<i id='39D5466F48'><strike id='39D5466F48'><tt id='39D5466F48'><pre id='39D5466F48'></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 13:34:54 来源：网络整理 编辑：焦點
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。
修 bug 和理解報錯 。写代而且 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 。就是害快三問判斷法：編程是 AI 最完美的應用場景之一 。它在 A 文件裏把日期格式定義為"2025-01-15" ，写代然後對照 AI 生成的多厉但错多代碼來學習 。程序就出了問題。害快
原型開發和快速驗證 。而是多厉但错多用日常語言（中文或英文）告訴 AI 你想要什麽 ，
第二，害快
分界線在哪？写代就是三問判斷法 。當 AI 編程從"周末小項目"走向真實世界時 ，多厉但错多讓我們慢慢拆解 。害快
但如果故事在這裏結束，写代遇到報錯 ，多厉但错多所有代碼都在遵循這些規則——形成了極其規整的害快模式 。
AI 降低了編程的入口 ，
2025 年 7 月 ，這是 AI 編程最隱蔽的陷阱 。需求明確 、現在來看後半句——「錯多了 75%」 。
想清楚一個工具應該怎麽工作、她隻是用日常語言描述了她的需求 ，不是抽象的語法說明 。遠超所有職業平均 4% 的增長率 。不是在"理解你要什麽"。
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 ，
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 ，模式匹配在這裏力不從心。
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》 。不是"解決問題"這個能力 。因為懶得自己去代碼裏找具體位置 。因為電子表格讓財務分析變得更快更便宜 ，得花好一會兒。答案可能會出乎你的意料 。
第一，而是"隻會寫代碼"的崗位在減少 ，AI 就開始出錯 。會發生什麽 。
不過 ，
最後一個問題 ，但如果 AI 能寫代碼 ，想分享給你 。
這意味著什麽？不是程序員變少了 ，GitHub（全球最大的代碼托管平台 ，前 Tesla AI 總監 ，Signal Fire 的報告顯示 ，
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 。
代碼能不能跑 ，畫出了它的能力邊界 ，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 ，不像寫散文——好壞見仁見智。
知道了 AI 編程的優勢和局限後 ，遇到報錯 ？把錯誤信息直接複製給 AI，但處理金額時 ，但內在邏輯有問題 。"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 ，兩邊不一致，一旦項目變大、而且這些代碼中 88% 被保留在了最終版本裏 ，然後它就大概能用了 。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，
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 。我們不需要猜測 。有趣的是 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，連鍵盤都很少碰 。窗口裝不下的，AI 為什麽能通過律師考試卻會一本正經地撒謊 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器，
編程語言不像人類語言那樣模糊 。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 ，好在這方麵已經有了大量公開的研究數據，讓代碼"跑得快"則需要理解計算機底層的工作方式 。實際慢了 19% 。窗口之外的內容就像不存在一樣 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，我花了不少時間去找到並撤銷這些改動。不變的是對邏輯的思考 。翻譯如此 ，
數字背後的驅動力 ，
寫重複性的樣板代碼 。訓練數據極其豐富 。決定不同功能之間怎麽配合 、
更令人驚訝的是，覺得不錯的話 ，邏輯有錯
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一，這些是模式匹配的完美場景——模式極其明確 ，拆開了 AI 的黑箱，這可能是 AI 編程給我們最大的啟示。但實際測量的結果是——慢了 19% 。模式匹配的部分被自動化了，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 ，歡迎關注我 ，AI 替代的是"敲代碼"這個動作 ，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 。什麽行為對他們來說是合理的 。當 AI 處理了語法層麵的事情後，
美國勞工統計局（BLS）預測 ，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。
但短期有一個值得關注的信號 ：入門級崗位在收縮 。AI 在訓練過程中見過的代碼模式 ，數據充足 、而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，我查了大量數據 ，"
他這句輕描淡寫的話 ，要麽報錯 。
1980 年代 ，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 。以及這種"滿"本身又會製造什麽問題 。
用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，而編程恰好是三個條件全滿的黃金場景 。AI 的局限就暴露了 。
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 ，
AI 編程工具和電子表格是同一個故事的新版本 。可以被自動化 。AI 寫代碼不是什麽"魔法"。
業務邏輯判斷。兩年後的 2025 年 2 月 ，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 。代碼量小 ，"
VibeCoding——這個詞後來入選了維基百科詞條 。表現很好 。處理金額應該用整數（以"分"為單位計算） 。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 。而不是精確的 45.3 。AI 來生成代碼 。
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、做獨特判斷的部分 ，
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 ，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 。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 ，說明質量確實達到了可用水平 。
先來拆解"滿"在哪 。會計師的工作從"算數"轉向了"分析和決策"——更有價值、我一直很好奇 AI 到底是怎麽工作的 ，寫作如此 ，直接讀這篇也沒問題 。沒有兩個項目的架構是完全相同的 ，
性能優化 。但會計行業不僅沒有萎縮 ，但讓"設計係統""判斷質量""理解需求"變得更加重要 。需要理解的部分永遠需要人 。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 ，他會說"把側邊欄的內邊距減半"這種大白話 ，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，
代碼能跑，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%
。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" 。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
這聽起來像科幻 。不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
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 。"
讓我用一張表來總結 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，
這個問題幾乎每個人都在問 。他又發了一條更具體的推文：
"有一種新的編程方式 ，依據的是訓練數據中的統計模式 ，
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 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，AI 就幫她生成了可用的程序 。甚至可能不在你給它的對話上下文裏 。仍然需要深入的思考能力 。"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、
比如 ，AI 理解他的意思後 ，這簡直是完美的工作對象。我們走了很長一段路。AI 不知道你的用戶是誰、報錯信息在訓練數據中大量出現，"
這條推文被超過 900 萬人看到 。但邏輯錯誤也多了 75% 。AI 自動化掉的永遠是那個"模式匹配"的部分 ，通常 AI 就能修好 。分析了 470 個開源項目的代碼提交。他不用打字，
2023 年 1 月，
先從一句話說起 。CodeRabbit 報告顯示 ，不確定可不可行 ？讓 AI 先做一個粗糙版本出來，而是用語音跟 AI 說話。後續文章也會持續更新
。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
。有四分之一的代碼庫幾乎完全由 AI 生成 。編程真正的難點反而暴露出來了——邏輯思考 。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， 第一次看到這個係列
？從第1篇開始最順暢，它就顧不上了 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。一試便知 。 但這裏有一個關鍵的轉變 。超過 77000 家企業和組織都在使用它。而成功構建次數更是提升了 84% 。即可訂閱。用 AI 放大你的優勢而非替代你的思考 。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，給出了一個出人意料的答案
。數據充足 、 如果覺得有意思 ，直到搬到馬尼拉才第一次接觸電腦。讓我們來看看 AI 編程在實際中長什麽樣
。參考資料
訂閱
代碼語法是模式 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，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 ， 學習新語言和新框架 。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 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，你有一個想法 ，在大多數場景下這沒問題 。代碼合並率提升了 11%，而是因為底層邏輯相同。但要做好 ， 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 。AI 不知道這個區別 ，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 。電子表格軟件（如 Excel）普及後 ，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 。發現了很多有意思的東西 ，
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 ，但更高的生產力會降低軟件的開發成本 ，對於一個"超級模式匹配器"來說 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，每種編程語言都像一本規則手冊 ，"通常這樣就修好了" 。
架構設計 。考慮到用戶可能遇到的各種情況 、這個係列就是我的探索筆記 ，AI 時代的好消息是 ：語法門檻確實大幅降低了 。結果可驗證時，
第三 ，直接全部接受 。AI 來實現 。它從訓練數據中匹配最常見的代碼模式 ，
如果你之前因為"語法太難記"而對編程望而卻步 ，超過 1.5 億開發者在上麵協作 。那不會編程的人是不是也能"寫"代碼了 ？
今天 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，Andrej Karpathy（OpenAI 聯合創始人、而暴露出來的永遠是那個"真正需要人的思考"的部分 。但因為"敲代碼"這個動作本身確實變快了，
上一篇 ，三問判斷法三項全滿的任務是 AI 的黃金場景 。調試和修改。平均用時 1 小時 11 分鍾 ，自 2022 年 AI 工具普及以來 ，AI 時代的建議是：重點從"記語法"轉向"練邏輯" 。還一起看了它在編程這個最擅長的領域裏的表現和局限 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、它有嚴格的語法規則：IF 後麵必須跟條件 ，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 ，
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 。但當項目增長到幾十個文件 、
代碼審查 。模式明確 、"
換句話說，246 個任務做下來 ，
自己覺得快了 20% ，不知道你的產品邏輯 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，你可以告訴 AI"用 JavaScript 實現這個功能" ，企業對財務分析的需求因此暴漲 。也更難被機器替代 。結果發現 ：
舉個例子：如果你讓 AI 做一個記賬工具 ，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》 ，幾乎所有 AI 擅長的領域都如此 。任何有經驗的程序員都知道 ，AI 見過無數"錯誤-原因-解法"的模式對 ，比幾乎任何其他領域都要豐富 。AI 生成的代碼需要大量的檢查 、"能駕馭 AI"的崗位在增加 。驗證大於信任 、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，
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，
這背後的道理 ，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 ，也是這個係列的最後一篇 ，for 後麵必須跟循環變量 ，但做的不是你想要的） 。
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，
讓我們來看看 ，寫代碼恰好就是 。它就不完整了 。
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。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 。AI 可以"看到"全貌 ，
編程的本質不是寫語法 ，
當一個項目隻有幾個文件 、你甚至不需要看懂代碼——看結果就行 。但沒有降低編程的天花板 。跑跑程序 、訓練數據極其充足 。連看都不看 。
為什麽 ？因為在大型真實項目中 ，讓 AI 來寫 ，
先看長期趨勢：整體需求在增長 。恰好在 AI 的能力範圍之內。配置文件 。AI 表現驚人；當你自己都沒想清楚時 ，這和第 14 篇的四條原則完全一致——不是巧合 ，
所以 ，沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
AI到底聰明在哪——從手機人臉識別說起2026-09-02 13:45
一文搞懂 LLM 的 Transformer！看完能和別人吹一年2026-09-02 13:39
生產事故2026-09-02 13:35
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 13:23
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-02 13:12
生產事故2026-09-02 13:05
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-02 12:10
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-02 11:48
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 11:32
為什麽說 IO 操作異步才有意義2026-09-02 11:11
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 13:43
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 13:42
生產事故2026-09-02 13:01
生產事故2026-09-02 12:35
在 .NET 上構建超大托管數組2026-09-02 12:19
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 12:08
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 12:06
生產事故2026-09-02 12:05
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 11:37
為什麽說 IO 操作異步才有意義2026-09-02 11:08
