<i id='5D92B81AD9'><strike id='5D92B81AD9'><tt id='5D92B81AD9'><pre id='5D92B81AD9'></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 03:01:20 来源：网络整理 编辑：焦點
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。
更令人驚訝的是 ，
這是害快 「AI是怎麽回事」係列的第 15 篇 。
上一篇 ，写代覺得不錯的多厉但错多話 ，幾百行代碼時 ，害快AI 時代的写代建議是 ：重點從"記語法"轉向"練邏輯"。所有代碼都在遵循這些規則——形成了極其規整的多厉但错多模式。A 文件可能已經超出了 AI 的害快上下文窗口——對 AI 來說 ，模式匹配的写代部分被自動化了，是多厉但错多業務問題 。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 ，害快
斯坦福數字經濟實驗室的写代研究發現 ，而且這些公司的多厉但错多創始人都是技術背景出身——他們選擇讓 AI 寫代碼 ，AI 生成的害快代碼改動 ？他全部直接接受 ，
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，而不是精確的 45.3。
知道了 AI 編程的優勢和局限後，會發現這不隻是編程的事 。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 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。不是"解決問題"這個能力 。AI 理解他的意思後，軟件開發崗位到 2033 年將增長約 17%， 最後一個問題 ，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 ， 不過 ，要麽報錯 。翻譯如此 ， 代碼語法是模式 ，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 ，接口定義、甚至可能不在你給它的對話上下文裏 。而是用語音跟 AI 說話 。 所以 ， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，發現了很多有意思的東西 ，直到搬到馬尼拉才第一次接觸電腦 。正確的使用方式就清晰了 。 讓我們來看看 ，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。 舉個例子 ：如果你讓 AI 做一個記賬工具 ，兩年後的 2025 年 2 月，到 2025 年底估值達到約 90 億美元。他不用打字 ，AI 就幫她生成了可用的程序。忘記代碼的存在……我就是看看效果 、它消滅的是"手敲代碼語法"這個動作 ，不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解） | ||
| 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 ，用 AI 放大你的優勢而非替代你的思考 。 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。這和第 14 篇的四條原則完全一致——不是巧合 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，需求明確、為自己的社區建了一個資源共享應用 。現在來看後半句——「錯多了 75%」。 在菲律賓， AI 降低了編程的入口 ，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 ， 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》 。業界的經驗顯示 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮。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"。而是"隻會寫代碼"的崗位在減少，不是抽象的語法說明 。但沒有降低編程的天花板 。 適合交給 AI 的原型開發和快速驗證。你甚至不需要看懂代碼——看結果就行 。表現很好 。 比如，AI 的局限就暴露了 。因為電子表格讓財務分析變得更快更便宜 ，AI 在訓練過程中見過的代碼模式 ，迭代而非一次到位 、窗口之外的內容就像不存在一樣 。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 。 仍然需要人做的架構設計 。我查了大量數據 ，寫代碼恰好就是 。讓代碼"跑得快"則需要理解計算機底層的工作方式。不是在"理解你要什麽" 。AI 就開始出錯。不代表代碼正確 。它就不完整了 。 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，配置文件 。這個係列就是我的探索筆記 ，這可能是 AI 編程給我們最大的啟示 。模式明確 、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 ，而暴露出來的永遠是那個"真正需要人的思考"的部分 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，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 ，結果很說明問題 ：
|
| 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
，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，不變的是對邏輯的思考。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" ，模式匹配器就能發揮最大威力 。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 。直接全部接受 。比幾乎任何其他領域都要豐富 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。
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 ，不像寫散文——好壞見仁見智。讓我們一起認真聊聊這個問題 。但要做好 ，AI 來生成代碼 。有四分之一的代碼庫幾乎完全由 AI 生成。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，一旦項目變大 、
代碼能不能跑 ，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 。編程真正的難點反而暴露出來了——邏輯思考。但讓"設計係統""判斷質量""理解需求"變得更加重要 。
AI 編程工具和電子表格是同一個故事的新版本 。
如果你再仔細想想 ，我們走了很長一段路 。但當項目增長到幾十個文件 、不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，但實際測量的結果是——慢了 19% 。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 ，Qodo 的調查顯示 ，前 Tesla AI 總監 ，入門更容易了 ，遇到一個看不懂的報錯信息 ？丟給 AI 。它不知道你的用戶是誰 ，連鍵盤都很少碰 。他們怎麽使用產品 、還一起看了它在編程這個最擅長的領域裏的表現和局限。我花了不少時間去找到並撤銷這些改動。什麽行為對他們來說是合理的 。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 ，它就顧不上了 。
所以 ，
如果覺得有意思，實際慢了 19% 。需要人來做 。主要級別的問題多了 1.7 倍
但如果故事在這裏結束 ，
2025 年 7 月 ，但因為"敲代碼"這個動作本身確實變快了，需求變複雜 ，
這背後的道理，
當一個項目隻有幾個文件、你有一個想法，而成功構建次數更是提升了 84% 。代碼合並率提升了 11% ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法，邏輯有錯
如果你也試過讓 AI 寫代碼，他又發了一條更具體的推文 ：
"有一種新的編程方式 ，而是因為底層邏輯相同 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，不是編程術語。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 。後續文章也會持續更新 。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 。但處理金額時 ，而不是對你業務的理解 。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。
先看長期趨勢：整體需求在增長 。報錯信息在訓練數據中大量出現 ，他看都不看修改的內容 ，直接讀這篇也沒問題 。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，沒有兩個項目的架構是完全相同的 ，結果容易驗證 。
曆史給了我們一個有用的類比。它有嚴格的語法規則 ：IF 後麵必須跟條件，"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 、
分界線在哪 ？就是三問判斷法 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，
Part3：模式匹配器寫代碼 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，
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 。想分享給你 。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 ，
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，分析了 470 個開源項目的代碼提交 。
為什麽？因為在大型真實項目中 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，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 。
先來拆解"滿"在哪。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" 。得花好一會兒 。看看效果 。擁抱指數級增長 ，
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 、對於一個"超級模式匹配器"來說 ，"
這條推文被超過 900 萬人看到 。程序就出了問題。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 ，遠超所有職業平均 4% 的增長率。說說想法 、而不是最高效的方式 。
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 ，依據的是訓練數據中的統計模式 ，Andrej Karpathy（OpenAI 聯合創始人 、你不需要背誦
for循環的寫法——AI 會替你寫 。但邏輯錯誤也多了 75% 。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，會發生什麽 。函數必須有輸入和輸出 。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、代碼能跑 ，可驗證的部分交給 AI；需要理解具體場景 、電子表格軟件（如 Excel）普及後 ，反而大幅增長 ，讓代碼"能跑"容易，以及這種"滿"本身又會製造什麽問題 。自 2022 年 AI 工具普及以來 ，
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 ，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》，
想清楚一個工具應該怎麽工作 、也更難被機器替代 。寫作如此 ，
第一次看到這個係列 ？從第1篇開始最順暢 ，代碼量小，AI 寫代碼不是什麽"魔法" 。不知道你的產品邏輯 ，
性能優化。都需要有人審查 。但如果 AI 能寫代碼 ，AI 自動化掉的永遠是那個"模式匹配"的部分，我一直很好奇 AI 到底是怎麽工作的 ，企業對財務分析的需求因此暴漲 。
這意味著什麽 ？不是程序員變少了，當 AI 處理了語法層麵的事情後 ，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 。窗口裝不下的 ，好在這方麵已經有了大量公開的研究數據 ，可以被自動化。需要理解的部分永遠需要人 。AI 生成的代碼需要大量的檢查 、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 。246 個任務做下來 ，在代碼重構 、超過 77000 家企業和組織都在使用它 。這是 AI 編程最隱蔽的陷阱 。調試和修改 。這不隻是頂級 AI 專家才能做的事 。幾乎所有 AI 擅長的領域都如此 。
先從一句話說起。但更高的生產力會降低軟件的開發成本，"
換句話說 ，把報錯信息複製給 AI ，它和 AI 識別人臉（第 1 篇） 、
業務邏輯判斷。而且 AI 係統本身也需要大量的開發者來構建和維護 。
第二 ，
1980 年代 ，說明質量確實達到了可用水平。答案可能會出乎你的意料 。
一句話回顧
AI 讓寫代碼快了 55% ，代碼的對錯通常是確定性的：要麽運行成功 ，
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 。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 。讓我們慢慢拆解 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。
2023 年 1 月，不是因為自己不會寫，原型開發時間可以縮短 50% 到 70% 。CodeRabbit 報告顯示 ，
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 ，開發者產生了"我變快了"的錯覺。Signal Fire 的報告顯示 ，"
他這句輕描淡寫的話 ，在大多數場景下這沒問題 。每種編程語言都像一本規則手冊 ，
這些數字很漂亮 。歡迎分享+關注。
美國勞工統計局（BLS）預測 ，AI 寫的每一行代碼 ，直接修改代碼文件 。需要把金額加在一起 ，有趣的是，超過 1.5 億開發者在上麵協作 。其實藏著很深的含義。
編程的本質不是寫語法 ，
問題三：項目大了 ，成為有史以來達到這個裏程碑最快的軟件產品之一 ，遇到報錯 ，
Part1 ：為什麽 AI 特別擅長寫代碼
在搞清楚 AI 編程能做到什麽之前 ，而是想清楚要做什麽 。
推荐
AI 寫代碼有多厲害？——快了 55% ，但錯多了 75%2026-09-02 12:25
編程語言的「第三條道路」上，走得最遠的其實是 C#2026-09-02 12:18
AI編程實戰：博客建站+RAG知識庫2026-09-02 11:45
為什麽說WEB框架PasteApeart是AI Coding時代的黃金搭檔 ，從此開啟敏捷開發新思路2026-09-02 11:21
這才是未來的“openclaw”2026-09-02 11:21
[python] pywinauto使用指北2026-09-02 11:16
AI加持後2天時間將公司的運維自動化提高了一個層次2026-09-02 10:39
數學建模第五課 ：從矩形麵積最大問題學會建立優化模型2026-09-02 10:27
AI到底聰明在哪——從手機人臉識別說起2026-09-02 10:12
C# .NET 周刊 ｜2026 年 8 月 2 期2026-09-02 09:45
热门
生產事故2026-09-02 11:24
編程語言的「第三條道路」上 ，走得最遠的其實是 C#2026-09-02 11:22
C# .NET 周刊 ｜2026 年 8 月 2 期2026-09-02 11:15
codex對接智譜coding plan ，我發現連cc switch也不用了2026-09-02 10:59
用 crontab 給 LLM 使用量裝上“監控眼”2026-09-02 10:55
AI 範式越遷 ：使用 XXL2026-09-02 10:51
k8s安裝metrics2026-09-02 10:43
C# .NET 周刊 ｜2026 年 8 月 2 期2026-09-02 10:25
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 10:02
AI 範式越遷 ：使用 XXL2026-09-02 09:54
