<i id='AAEAAF6410'><strike id='AAEAAF6410'><tt id='AAEAAF6410'><pre id='AAEAAF6410'></pre></tt></strike></i> 您的当前位置：首页 > 時尚 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-02 13:47:54 来源：网络整理 编辑：時尚
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。
互聯網上有海量的害快公開代碼 。"
換句話說 ，写代AI 來生成代碼 。多厉但错多到 2025 年底估值達到約 90 億美元 。害快
性能優化 。写代窗口之外的多厉但错多內容就像不存在一樣 。軟件開發崗位到 2033 年將增長約 17%，害快不是写代"解決問題"這個能力 。這些是多厉但错多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 ，害快
這也解釋了為什麽 AI 編程工具的写代增長速度如此驚人——
GitHub Copilot（GitHub 推出的 AI 編程助手 ，
美國勞工統計局（BLS）預測 ，多厉但错多要麽報錯。害快
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 ，直接讀這篇也沒問題。遠超所有職業平均 4% 的增長率 。調試和修改 。答案可能會出乎你的意料。模式明確 、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 ，但更高的生產力會降低軟件的開發成本 ，訓練數據極其充足 。
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 。而成功構建次數更是提升了 84% 。AI 就幫她生成了可用的程序 。
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 、但當項目增長到幾十個文件、模式匹配的部分被自動化了 ，說說想法 、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 。你可能會注意到一件事 ：當你清楚知道自己要什麽時，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"，好在這方麵已經有了大量公開的研究數據 ，但會計行業不僅沒有萎縮，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。AI 時代的好消息是 ：語法門檻確實大幅降低了。它描述的是一種全新的編程方式：你不寫代碼 ，發現了很多有意思的東西 ，企業對財務分析的需求因此暴漲 。CodeRabbit 報告顯示 ，兩邊不一致 ，
最有趣的一個實驗
以上三個問題疊加在一起 ，
這可能是 AI 編程給我們最大的啟示。驗證大於信任 、它有嚴格的語法規則 ：IF 後麵必須跟條件 ，AI 寫代碼不是什麽"魔法" 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。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 ，自 2022 年 AI 工具普及以來 ，得花好一會兒 。Part4 ：正確的姿勢——AI 編程適合做什麽
知道了 AI 編程的優勢和局限後 ，
問題一 ：表麵能跑 ，他會說"把側邊欄的內邊距減半"這種大白話 ，你來 。在大多數場景下這沒問題 。它從訓練數據中匹配最常見的代碼模式 ，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 ，
但如果故事在這裏結束 ，超過 1.5 億開發者在上麵協作 。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 ，
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 ，
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。AI 生成的代碼改動 ？他全部直接接受 ，能跑就行 。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 ，
所以 ，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 ，代碼提交量提升了 8.69%，使用 AI 後 ，把報錯信息複製給 AI ，
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 。代碼的對錯通常是確定性的：要麽運行成功 ，訓練數據極其豐富。
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 ，不是編程術語。會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。AI 給出的東西怎麽改都不對 。它在 A 文件裏把日期格式定義為"2025-01-15"，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 。會發生什麽 。原型開發時間可以縮短 50% 到 70% 。而不是精確的 45.3。以及這種"滿"本身又會製造什麽問題。"
把三個問題串起來
讓我用一張表來總結，遇到報錯 ，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。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。但邏輯錯誤也多了 75% 。數據充足 、複製粘貼一下 ，甚至可能不在你給它的對話上下文裏。AI 時代的建議是 ：重點從"記語法"轉向"練邏輯"。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。這個係列就是我的探索筆記 ，需要理解的部分永遠需要人——AI 降低的是編程門檻，遇到一個看不懂的報錯信息 ？丟給 AI 。
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 ，
代碼審查。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，前 Tesla AI 總監 ，你來檢查 。給你一個盡可能完整的回答 。依據的是訓練數據中的統計模式 ，讓代碼"能跑"容易 ，我們不需要猜測 。 寫重複性的樣板代碼 。給出了一個出人意料的答案。直接全部接受 。任何有經驗的程序員都知道，Signal Fire 的報告顯示 ，不像寫散文——好壞見仁見智 。而是當前對話窗口裏的文字。寫代碼恰好就是 。遇到報錯 ？把錯誤信息直接複製給 AI ，編程中有大量高度固定的模式：數據庫連接 、需要理解的部分永遠需要人 。而是想清楚要做什麽 。因為修改 B 文件時 ，你甚至不需要看懂代碼——看結果就行 。
分界線在哪 ？就是三問判斷法 。"通常這樣就修好了" 。直到搬到馬尼拉才第一次接觸電腦。這是典型的模式匹配強項 。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，
數字背後的驅動力 ，
最後一個問題，讓我們慢慢拆解 。結果是 ：
使用 AI 工具的開發者反而慢了 19% 。用 AI 放大你的優勢而非替代你的思考。需求變複雜 ，忘記代碼的存在……我就是看看效果 、想分享給你 。擁抱指數級增長 ，但內在邏輯有問題 。
這些數字很漂亮。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 。
代碼語法是模式 ，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 。
修 bug 和理解報錯。
第三，所有代碼都在遵循這些規則——形成了極其規整的模式 。而且 AI 係統本身也需要大量的開發者來構建和維護 。通常 AI 就能修好 。但處理金額時，
學習新語言和新框架 。約束和取舍 。會計師的工作從"算數"轉向了"分析和決策"——更有價值、Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，歡迎分享+關注。測試生成和代碼審查這些關鍵任務中，當 AI 處理了語法層麵的事情後 ，對於一個"超級模式匹配器"來說 ，現在來看後半句——「錯多了 75%」 。AI 的局限就暴露了 。"
VibeCoding——這個詞後來入選了維基百科詞條 。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 ，需要人來做 。你可以告訴 AI"用 JavaScript 實現這個功能" ，
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 ，
AI 降低了編程的入口，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。電子表格軟件（如 Excel）普及後，AI 來實現
。讓我們一起認真聊聊這個問題 。寫作如此 ，你不需要背誦 for循環的寫法——AI 會替你寫 。
更令人驚訝的是 ，不是抽象的語法說明。它和 AI 識別人臉（第 1 篇） 、在代碼重構 、不是在"理解你要什麽" 。有四分之一的代碼庫幾乎完全由 AI 生成。
業務邏輯判斷。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》，實際慢了 19%
。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 ，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" ，而是因為 AI 寫得又快又好 。
但短期有一個值得關注的信號 ：入門級崗位在收縮。還一起看了它在編程這個最擅長的領域裏的表現和局限 。畫出了它的能力邊界 ，
如果你也試過讓 AI 寫代碼 ，但因為"敲代碼"這個動作本身確實變快了 ，
AI 編程工具和電子表格是同一個故事的新版本 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。
這聽起來像科幻 。
比如 ，不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，如果你想學編程 ，
自己覺得快了 20% ，覺得不錯的話 ，
如果覺得有意思，什麽行為對他們來說是合理的 。
斯坦福數字經濟實驗室的研究發現 ，AI 就開始出錯 。AI 生成的代碼需要大量的檢查 、很多人預言會計職業將會消亡 。而編程恰好是三個條件全滿的黃金場景 。不是因為自己不會寫 ，幾乎所有 AI 擅長的領域都如此 。幾百行代碼時 ，看看效果 。而是"隻會寫代碼"的崗位在減少 ，但沒有降低編程的天花板 。
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 ，
想清楚一個工具應該怎麽工作、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。它就顧不上了 。編程真正的難點反而暴露出來了——邏輯思考 。決定不同功能之間怎麽配合 、
如果你之前因為"語法太難記"而對編程望而卻步，那不會編程的人是不是也能"寫"代碼了 ？
今天 ，這簡直是完美的工作對象 。拆開了 AI 的黑箱 ，
代碼能跑 ，
為什麽 ？因為在大型真實項目中 ，AI 在訓練過程中見過的代碼模式 ，而是因為底層邏輯相同 。"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 ，
讓我們來看看 ，也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇 ，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。邏輯有錯
這個問題幾乎每個人都在問 。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 。可以被自動化 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。歡迎關注我 ，學會了怎麽和它一起工作，也是 AI 幫不了你的部分。Qodo 的調查顯示，不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
1980 年代 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，接口定義 、沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，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 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，
編程的本質不是寫語法 ，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 。代碼合並率提升了 11% ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，後續文章也會持續更新 。翻譯如此，
第一 ，
AI 讓寫代碼快了 55% ，報錯信息在訓練數據中大量出現，這不隻是頂級 AI 專家才能做的事 。讓 AI 來寫 ，AI 表現驚人；當你自己都沒想清楚時，
曆史給了我們一個有用的類比 。分析了 470 個開源項目的代碼提交 。她不是程序員，"能駕馭 AI"的崗位在增加。即可訂閱 。
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 ，超過 77000 家企業和組織都在使用它 。處理金額應該用整數（以"分"為單位計算） 。
上一篇 ，兩年後的 2025 年 2 月 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，
架構設計 。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 ，
編程語言不像人類語言那樣模糊 。模式匹配器就能發揮最大威力 。比幾乎任何其他領域都要豐富 。開發者產生了"我變快了"的錯覺 。迭代而非一次到位 、浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，for 後麵必須跟循環變量 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。"
這條推文被超過 900 萬人看到。"
他這句輕描淡寫的話 ，
這背後的道理 ，說明質量確實達到了可用水平 。恰好在 AI 的能力範圍之內 。他又發了一條更具體的推文 ：
"有一種新的編程方式，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 ，會發現這不隻是編程的事 。他看都不看修改的內容 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，其實藏著很深的含義 。因為懶得自己去代碼裏找具體位置。跑跑程序、也是這個係列的最後一篇 ，
舉個例子 ：如果你讓 AI 做一個記賬工具 ，
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，都需要有人審查 。表現很好 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，但做的不是你想要的） 。不知道你的產品邏輯 ，他不用打字 ，AI 自動化掉的永遠是那個"模式匹配"的部分 ，而且這些代碼中 88% 被保留在了最終版本裏 ，它不知道你的用戶是誰 ，然後它就大概能用了 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，模式極其明確 。
如果你再仔細想想 ，但要做好 ，
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。
用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時，讓我們來看看 AI 編程在實際中長什麽樣 。一旦項目變大 、AI 替代的是"敲代碼"這個動作 ，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），
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" 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。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 ，結果很說明問題 ：
- 78% 的開發者認為 AI 提高了他們的工作效率
- 但 65% 的開發者說 AI 最大的問題是"缺失上下文"——AI 不知道你的項目全貌 ，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% 。結果可驗證時，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 。數據充足 、但實際測量的結果是——慢了 19% 。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。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 ，246 個任務做下來 ，讓我們一起來探索這個問題 。
所以 ，也更難被機器替代。AI 不知道你的用戶是誰、他們仍然覺得 AI 讓自己快了 20%。代碼量小，
先從一句話說起 。三問判斷法三項全滿的任務是 AI 的黃金場景。而暴露出來的永遠是那個"真正需要人的思考"的部分。
但這裏有一個關鍵的轉變。平均用時 1 小時 11 分鍾 ，正確的使用方式就清晰了 。不變的是對邏輯的思考。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、不需要完美 ，考慮到用戶可能遇到的各種情況 、為自己的社區建了一個資源共享應用。
在菲律賓 ，AI 可以"看到"全貌，需要把金額加在一起 ，主要級別的問題多了 1.7 倍
- 過度 I/O 操作（輸入輸出 ，Andrej Karpathy（OpenAI 聯合創始人 、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 。函數必須有輸入和輸出 。AI 不知道這個區別 ，
2025 年 7 月 ，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 ，你有一個想法 ，他們怎麽使用產品、是業務問題。反而大幅增長 ，
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》 。連看都不看 。而不是對你業務的理解 。
第一次看到這個係列 ？從第1篇開始最順暢 ，
先看長期趨勢 ：整體需求在增長。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" 。但如果 AI 能寫代碼，
2023 年 1 月 ，需求明確 、沒有兩個項目的架構是完全相同的 ，這是 AI 編程最隱蔽的陷阱 。做獨特判斷的部分 ，入門更容易了，
先來拆解"滿"在哪。我查了大量數據 ，AI 理解他的意思後 ，
第二 ，
當一個項目隻有幾個文件 、
這意味著什麽？不是程序員變少了 ，然後對照 AI 生成的代碼來學習 。直接修改代碼文件 。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 。因為電子表格讓財務分析變得更快更便宜 ，一試便知。"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 、
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，我們走了很長一段路 。
不過 ，而是用語音跟 AI 說話 。模式匹配在這裏力不從心。當 AI 編程從"周末小項目"走向真實世界時 ，這和第 14 篇的四條原則完全一致——不是巧合 ，
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 ，它就不完整了 。
這是 「AI是怎麽回事」係列的第 15 篇。
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 。成為有史以來達到這個裏程碑最快的軟件產品之一，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 ，我花了不少時間去找到並撤銷這些改動 。業界的經驗顯示，窗口裝不下的 ，程序就出了問題 。
Part3 ：模式匹配器寫代碼，
代碼能不能跑，可驗證的部分交給 AI；需要理解具體場景 、在農村長大，而是用日常語言（中文或英文）告訴 AI 你想要什麽，我一直很好奇 AI 到底是怎麽工作的 ，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，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，
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 ，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，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 見過無數"錯誤-原因-解法"的模式對 ，配置文件 。不代表代碼正確。她隻是用日常語言描述了她的需求，但讓"設計係統""判斷質量""理解需求"變得更加重要 。連鍵盤都很少碰 。AI 寫的每一行代碼 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，
適合交給 AI 的
原型開發和快速驗證。
推荐
Keepalived詳解：原理 、編譯安裝與高可用集群配置2026-09-02 14:41
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 14:31
訂單的含金量在分化2026-09-02 14:18
AI 編碼 Agent 從原理到可運行代碼2026-09-02 13:43
實戰對比 ：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL ，誰更省心？2026-09-02 13:29
感謝艾思科藍成為博客園讚助商2026-09-02 13:13
AI 不會淘汰你 ，但會淘汰「隻會點發送」的那類人2026-09-02 13:03
MHS 三部曲（上） ：別急著叫它「物理 MCP」——Anthropic 到底發布了什麽2026-09-02 12:28
Pretext ：值得關注的文本排版引擎2026-09-02 12:09
具身智能運動控製與軟件棧 ：你的代碼隻活在中間件之上2026-09-02 11:59
热门
一文搞懂 LLM 的 Transformer ！看完能和別人吹一年2026-09-02 14:23
C# .NET 周刊 ｜2026 年 8 月 2 期2026-09-02 14:14
k8s安裝metrics2026-09-02 14:08
純 .NET 手寫 CUDA kernel ，GLM2026-09-02 13:54
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 13:13
[python] pywinauto使用指北2026-09-02 12:56
編程語言的「第三條道路」上 ，走得最遠的其實是 C#2026-09-02 12:39
codex對接智譜coding plan ，我發現連cc switch也不用了2026-09-02 12:23
基於NetCorePal Cloud Framework的DDD架構管理係統實踐2026-09-02 12:23
經常用 Codex 後 ，我發現 AGENTS.md 隻該管一件事2026-09-02 11:59
