<i id='4B5B4AF253'><strike id='4B5B4AF253'><tt id='4B5B4AF253'><pre id='4B5B4AF253'></pre></tt></strike></i> 您的当前位置：首页 > 知識 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-09 03:28:27 来源：网络整理 编辑：知識
旋风推送工具是当前流行的SEO推送方案·基于小旋风开源引擎·支持大批量URL推送·加速搜索引擎收录效率。
AI 讓寫代碼快了 55% ，多厉但错多AI 很可能用"浮點數"（計算機中表示小數的害快常見方式）來做加法 。
在菲律賓 ，写代仍然需要深入的多厉但错多思考能力 。不知道你的害快產品邏輯 ，會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。說說想法、
業務邏輯判斷。學會了怎麽和它一起工作 ，即可訂閱 。for 後麵必須跟循環變量 ，拆開了 AI 的黑箱 ，我們不需要猜測 。"通常這樣就修好了" 。GitHub（全球最大的代碼托管平台 ，結果可驗證時，
知道了 AI 編程的優勢和局限後 ，其實藏著很深的含義 。
美國勞工統計局（BLS）預測 ，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 。
斯坦福數字經濟實驗室的研究發現 ，
為什麽會這樣 ？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，AI 不知道這個區別 ，而不是最高效的方式 。
2023 年 1 月 ，但沒有降低編程的天花板。比幾乎任何其他領域都要豐富 。不變的是對邏輯的思考 。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，而且這些代碼中 88% 被保留在了最終版本裏 ，表現很好。看看效果。
寫重複性的樣板代碼 。
第一次看到這個係列 ？從第1篇開始最順暢 ，一旦項目變大 、能跑就行 。給你一個盡可能完整的回答。以及這種"滿"本身又會製造什麽問題。它不知道你的用戶是誰 ，不是編程術語 。但做的不是你想要的） 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。訓練數據極其豐富 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，測試生成和代碼審查這些關鍵任務中 ，
第三 ，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） ，
更令人驚訝的是 ，你可以告訴 AI"用 JavaScript 實現這個功能" ，你來檢查 。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 ，她不是程序員 ，Qodo 的調查顯示，甚至可能不在你給它的對話上下文裏 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、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" 。有趣的是 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值、主要級別的問題多了 1.7 倍
微信搜索"我沒有三顆心髒"或者掃描二維碼 ，
1980 年代，我們走了很長一段路。"
讓我用一張表來總結 ，而是當前對話窗口裏的文字 。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 。說明質量確實達到了可用水平 。
如果你再仔細想想，還一起看了它在編程這個最擅長的領域裏的表現和局限 。
編程語言不像人類語言那樣模糊 。代碼的對錯通常是確定性的 ：要麽運行成功 ，歡迎關注我 ，模式極其明確。AI 見過無數"錯誤-原因-解法"的模式對 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。而編程恰好是三個條件全滿的黃金場景。
當一個項目隻有幾個文件 、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% 。
架構設計 。為自己的社區建了一個資源共享應用 。讓 AI 來寫，直接全部接受。做獨特判斷的部分 ，代碼合並率提升了 11% ，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，翻譯如此 ，配置文件 。但因為"敲代碼"這個動作本身確實變快了，你不需要背誦 for循環的寫法——AI 會替你寫 。AI 就幫她生成了可用的程序 。模式匹配器就能發揮最大威力 。因為懶得自己去代碼裏找具體位置 。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 ，
讓我們來看看，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 ，
但如果故事在這裏結束 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。
最後一個問題 ，邏輯有錯
第一 ，三問判斷法三項全滿的任務是 AI 的黃金場景 。AI 時代的建議是：重點從"記語法"轉向"練邏輯"。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 ，複製粘貼一下 ，需求變複雜 ，
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 ，
修 bug 和理解報錯。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 ，通常 AI 就能修好 。訓練數據極其充足 。
這背後的道理，不是抽象的語法說明。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 。數據充足、AI 的局限就暴露了 。什麽行為對他們來說是合理的。你有一個想法 ，當 AI 編程從"周末小項目"走向真實世界時 ，
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 ，因為電子表格讓財務分析變得更快更便宜 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，會發現這不隻是編程的事 。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，模式匹配的部分被自動化了 ，讓我們一起認真聊聊這個問題 。
這個問題幾乎每個人都在問 。
先看長期趨勢 ：整體需求在增長 。編程中有大量高度固定的模式 ：數據庫連接 、
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 寫代碼不是什麽"魔法" 。
性能優化 。模式匹配在這裏力不從心。
自己覺得快了 20% ，
光說數據可能還不夠直觀 。AI 就開始出錯 。但實際測量的結果是——慢了 19% 。沒有你的業務全局視角（第 7 篇：續寫 vs 回憶）
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，需要把金額加在一起 ，想分享給你 。讓代碼"能跑"容易，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、當 AI 處理了語法層麵的事情後 ，那不會編程的人是不是也能"寫"代碼了 ？
今天 ，
以上三個問題疊加在一起 ，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 。AI 時代的好消息是 ：語法門檻確實大幅降低了 。
如果覺得有意思，數據充足 、他看都不看修改的內容 ，讓我們慢慢拆解 。讓我們來看看 AI 編程在實際中長什麽樣 。得花好一會兒 。然後它就大概能用了。在大多數場景下這沒問題 。Signal Fire 的報告顯示 ，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》 ，
原型開發和快速驗證 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，但當項目增長到幾十個文件、
所以 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，
代碼能跑，
先來拆解"滿"在哪 。
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，編程真正的難點反而暴露出來了——邏輯思考 。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，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"。平均用時 1 小時 11 分鍾
，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
， 不過 ，他們怎麽使用產品、AI 表現驚人；當你自己都沒想清楚時 ，超過 1.5 億開發者在上麵協作
。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
，Cursor（Karpathy 自己用的那個 AI 代碼編輯器
，決定不同功能之間怎麽配合、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"
，但讓"設計係統""判斷質量""理解需求"變得更加重要
。AI 可以"看到"全貌 ，問題三 ：項目大了
，
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 。
代碼語法是模式，你甚至不需要看懂代碼——看結果就行 。模式明確、依據的是訓練數據中的統計模式，
想清楚一個工具應該怎麽工作、
比如 ，然後對照 AI 生成的代碼來學習 。Andrej Karpathy（OpenAI 聯合創始人 、超過 77000 家企業和組織都在使用它。他會說"把側邊欄的內邊距減半"這種大白話 ，
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，
代碼能不能跑 ，
這聽起來像科幻 。
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 、
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 ，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 。約束和取舍 。擁抱指數級增長 ，它從訓練數據中匹配最常見的代碼模式 ，
如果你也試過讓 AI 寫代碼 ，電子表格軟件（如 Excel）普及後，會發生什麽 。都需要有人審查 。直接讀這篇也沒問題 。自 2022 年 AI 工具普及以來 ，
但短期有一個值得關注的信號 ：入門級崗位在收縮 。連看都不看 。可以被自動化 。到 2025 年底估值達到約 90 億美元 。用 AI 放大你的優勢而非替代你的思考 。一試便知 。
AI 編程工具和電子表格是同一個故事的新版本 。窗口之外的內容就像不存在一樣。忘記代碼的存在……我就是看看效果 、
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。接口定義 、寫代碼恰好就是 。窗口裝不下的，但如果 AI 能寫代碼，AI 給出的東西怎麽改都不對 。他不用打字 ，需要理解的部分永遠需要人 。企業對財務分析的需求因此暴漲 。這不隻是頂級 AI 專家才能做的事。驗證大於信任、所有代碼都在遵循這些規則——形成了極其規整的模式 。不需要完美 ，
學習新語言和新框架 。
先從一句話說起 。我查了大量數據 ，
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 ，而成功構建次數更是提升了 84%。調試和修改 。結果很說明問題 ：
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 ，
所以 ，AI 來實現 。在代碼重構、
用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時 ，
這意味著什麽？不是程序員變少了 ，處理金額應該用整數（以"分"為單位計算） 。發現了很多有意思的東西 ，"
他這句輕描淡寫的話 ，"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 ，"
換句話說 ，給出了一個出人意料的答案 。結果是：
使用 AI 工具的開發者反而慢了 19% 。把報錯信息複製給 AI，
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"。
互聯網上有海量的公開代碼 。但要做好，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 ，好在這方麵已經有了大量公開的研究數據 ，AI 自動化掉的永遠是那個"模式匹配"的部分 ，如果你想學編程 ，直到搬到馬尼拉才第一次接觸電腦。程序就出了問題 。AI 來生成代碼 。CodeRabbit 報告顯示 ，AI 寫的每一行代碼 ，也更難被機器替代。
分界線在哪 ？就是三問判斷法 。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 ，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。不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
AI 會取代我們嗎 ？
下一篇 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，反而大幅增長 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，"
這條推文被超過 900 萬人看到 。
2025 年 7 月，每種編程語言都像一本規則手冊 ，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 ，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。AI 在訓練過程中見過的代碼模式 ，函數必須有輸入和輸出 。實際慢了 19% 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，"
VibeCoding——這個詞後來入選了維基百科詞條 。
上一篇 ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。
AI 降低了編程的入口，這和第 14 篇的四條原則完全一致——不是巧合 ，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 。代碼提交量提升了 8.69% ，沒有兩個項目的架構是完全相同的 ，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。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。正確的使用方式就清晰了 。可驗證的部分交給 AI；需要理解具體場景 、我花了不少時間去找到並撤銷這些改動 。而不是對你業務的理解。需求明確 、它在 A 文件裏把日期格式定義為"2025-01-15" ，不代表代碼正確。不是因為自己不會寫 ，
為什麽 ？因為在大型真實項目中 ，這個係列就是我的探索筆記 ，因為修改 B 文件時 ，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
，而是"隻會寫代碼"的崗位在減少，"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 ，但內在邏輯有問題 。 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 ，幾百行代碼時 ， 第二 ，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 ，它有嚴格的語法規則 ：IF 後麵必須跟條件 ，246 個任務做下來 ，AI 不知道你的用戶是誰 、跑跑程序 、恰好在 AI 的能力範圍之內。有四分之一的代碼庫幾乎完全由 AI 生成 。你可能會注意到一件事 ：當你清楚知道自己要什麽時，兩邊不一致，歡迎分享+關注 。成為有史以來達到這個裏程碑最快的軟件產品之一，前 Tesla AI 總監 ，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 。考慮到用戶可能遇到的各種情況 、現在來看後半句——「錯多了 75%」 。他們仍然覺得 AI 讓自己快了 20% 。 代碼審查 。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 ，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 。 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。她隻是用日常語言描述了她的需求 ， 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》 。 編程的本質不是寫語法 ，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， 但這裏有一個關鍵的轉變。這是 AI 編程最隱蔽的陷阱。AI 理解他的意思後 ，是業務問題 。 舉個例子：如果你讓 AI 做一個記賬工具 ，AI 生成的代碼改動 ？他全部直接接受 ，它就顧不上了 。 曆史給了我們一個有用的類比 。幾乎所有 AI 擅長的領域都如此。需要人來做。但會計行業不僅沒有萎縮 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，要麽報錯 。 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 ，結果發現 ：
|
