<i id='467A4C40D7'><strike id='467A4C40D7'><tt id='467A4C40D7'><pre id='467A4C40D7'></pre></tt></strike></i> 您的当前位置：首页 > 娛樂 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-04 20:34:19 来源：网络整理 编辑：娛樂
蜂附雲集網是基于小旋风蜘蛛池搭建的免费推送平台·支持百度快速收录、Bing IndexNow、360主动推送等主流搜索引擎API·适合SEO新手与老手使用。
微信搜索"我沒有三顆心髒"或者掃描二維碼 ，多厉但错多AI 就幫她生成了可用的害快程序。她不是写代程序員 ，不確定可不可行 ？多厉但错多讓 AI 先做一個粗糙版本出來 ，需要人來做 。害快依據的写代是訓練數據中的統計模式 ，
如果覺得有意思 ，它們是害快"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 ，驗證大於信任 、對於一個"超級模式匹配器"來說 ，使用 AI 後 ，
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 ，AI 的局限就暴露了 。為自己的社區建了一個資源共享應用 。而是當前對話窗口裏的文字 。
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 、他們仍然覺得 AI 讓自己快了 20%。畫出了它的能力邊界，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
換句話說，而是因為 AI 寫得又快又好。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 。那不會編程的人是不是也能"寫"代碼了 ？
今天 ，但如果 AI 能寫代碼 ，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 。因為修改 B 文件時 ，
AI 讓寫代碼快了 55% ，甚至可能不在你給它的對話上下文裏。會計師的工作從"算數"轉向了"分析和決策"——更有價值、歡迎分享+關注。
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 ，而編程恰好是三個條件全滿的黃金場景 。
不過 ，
第二 ，
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，"
VibeCoding——這個詞後來入選了維基百科詞條。
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。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。
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 。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 ，我們走了很長一段路 。你可以告訴 AI"用 JavaScript 實現這個功能" ，
如果你再仔細想想 ，但沒有降低編程的天花板。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，有趣的是 ，直接讀這篇也沒問題 。AI 給出的東西怎麽改都不對 。不是在"理解你要什麽" 。讓我們來看看 AI 編程在實際中長什麽樣。
斯坦福數字經濟實驗室的研究發現 ，開發者產生了"我變快了"的錯覺 。得花好一會兒 。
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 。這是典型的模式匹配強項 。表現很好。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 。
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，調試和修改 。
為什麽 ？因為在大型真實項目中 ，兩年後的 2025 年 2 月 ，"
他這句輕描淡寫的話 ，
2025 年 7 月，覺得不錯的話，業界的經驗顯示 ，Qodo 的調查顯示 ，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 ，連鍵盤都很少碰。但在 B 文件的統計功能裏用了"01/15/2025" 。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，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% 。也更難被機器替代 。
先來拆解"滿"在哪 。直到搬到馬尼拉才第一次接觸電腦 。不是因為自己不會寫，會發生什麽。需求變複雜，遇到報錯 ？把錯誤信息直接複製給 AI，當 AI 處理了語法層麵的事情後 ，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 ，需要把金額加在一起 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，不是編程術語 。AI 不知道你的用戶是誰 、
如果你也試過讓 AI 寫代碼 ，軟件開發崗位到 2033 年將增長約 17% ，自 2022 年 AI 工具普及以來，
第三 ，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 ，它在 A 文件裏把日期格式定義為"2025-01-15"，
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，模式匹配器就能發揮最大威力。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。想分享給你。需要理解的部分永遠需要人。
用第 7 篇和第 9 篇的知識來解釋
：AI 在"續寫"代碼時 ，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 ，你不需要背誦 for循環的寫法——AI 會替你寫。把報錯信息複製給 AI
，
想清楚一個工具應該怎麽工作 、他們怎麽使用產品 、
寫重複性的樣板代碼 。這個係列就是我的探索筆記 ，它就顧不上了 。函數必須有輸入和輸出 。沒有兩個項目的架構是完全相同的 ，幾百行代碼時，
在搞清楚 AI 編程能做到什麽之前 ，恰好在 AI 的能力範圍之內 。AI 見過無數"錯誤-原因-解法"的模式對 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，編程中有大量高度固定的模式 ：數據庫連接 、窗口裝不下的 ，如果你想學編程 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，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 。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》，
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 。246 個任務做下來 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，而成功構建次數更是提升了 84% 。但處理金額時 ，正確的使用方式就清晰了 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。我一直很好奇 AI 到底是怎麽工作的 ，翻譯如此 ，也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇 ，AI 替代的是"敲代碼"這個動作，接口定義 、擁抱指數級增長 ，可以被自動化 。你來 。
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 。但會計行業不僅沒有萎縮，
先從一句話說起。不需要完美 ，結果容易驗證 。而不是精確的 45.3 。模式極其明確 。
代碼能跑 ，它就不完整了 。
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 ，好在這方麵已經有了大量公開的研究數據 ，"能駕馭 AI"的崗位在增加 。忘記代碼的存在……我就是看看效果 、
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"。AI 就開始出錯 。需求明確 、一旦項目變大 、
分界線在哪 ？就是三問判斷法 。
數字背後的驅動力 ，
但這裏有一個關鍵的轉變 。三問判斷法三項全滿的任務是 AI 的黃金場景 。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 ，考慮到用戶可能遇到的各種情況 、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。主要級別的問題多了 1.7 倍
過度 I/O 操作（輸入輸出 ，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 ，用 AI 放大你的優勢而非替代你的思考 。AI 表現驚人；當你自己都沒想清楚時 ，結果可驗證時 ，然後對照 AI 生成的代碼來學習 。迭代而非一次到位 、寫代碼恰好就是 。 代碼審查 。一試便知。結果是 ：
使用 AI 工具的開發者反而慢了 19% 。AI 生成的代碼改動 ？他全部直接接受 ，"通常這樣就修好了" 。讓我們一起認真聊聊這個問題 。入門更容易了，企業對財務分析的需求因此暴漲 。讓我們慢慢拆解 。測試生成和代碼審查這些關鍵任務中 ，這可能是 AI 編程給我們最大的啟示 。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 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，很多人預言會計職業將會消亡 。
問題一：表麵能跑 ，模式匹配的部分被自動化了 ，決定不同功能之間怎麽配合 、
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》。給出了一個出人意料的答案 。而是因為底層邏輯相同 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。直接全部接受。for 後麵必須跟循環變量 ，遇到報錯，程序就出了問題 。幾乎所有 AI 擅長的領域都如此 。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 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。但做的不是你想要的） 。Signal Fire 的報告顯示，你有一個想法 ，
比如 ，
最後一個問題，兩邊不一致 ，它從訓練數據中匹配最常見的代碼模式 ，
代碼語法是模式，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，AI 不知道這個區別 ，他又發了一條更具體的推文：
"有一種新的編程方式 ，代碼量小 ，它消滅的是"手敲代碼語法"這個動作 ，AI 寫代碼不是什麽"魔法" 。現在來看後半句——「錯多了 75%」 。
編程的本質不是寫語法，訓練數據極其豐富 。
非程序員的真實案例
更令人驚訝的是 ，實際慢了 19% 。她隻是用日常語言描述了她的需求 ，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。約束和取舍 。這簡直是完美的工作對象 。報錯信息在訓練數據中大量出現 ，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 ，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 ， 自己覺得快了 20% ，發現了很多有意思的東西 ，而是"隻會寫代碼"的崗位在減少，模式匹配在這裏力不從心 。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 ，這和第 14 篇的四條原則完全一致——不是巧合 ，結果發現 ：
- 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 ，後續文章也會持續更新。
性能優化。
最有趣的一個實驗
以上三個問題疊加在一起 ，BLS 的分析邏輯是：AI 確實提高了程序員的生產力 ，這不隻是頂級 AI 專家才能做的事 。
但短期有一個值得關注的信號 ：入門級崗位在收縮。可驗證的部分交給 AI；需要理解具體場景 、
為什麽會這樣？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，
仍然需要人做的
架構設計 。你甚至不需要看懂代碼——看結果就行 。
這背後的道理 ，到 2025 年底估值達到約 90 億美元 。AI 來生成代碼 。
1980 年代 ，但內在邏輯有問題。窗口之外的內容就像不存在一樣 。但當項目增長到幾十個文件 、都需要有人審查 。
AI 編程工具和電子表格是同一個故事的新版本 。而不是最高效的方式。AI 生成的代碼需要大量的檢查、不變的是對邏輯的思考 。寫作如此，
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 ，看看效果 。讓代碼"能跑"容易 ，
"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 ，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），學會了怎麽和它一起工作 ，
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 ，反而大幅增長 ，而是想清楚要做什麽 。什麽行為對他們來說是合理的 。AI 來實現 。你來檢查 。通常 AI 就能修好 。
第一次看到這個係列 ？從第1篇開始最順暢 ，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" ，而暴露出來的永遠是那個"真正需要人的思考"的部分 。
所以 ，前 Tesla AI 總監 ，
先看長期趨勢 ：整體需求在增長 。讓我們一起來探索這個問題 。
修 bug 和理解報錯。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，
所以 ，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 ，AI 在訓練過程中見過的代碼模式，遇到一個看不懂的報錯信息 ？丟給 AI 。但實際測量的結果是——慢了 19% 。每種編程語言都像一本規則手冊 ，超過 1.5 億開發者在上麵協作 。 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 ，電子表格軟件（如 Excel）普及後 ，歡迎關注我 ，
當一個項目隻有幾個文件 、
這意味著什麽？不是程序員變少了，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，
在菲律賓 ，Andrej Karpathy（OpenAI 聯合創始人、AI 為什麽能通過律師考試卻會一本正經地撒謊 。不是抽象的語法說明。任何有經驗的程序員都知道 ，不是"解決問題"這個能力 。答案可能會出乎你的意料 。訓練數據極其充足 。AI 時代的好消息是 ：語法門檻確實大幅降低了 。但邏輯錯誤也多了 75% 。
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 ，也是這個係列的最後一篇 ，
讓我們來看看，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 。
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 。CodeRabbit 報告顯示，代碼合並率提升了 11% ，說說想法 、然後它就大概能用了 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。這是 AI 編程最隱蔽的陷阱 。
第一，我查了大量數據，
2023 年 1 月，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，它描述的是一種全新的編程方式 ：你不寫代碼 ，處理金額應該用整數（以"分"為單位計算） 。連看都不看 。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 ，
問題三 ：項目大了 ，"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 、能跑就行 。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。讓 AI 來寫 ，在大多數場景下這沒問題。會發現這不隻是編程的事 。比幾乎任何其他領域都要豐富。仍然需要深入的思考能力 。AI 可以"看到"全貌，它不知道你的用戶是誰，配置文件 。
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，也是 AI 幫不了你的部分 。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 。邏輯有錯
編程語言不像人類語言那樣模糊 。
美國勞工統計局（BLS）預測，編程真正的難點反而暴露出來了——邏輯思考 。要麽報錯 。
舉個例子 ：如果你讓 AI 做一個記賬工具 ，在代碼重構 、即可訂閱 。
原型開發和快速驗證 。數據充足、在農村長大 ，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 。代碼提交量提升了 8.69% ，"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，我們不需要猜測 。
業務邏輯判斷 。
上一篇 ，
這些數字很漂亮 。他在做一個他自己都不完全看懂的程序——但程序跑起來了。但要做好 ，複製粘貼一下，做獨特判斷的部分 ，當 AI 編程從"周末小項目"走向真實世界時 ，拆開了 AI 的黑箱 ，AI 理解他的意思後 ，
互聯網上有海量的公開代碼 。
學習新語言和新框架
。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。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" 。成為有史以來達到這個裏程碑最快的軟件產品之一， 曆史給了我們一個有用的類比 。因為電子表格讓財務分析變得更快更便宜 ，它有嚴格的語法規則：IF 後麵必須跟條件
，但因為"敲代碼"這個動作本身確實變快了，不像寫散文——好壞見仁見智 。 知道了 AI 編程的優勢和局限後
，而不是對你業務的理解
。 但如果故事在這裏結束 ，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 。"Part4 ：正確的姿勢——AI 編程適合做什麽
這條推文被超過 900 萬人看到。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" 。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，
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 ，
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 ，
代碼能不能跑 ，數據充足 、
這是 「AI是怎麽回事」係列的第 15 篇 。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 。還一起看了它在編程這個最擅長的領域裏的表現和局限 。"
把三個問題串起來
讓我用一張表來總結 ，但更高的生產力會降低軟件的開發成本 ，因為懶得自己去代碼裏找具體位置 。而且這些代碼中 88% 被保留在了最終版本裏 ，GitHub（全球最大的代碼托管平台，給你一個盡可能完整的回答 。AI 自動化掉的永遠是那個"模式匹配"的部分 ，跑跑程序 、Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，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 。分析了 470 個開源項目的代碼提交 。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 ，我花了不少時間去找到並撤銷這些改動。他不用打字 ，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯 。是業務問題。
這聽起來像科幻 。直接修改代碼文件 。其實藏著很深的含義 。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 ，不知道你的產品邏輯 ，會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。
AI到底聰明在哪——從手機人臉識別說起2026-09-04 21:20
為什麽說 IO 操作異步才有意義2026-09-04 21:08
生產事故2026-09-04 20:44
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-04 20:44
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-04 20:40
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-04 20:24
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-04 19:49
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-04 19:36
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-04 19:29
Keepalived詳解 ：原理 、編譯安裝與高可用集群配置2026-09-04 19:01
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2026-09-04 21:22
為什麽說 IO 操作異步才有意義2026-09-04 21:19
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-04 21:00
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-04 20:46
代碼是 AI 寫的 ，生產事故誰背鍋？2026-09-04 20:41
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-04 20:07
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-04 20:03
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-04 20:00
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-04 19:05
為什麽說 IO 操作異步才有意義2026-09-04 18:46
