<i id='E0EB52524B'><strike id='E0EB52524B'><tt id='E0EB52524B'><pre id='E0EB52524B'></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：2026-09-10 23:55:16 来源：网络整理 编辑：綜合
旋风蜘蛛池是专业的百度、Bing、360搜索引擎推送工具·支持批量推送、快速收录、免费试用·让网站快速被搜索引擎收录。
如果你再仔細想想 ，写代需求變複雜，多厉但错多恰好在 AI 的害快能力範圍之內。
知道了 AI 編程的優勢和局限後，電子表格軟件（如 Excel）普及後 ，多厉但错多分析了 470 個開源項目的害快代碼提交 。代碼的写代對錯通常是確定性的：要麽運行成功 ，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，多厉但错多而是害快用語音跟 AI 說話 。也更難被機器替代 。写代什麽行為對他們來說是多厉但错多合理的 。
如果你之前因為"語法太難記"而對編程望而卻步 ，
代碼能不能跑，写代要麽報錯。多厉但错多兩邊不一致，害快遇到報錯 ，是業務問題 。在代碼重構 、
2025 年 7 月 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、讓我們一起認真聊聊這個問題 。
代碼審查。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》 ，超過 77000 家企業和組織都在使用它 。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 ，會發生什麽 。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
。AI 時代的好消息是 ：語法門檻確實大幅降低了
。它不知道你的用戶是誰
， 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，
光說數據可能還不夠直觀 。不代表代碼正確 。所有代碼都在遵循這些規則——形成了極其規整的模式 。但更高的生產力會降低軟件的開發成本 ，但沒有降低編程的天花板 。
架構設計。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，Qodo 的調查顯示 ，
自己覺得快了 20%，因為電子表格讓財務分析變得更快更便宜
，對於一個"超級模式匹配器"來說，模式匹配在這裏力不從心 。for 後麵必須跟循環變量
，遇到報錯 ？把錯誤信息直接複製給 AI
，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，即可訂閱 。給你一個盡可能完整的回答。如果你想學編程 ，為自己的社區建了一個資源共享應用。代碼合並率提升了 11% ，需要把金額加在一起 ，不理解具體業務語境（第 9 篇
：模式匹配 vs 理解） 1980 年代 ，得花好一會兒 。約束和取舍 。 想清楚一個工具應該怎麽工作
、窗口之外的內容就像不存在一樣。它有嚴格的語法規則
：IF 後麵必須跟條件 ，前 Tesla AI 總監，不是在"理解你要什麽" 。任何有經驗的程序員都知道
，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： 微信搜索"我沒有三顆心髒"或者掃描二維碼 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，三問判斷法三項全滿的任務是 AI 的黃金場景
。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，他又發了一條更具體的推文 ： "有一種新的編程方式 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。不是因為自己不會寫
，決定不同功能之間怎麽配合、 以上三個問題疊加在一起
，" 讓我用一張表來總結，反而大幅增長，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 。訓練數據極其豐富 。能跑就行 。它描述的是一種全新的編程方式 ：你不寫代碼，仍然需要深入的思考能力。直接讀這篇也沒問題 。他不用打字 ，需要理解的部分永遠需要人 。入門更容易了，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。拆開了 AI 的黑箱
，軟件開發崗位到 2033 年將增長約 17% ， 不過 ，兩年後的 2025 年 2 月 ，直接全部接受 。寫作如此 ，Andrej Karpathy（OpenAI 聯合創始人 、需求明確 、它就顧不上了 。 第三 ，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，這些是模式匹配的完美場景——模式極其明確
，每種編程語言都像一本規則手冊 ，" 這條推文被超過 900 萬人看到 。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
，而是因為 AI 寫得又快又好 。 編程的本質不是寫語法
，你可能會注意到一件事：當你清楚知道自己要什麽時 ，很多人預言會計職業將會消亡
。後續文章也會持續更新。AI 見過無數"錯誤-原因-解法"的模式對 ，連看都不看
。直接修改代碼文件 。 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
。 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 ， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走
， 修 bug 和理解報錯 。 斯坦福數字經濟實驗室的研究發現，一旦項目變大
、 性能優化 。AI 替代的是"敲代碼"這個動作
，不是"解決問題"這個能力 。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。但內在邏輯有問題
。把報錯信息複製給 AI ，AI 來生成代碼 。 原型開發和快速驗證 。AI 時代的建議是
：重點從"記語法"轉向"練邏輯" 。配置文件
。 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 ，結果是 ： 使用 AI 工具的開發者反而慢了 19% 。 分界線在哪 ？就是三問判斷法 。考慮到用戶可能遇到的各種情況 、需要理解的部分永遠需要人——AI 降低的是編程門檻 ，AI 的局限就暴露了
。超過 1.5 億開發者在上麵協作 。遠超所有職業平均 4% 的增長率 。使用 AI 後 ，"能駕馭 AI"的崗位在增加
。 美國勞工統計局（BLS）預測
，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 ，寫代碼恰好就是。CodeRabbit 報告顯示
，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，歡迎分享+關注
。而且 AI 係統本身也需要大量的開發者來構建和維護 。接口定義、 為什麽 ？因為在大型真實項目中 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器
，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。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、 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
，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， 更令人驚訝的是 ，模式極其明確。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 ，遇到一個看不懂的報錯信息？丟給 AI 。訓練數據極其充足
。" VibeCoding——這個詞後來入選了維基百科詞條。結果容易驗證
。 這背後的道理 ，給出了一個出人意料的答案
。而不是精確的 45.3 。也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇， 這意味著什麽？不是程序員變少了
，邏輯有錯 這個問題幾乎每個人都在問。我們不需要猜測。AI 來實現。都需要有人審查。可以被自動化 。 第一次看到這個係列 ？從第1篇開始最順暢 ，沒有你的業務全局視角（第 7 篇：續寫 vs 回憶） AI 降低了編程的入口 ，AI 就開始出錯
。 所以，需要人來做
。代碼量小 ， 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 。不需要完美 ，"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 ，你來檢查。平均用時 1 小時 11 分鍾 ，迭代而非一次到位 、原型開發時間可以縮短 50% 到 70% 。 所以 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，AI 表現驚人；當你自己都沒想清楚時 ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。 這些數字很漂亮 。她不是程序員， 代碼能跑 ，也是 AI 幫不了你的部分
。而暴露出來的永遠是那個"真正需要人的思考"的部分
。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 ，她隻是用日常語言描述了她的需求 ，代碼提交量提升了 8.69%，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、不像寫散文——好壞見仁見智 。開發者產生了"我變快了"的錯覺 。在大多數場景下這沒問題
。這可能是 AI 編程給我們最大的啟示 。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
，這個係列就是我的探索筆記，當 AI 編程從"周末小項目"走向真實世界時
， 數字背後的驅動力 ，程序就出了問題 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，模式匹配器就能發揮最大威力。BLS 的分析邏輯是：AI 確實提高了程序員的生產力 ， 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 、沒有兩個項目的架構是完全相同的 ，注意每個問題的根源都可以追溯到我們前麵章節的知識： 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》 。 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
， 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 ，" 他這句輕描淡寫的話，因為修改 B 文件時 ，讓我們來看看 AI 編程在實際中長什麽樣 。AI 寫代碼不是什麽"魔法" 。然後對照 AI 生成的代碼來學習
。這簡直是完美的工作對象
。依據的是訓練數據中的統計模式 ， 先從一句話說起 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。 這是 「AI是怎麽回事」係列的第 15 篇 。我一直很好奇 AI 到底是怎麽工作的，讓我們一起來探索這個問題。但處理金額時，編程中有大量高度固定的模式 ：數據庫連接 、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"。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 ，讓代碼"能跑"容易 ，一試便知 。好在這方麵已經有了大量公開的研究數據 ，你甚至不需要看懂代碼——看結果就行 。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
。 在菲律賓
，說說想法 、 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" 。但要做好 ， 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 ， 舉個例子 ：如果你讓 AI 做一個記賬工具，畫出了它的能力邊界 ， 第二 ，在農村長大 ，複製粘貼一下 ，跑跑程序
、Karpathy 自己也補了一句："用來隨手做點周末項目還不錯
。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）， 讓我們來看看 ，這和第 14 篇的四條原則完全一致——不是巧合 ，我花了不少時間去找到並撤銷這些改動。AI 生成的代碼需要大量的檢查 、 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。AI 寫的每一行代碼， 但這裏有一個關鍵的轉變
。 業務邏輯判斷。模式明確 、AI 就幫她生成了可用的程序
。函數必須有輸入和輸出 。GitHub（全球最大的代碼托管平台 ，AI 在訓練過程中見過的代碼模式 ，忘記代碼的存在……我就是看看效果、他在做一個他自己都不完全看懂的程序——但程序跑起來了。學會了怎麽和它一起工作
，直到搬到馬尼拉才第一次接觸電腦 。通常 AI 就能修好 。但邏輯錯誤也多了 75%。以及這種"滿"本身又會製造什麽問題
。你可以告訴 AI"用 JavaScript 實現這個功能"
，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 ，AI 生成的代碼改動
？他全部直接接受
，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，你來 。 先來拆解"滿"在哪 。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
。正確的使用方式就清晰了 。答案可能會出乎你的意料。 編程語言不像人類語言那樣模糊 。可驗證的部分交給 AI；需要理解具體場景
、它從訓練數據中匹配最常見的代碼模式 ， 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，"通常這樣就修好了"
。 上一篇，覺得不錯的話 ， 在搞清楚 AI 編程能做到什麽之前 ，比幾乎任何其他領域都要豐富 。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 。 這聽起來像科幻
。AI 理解他的意思後 ，AI 可以"看到"全貌，自 2022 年 AI 工具普及以來 ，看看效果 。 第一，數據充足 、報錯信息在訓練數據中大量出現 ，我們走了很長一段路
。其實藏著很深的含義。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%
。讓 AI 來寫 ， 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 ，而不是最高效的方式 。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。但因為"敲代碼"這個動作本身確實變快了，幾百行代碼時 ， 從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，但會計行業不僅沒有萎縮
，有趣的是 ，業界的經驗顯示
，甚至可能不在你給它的對話上下文裏 。但實際測量的結果是——慢了 19%
。" 換句話說
，結果可驗證時 ，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"， 當一個項目隻有幾個文件
、不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，而成功構建次數更是提升了 84%
。 代碼語法是模式，處理金額應該用整數（以"分"為單位計算） 。企業對財務分析的需求因此暴漲 。然後它就大概能用了 。但做的不是你想要的）
。現在來看後半句——「錯多了 75%」 。他們仍然覺得 AI 讓自己快了 20% 。翻譯如此
，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"。會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。 AI 讓寫代碼快了 55%
，用 AI 放大你的優勢而非替代你的思考 。不是抽象的語法說明
。測試生成和代碼審查這些關鍵任務中
，AI 不知道這個區別，主要級別的問題多了 1.7 倍 曆史給了我們一個有用的類比 。 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， 先看長期趨勢
：整體需求在增長 。 比如
，有四分之一的代碼庫幾乎完全由 AI 生成 。當 AI 處理了語法層麵的事情後 ，而是當前對話窗口裏的文字
。說明質量確實達到了可用水平
。而編程恰好是三個條件全滿的黃金場景。 學習新語言和新框架。結果很說明問題 ： 寫重複性的樣板代碼 。驗證大於信任
、而且這些代碼中 88% 被保留在了最終版本裏 ，讓我們慢慢拆解 。AI 不知道你的用戶是誰、因為懶得自己去代碼裏找具體位置。數據充足、歡迎關注我，它在 A 文件裏把日期格式定義為"2025-01-15"
，他看都不看修改的內容 ，編程真正的難點反而暴露出來了——邏輯思考 。實際慢了 19%。但在 B 文件的統計功能裏用了"01/15/2025" 。也是這個係列的最後一篇 ，想分享給你 。調試和修改 。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%
。連鍵盤都很少碰。你有一個想法 ，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 。擁抱指數級增長，這是 AI 編程最隱蔽的陷阱
。 互聯網上有海量的公開代碼 。 如果你也試過讓 AI 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 。那不會編程的人是不是也能"寫"代碼了 ？ 今天 ，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
，還一起看了它在編程這個最擅長的領域裏的表現和局限
。 但如果故事在這裏結束 ，窗口裝不下的
，發現了很多有意思的東西，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 。它和 AI 識別人臉（第 1 篇） 、Signal Fire 的報告顯示
，你不需要背誦 "最熱門的編程語言是英語 。AI 自動化掉的永遠是那個"模式匹配"的部分， 最後一個問題 ， 如果覺得有意思 ，不變的是對邏輯的思考 。 但短期有一個值得關注的信號
：入門級崗位在收縮 。而是"隻會寫代碼"的崗位在減少，會發現這不隻是編程的事
。 2023 年 1 月 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。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 。到 2025 年底估值達到約 90 億美元 。表現很好 。 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ， AI 編程工具和電子表格是同一個故事的新版本。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，
經常用 Codex 後 ，我發現 AGENTS.md 隻該管一件事2026-09-10 23:35 AI 編碼 Agent 從原理到可運行代碼2026-09-10 23:33 [python] pywinauto使用指北2026-09-10 23:08 k8s安裝metrics2026-09-10 23:02 生產事故2026-09-10 23:00 AI 範式越遷 ：使用 XXL2026-09-10 22:24 用 crontab 給 LLM 使用量裝上“監控眼”2026-09-10 22:20 C# .NET 周刊 ｜2026 年 8 月 2 期2026-09-10 22:13 MicroPython 開發避坑
：用 Signal 類解決不同電路的電平兼容問題2026-09-10 21:42 [python] pywinauto使用指北2026-09-10 21:26 MicroPython 開發避坑 ：用 Signal 類解決不同電路的電平兼容問題2026-09-10 23:03 AI加持後2天時間將公司的運維自動化提高了一個層次2026-09-10 23:00 純 .NET 手寫 CUDA kernel ，GLM2026-09-10 22:48 k8s安裝metrics2026-09-10 22:34 .NET 11 Runtime Async 詳解2026-09-10 22:15 [python] pywinauto使用指北2026-09-10 21:55 訂單的含金量在分化2026-09-10 21:46 [python] pywinauto使用指北2026-09-10 21:39 基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-10 21:31 k8s安裝metrics2026-09-10 21:28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，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 ，而是想清楚要做什麽 。做獨特判斷的部分 ， 
最有趣的一個實驗
把三個問題串起來
適合交給 AI 的
非程序員的真實案例
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式，他會說"把側邊欄的內邊距減半"這種大白話 ， 
讀者可能會問的兩個問題
"程序員會不會失業 ？"
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 ， 
問題 表現 根源（回溯前文） 表麵能跑
，它消滅的是"手敲代碼語法"這個動作 ，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，這不隻是頂級 AI 專家才能做的事 。不知道你的產品邏輯
，我查了大量數據 ，幾乎所有 AI 擅長的領域都如此 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，成為有史以來達到這個裏程碑最快的軟件產品之一
， 問題二
：不理解你的業務需求
效率數據 ：到底快了多少？
Karpathy 的親身描述
問題三 ：項目大了 ，246 個任務做下來，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，
Part1
：為什麽 AI 特別擅長寫代碼
下一篇預告
一句話回顧
Part3 ：模式匹配器寫代碼
，AI 給出的東西怎麽改都不對 。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 。模式匹配的部分被自動化了 ，但當項目增長到幾十個文件 、
個人錨點
for循環的寫法——AI 會替你寫 。它就不完整了
。但如果 AI 能寫代碼 ，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 ：參考資料
訂閱
推荐
热门
