，編程中有大量高度固定的模式 ：數據庫連接、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，它就顧不上了。他們仍然覺得 AI 讓自己快了 20% 。代碼量小，模式匹配器就能發揮最大威力。Signal Fire 的報告顯示 ，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 。
為什麽 ？因為在大型真實項目中 ，
遇到一個看不懂的報錯信息 ？丟給 AI 。模式匹配的部分被自動化了 ，實際慢了 19% 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、"
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 。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 ，會發現這不隻是編程的事 。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
這條推文被超過 900 萬人看到。畫出了它的能力邊界，拆開了 AI 的黑箱 ，但如果 AI 能寫代碼 ，自 2022 年 AI 工具普及以來，而不是對你業務的理解 。AI 給出的東西怎麽改都不對。我花了不少時間去找到並撤銷這些改動 。不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，而是因為底層邏輯相同 。給你一個盡可能完整的回答 。配置文件 。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 。企業對財務分析的需求因此暴漲。
2023 年 1 月 ，AI 就幫她生成了可用的程序 。因為懶得自己去代碼裏找具體位置。"通常這樣就修好了"。直接讀這篇也沒問題 。不需要完美 ，
讓我們來看看 ，沒有兩個項目的架構是完全相同的 ，
分界線在哪 ？就是三問判斷法 。幾乎所有 AI 擅長的領域都如此 。當 AI 編程從"周末小項目"走向真實世界時 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。模式極其明確。
這個問題幾乎每個人都在問 。它消滅的是"手敲代碼語法"這個動作 ，
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 ，他會說"把側邊欄的內邊距減半"這種大白話 ，這不隻是頂級 AI 專家才能做的事。
在菲律賓 ，"
他這句輕描淡寫的話，但實際測量的結果是——慢了 19% 。不是編程術語 。"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 ，AI 可以"看到"全貌 ，"
讓我用一張表來總結 ，考慮到用戶可能遇到的各種情況 、
所以 ，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 ， 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" 。而是當前對話窗口裏的文字 。他又發了一條更具體的推文：
| AI 代碼邏輯錯誤高出 75% | AI 匹配最常見的代碼模式， 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 ，我們走了很長一段路
。得花好一會兒
。主要級別的問題多了 1.7 倍 一句話回顧AI 讓寫代碼快了 55% ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。 1980 年代 ，結果很說明問題 ：
這個"缺失上下文"具體長什麽樣 ？Qodo 的報告指出，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 。AI 來實現 。這是 AI 編程最隱蔽的陷阱 。可以被自動化。 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， 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 。 當一個項目隻有幾個文件 、決定不同功能之間怎麽配合 、 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 。但邏輯錯誤也多了 75% 。 先來拆解"滿"在哪 。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。用 AI 放大你的優勢而非替代你的思考。但沒有降低編程的天花板 。甚至可能不在你給它的對話上下文裏。AI 在訓練過程中見過的代碼模式 ， 修 bug 和理解報錯 。那不會編程的人是不是也能"寫"代碼了？ 今天 ，
互聯網上有海量的公開代碼。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。說說想法、電子表格軟件（如 Excel）普及後 ， 想清楚一個工具應該怎麽工作 、"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 、AI 時代的好消息是 ：語法門檻確實大幅降低了 。你來檢查 。 斯坦福數字經濟實驗室的研究發現 ， 比如 ，讓我們來看看 AI 編程在實際中長什麽樣 。 舉個例子 ：如果你讓 AI 做一個記賬工具 ， 性能優化 。 Part3
：模式匹配器寫代碼 ，就是三問判斷法
：編程是 AI 最完美的應用場景之一
。數據充足 、推荐
热门
|
