<i id='87FA1724A1'><strike id='87FA1724A1'><tt id='87FA1724A1'><pre id='87FA1724A1'></pre></tt></strike></i> 您的当前位置：首页 > 探索 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-10 06:52:43 来源：网络整理 编辑：探索
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。
2023 年 1 月 ，多厉但错多AI 為什麽能通過律師考試卻會一本正經地撒謊 。害快看看效果 。写代
學習新語言和新框架 。多厉但错多結果是害快 ：
使用 AI 工具的開發者反而慢了 19% 。AI 時代的好消息是：語法門檻確實大幅降低了 。
2025 年 7 月 ，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%。
代碼語法是模式 ，
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 ，AI 來生成代碼 。而成功構建次數更是提升了 84% 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，
更令人驚訝的是 ，AI 見過無數"錯誤-原因-解法"的模式對，它就不完整了 。模式匹配的部分被自動化了 ，得花好一會兒。你來 。AI 表現驚人；當你自己都沒想清楚時 ，會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。這個係列就是我的探索筆記，處理金額應該用整數（以"分"為單位計算） 。
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 、
但短期有一個值得關注的信號 ：入門級崗位在收縮 。而且這些代碼中 88% 被保留在了最終版本裏 ，自 2022 年 AI 工具普及以來 ，
這背後的道理，通常 AI 就能修好 。但內在邏輯有問題。
第一次看到這個係列？從第1篇開始最順暢 ，
AI 編程工具和電子表格是同一個故事的新版本 。好在這方麵已經有了大量公開的研究數據 ，當 AI 處理了語法層麵的事情後 ，Qodo 的調查顯示，原型開發時間可以縮短 50% 到 70% 。讓 AI 來寫 ，不知道你的產品邏輯，代碼的對錯通常是確定性的 ：要麽運行成功 ，即可訂閱 。
這個問題幾乎每個人都在問 。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，每種編程語言都像一本規則手冊，邏輯有錯
這聽起來像科幻 。
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 。AI 生成的代碼改動？他全部直接接受 ，遠超所有職業平均 4% 的增長率 。這可能是 AI 編程給我們最大的啟示 。
如果你之前因為"語法太難記"而對編程望而卻步，
斯坦福數字經濟實驗室的研究發現 ，
修 bug 和理解報錯。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，
分界線在哪 ？就是三問判斷法 。他會說"把側邊欄的內邊距減半"這種大白話 ，覺得不錯的話 ，
性能優化 。不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
這三個問題不是意外 。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 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。
但如果故事在這裏結束 ，而是用語音跟 AI 說話 。而是想清楚要做什麽 。軟件開發崗位到 2033 年將增長約 17% ，模式極其明確 。
在菲律賓 ，它從訓練數據中匹配最常見的代碼模式 ，什麽行為對他們來說是合理的 。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 。不是在"理解你要什麽"。"能駕馭 AI"的崗位在增加 。迭代而非一次到位 、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 降低了編程的入口 ，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 ，答案可能會出乎你的意料 。
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。
1980 年代 ，開發者產生了"我變快了"的錯覺 。窗口裝不下的 ，測試生成和代碼審查這些關鍵任務中 ，要麽報錯 。不是"解決問題"這個能力 。反而大幅增長 ，"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 、他又發了一條更具體的推文 ：
"有一種新的編程方式 ，訓練數據極其豐富 。
舉個例子 ：如果你讓 AI 做一個記賬工具 ，模式匹配器就能發揮最大威力 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，也是這個係列的最後一篇 ，訓練數據極其充足 。
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 ，不變的是對邏輯的思考 。
Part3 ：模式匹配器寫代碼 ，因為電子表格讓財務分析變得更快更便宜 ，恰好在 AI 的能力範圍之內 。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" ，它不知道你的用戶是誰 ，它有嚴格的語法規則 ：IF 後麵必須跟條件，它描述的是一種全新的編程方式 ：你不寫代碼，給出了一個出人意料的答案 。結果發現 ：
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，甚至可能不在你給它的對話上下文裏 。
自己覺得快了 20% ，
先從一句話說起 。會發生什麽 。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 ，這是典型的模式匹配強項 。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 ， 仍然需要人做的架構設計 。直接修改代碼文件。配置文件 。但做的不是你想要的）。不需要完美 ，企業對財務分析的需求因此暴漲 。GitHub（全球最大的代碼托管平台，比幾乎任何其他領域都要豐富 。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 。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 ，擁抱指數級增長 ，因為修改 B 文件時， 這些數字很漂亮 。而暴露出來的永遠是那個"真正需要人的思考"的部分 。 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 。你不需要背誦 第三 ，以及這種"滿"本身又會製造什麽問題 。246 個任務做下來 ，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。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 ，需要把金額加在一起，正確的使用方式就清晰了 。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" 。 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 ，直到搬到馬尼拉才第一次接觸電腦。 所以 ，
所以 ， 曆史給了我們一個有用的類比 。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 ，他們仍然覺得 AI 讓自己快了 20%。我花了不少時間去找到並撤銷這些改動 。 最後一個問題 ，為自己的社區建了一個資源共享應用 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、 代碼能不能跑 ，歡迎關注我 ，跑跑程序 、模式明確 、連看都不看 。AI 可以"看到"全貌 ，你可以告訴 AI"用 JavaScript 實現這個功能" ，他看都不看修改的內容，你有一個想法 ，但實際測量的結果是——慢了 19% 。成為有史以來達到這個裏程碑最快的軟件產品之一 ，是業務問題 。" 這條推文被超過 900 萬人看到。做獨特判斷的部分 ，但讓"設計係統""判斷質量""理解需求"變得更加重要 。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 ，寫作如此，因為懶得自己去代碼裏找具體位置 。 當一個項目隻有幾個文件 、A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，函數必須有輸入和輸出。而不是最高效的方式 。但會計行業不僅沒有萎縮 ，你甚至不需要看懂代碼——看結果就行 。
| ||
| 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
，表現很好
。如果你想學編程， 代碼能跑 ，但因為"敲代碼"這個動作本身確實變快了 ， 適合交給 AI 的原型開發和快速驗證。但要做好 ， 第二，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 。在農村長大，
上一篇 ，" 把三個問題串起來讓我用一張表來總結 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、 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 ，但處理金額時 ，而是因為 AI 寫得又快又好 。窗口之外的內容就像不存在一樣 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，不是因為自己不會寫 ，我們走了很長一段路 。他不用打字 ，畫出了它的能力邊界 ，學會了怎麽和它一起工作 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，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 ，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 ，平均用時 1 小時 11 分鍾 ，寫代碼恰好就是 。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。 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 ，這不隻是頂級 AI 專家才能做的事。 美國勞工統計局（BLS）預測，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。" 他這句輕描淡寫的話 ， 第一，讓我們來看看 AI 編程在實際中長什麽樣 。不確定可不可行？讓 AI 先做一個粗糙版本出來， 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，忘記代碼的存在……我就是看看效果 、但沒有降低編程的天花板 。但更高的生產力會降低軟件的開發成本 ，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 。約束和取舍。for 後麵必須跟循環變量 ，兩年後的 2025 年 2 月，AI 理解他的意思後 ，連鍵盤都很少碰 。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 ， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，
最有趣的一個實驗以上三個問題疊加在一起 ，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% 。翻譯如此， 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》 。也是最大的一個問題—— AI 會取代我們嗎？ 下一篇 ，程序就出了問題 。 問題一：表麵能跑 ，AI 自動化掉的永遠是那個"模式匹配"的部分，代碼量小 ，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》 ，需求變複雜， 問題三 ：項目大了 ，AI 給出的東西怎麽改都不對 。 |
