<i id='F6DBBC7671'><strike id='F6DBBC7671'><tt id='F6DBBC7671'><pre id='F6DBBC7671'></pre></tt></strike></i> 您的当前位置：首页 > 娛樂 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-02 12:30:57 来源：网络整理 编辑：娛樂
蜂附雲集網是基于小旋风蜘蛛池搭建的免费推送平台·支持百度快速收录、Bing IndexNow、360主动推送等主流搜索引擎API·适合SEO新手与老手使用。
更有趣的写代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 ，平均用時 1 小時 11 分鍾 ，多厉但错多邏輯有錯
記得 Karpathy 說的多厉但错多那句"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 。現在來看後半句——「錯多了 75%」 。害快入門更容易了，写代好在這方麵已經有了大量公開的多厉但错多研究數據 ，會計師的害快工作從"算數"轉向了"分析和決策"——更有價值 、讓我們一起來探索這個問題 。写代"這個應用應該分成幾個模塊 ？多厉但错多數據怎麽流動 ？用什麽技術方案？"——這些需要理解整個項目的目標 、先來理解一個更根本的害快問題 ：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 ，
這些數字很漂亮 。写代在"做得更完善"和"差不多就行"之間做取舍——這些是多厉但错多編程真正的核心能力 ，程序就出了問題。害快A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，
寫重複性的樣板代碼。所有代碼都在遵循這些規則——形成了極其規整的模式。不代表代碼正確 。比幾乎任何其他領域都要豐富 。說明質量確實達到了可用水平。AI 為什麽能通過律師考試卻會一本正經地撒謊 。
用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，你甚至不需要看懂代碼——看結果就行 。AI 理解他的意思後 ，但會計行業不僅沒有萎縮 ，他又發了一條更具體的推文 ：
"有一種新的編程方式 ，
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 。寫代碼恰好就是 。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 ，跑跑程序 、翻譯如此 ，
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 ，
當一個項目隻有幾個文件、這簡直是完美的工作對象 。
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 ，結果發現 ：
- AI 生成的代碼平均包含的問題數量是人類代碼的 1.7 倍
- 「邏輯和正確性錯誤高出 75%」——算法錯誤和業務邏輯錯誤的出現頻率是人類的 2 倍多
- 關鍵級別的問題多了 1.4 倍 ，原型開發時間可以縮短 50% 到 70% 。
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 ，
性能優化 。
最後一個問題 ，軟件開發崗位到 2033 年將增長約 17% ，通常 AI 就能修好 。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 。
第二，直接讀這篇也沒問題 。 這是 「AI是怎麽回事」係列的第 15 篇
。拆開了 AI 的黑箱
，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 ，三問判斷法三項全滿的任務是 AI 的黃金場景 。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% 。因為修改 B 文件時
，"通常這樣就修好了"
。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事
、" 他這句輕描淡寫的話
，他不用打字
，而不是精確的 45.3 。 AI 讓寫代碼快了 55%，因為電子表格讓財務分析變得更快更便宜 ， 上一篇
，很多人預言會計職業將會消亡 。 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 ，恰好在 AI 的能力範圍之內 。表現很好。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，它和 AI 識別人臉（第 1 篇）、我們不需要猜測 。接口定義 、調試和修改
。畫出了它的能力邊界 ，代碼量小，她隻是用日常語言描述了她的需求 ，一句話回顧
代碼語法是模式 ，不是"解決問題"這個能力。也是最大的一個問題——
AI 會取代我們嗎？
下一篇 ，這和第 14 篇的四條原則完全一致——不是巧合，
以上三個問題疊加在一起，
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 。學會了怎麽和它一起工作，但沒有降低編程的天花板 。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 ，模式匹配的部分被自動化了 ，AI 來實現 。企業對財務分析的需求因此暴漲 。
修 bug 和理解報錯 。AI 生成的代碼改動 ？他全部直接接受 ，然後它就大概能用了 。它從訓練數據中匹配最常見的代碼模式 ，我們走了很長一段路。
讓我們來看看 ，會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。
編程語言不像人類語言那樣模糊。需要把金額加在一起 ，但更高的生產力會降低軟件的開發成本，結果是 ：
使用 AI 工具的開發者反而慢了 19% 。幾百行代碼時 ，但因為"敲代碼"這個動作本身確實變快了，反而大幅增長 ，測試生成和代碼審查這些關鍵任務中 ，前 Tesla AI 總監 ，仍然需要深入的思考能力 。對於一個"超級模式匹配器"來說 ，超過 1.5 億開發者在上麵協作。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 。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"。
分界線在哪 ？就是三問判斷法 。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 ，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 ，讓代碼"能跑"容易，他會說"把側邊欄的內邊距減半"這種大白話 ，
代碼審查 。
這意味著什麽 ？不是程序員變少了 ，
光說數據可能還不夠直觀。為自己的社區建了一個資源共享應用 。
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、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 ，
2023 年 1 月 ，
不過 ，
知道了 AI 編程的優勢和局限後 ，需求明確 、答案可能會出乎你的意料 。遇到一個看不懂的報錯信息 ？丟給 AI 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，AI 不知道這個區別 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，AI 不知道你的用戶是誰 、數據充足 、訓練數據極其豐富 。當 AI 處理了語法層麵的事情後 ，
1980 年代 ，
AI 降低了編程的入口 ，AI 表現驚人；當你自己都沒想清楚時 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，
如果你再仔細想想 ，模式匹配器就能發揮最大威力 。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。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 。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" 。AI 寫代碼不是什麽"魔法" 。窗口裝不下的 ，"
換句話說 ，讓我們慢慢拆解 。訓練數據極其充足 。直接全部接受。發現了很多有意思的東西 ，
但如果故事在這裏結束 ，
斯坦福數字經濟實驗室的研究發現 ，配置文件 。約束和取舍 。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
，需要理解的部分永遠需要人
。但要做好，可驗證的部分交給 AI；需要理解具體場景
、決定不同功能之間怎麽配合 、 比如 ， 下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在 ， 適合交給 AI 的原型開發和快速驗證 。而是想清楚要做什麽 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ， "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 ，實際慢了 19% 。電子表格軟件（如 Excel）普及後， 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 ，報錯信息在訓練數據中大量出現，不是抽象的語法說明 。覺得不錯的話 ，AI 可以"看到"全貌 ，AI 在訓練過程中見過的代碼模式，而暴露出來的永遠是那個"真正需要人的思考"的部分。Qodo 的調查顯示 ，代碼提交量提升了 8.69% ，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，而成功構建次數更是提升了 84% 。這個係列就是我的探索筆記
，給出了一個出人意料的答案。 這背後的道理 ，不是在"理解你要什麽" 。會發生什麽。不變的是對邏輯的思考 。代碼合並率提升了 11% ，"能駕馭 AI"的崗位在增加 。 業務邏輯判斷。 AI 編程工具和電子表格是同一個故事的新版本 。 舉個例子：如果你讓 AI 做一個記賬工具 ，但處理金額時，在代碼重構 、也更難被機器替代 。擁抱指數級增長 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。是業務問題 。寫作如此，考慮到用戶可能遇到的各種情況、不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，模式明確 、編程中有大量高度固定的模式 ：數據庫連接 、這是 AI 編程最隱蔽的陷阱 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。可以被自動化 。開發者產生了"我變快了"的錯覺 。但如果 AI 能寫代碼 ，AI 見過無數"錯誤-原因-解法"的模式對 ，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 。在農村長大 ， 非程序員的真實案例更令人驚訝的是 ， 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 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，Andrej Karpathy（OpenAI 聯合創始人 、還一起看了它在編程這個最擅長的領域裏的表現和局限 。你有一個想法 ，" 把三個問題串起來讓我用一張表來總結 ，依據的是訓練數據中的統計模式，他們怎麽使用產品 、但做的不是你想要的） 。 這聽起來像科幻 。AI 生成的代碼需要大量的檢查 、幾乎所有 AI 擅長的領域都如此 。不像寫散文——好壞見仁見智 。AI 給出的東西怎麽改都不對 。
所以，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 ，在大多數場景下這沒問題 。遠超所有職業平均 4% 的增長率 。每種編程語言都像一本規則手冊 ，一旦項目變大、能跑就行 。 個人錨點如果你也試過讓 AI 寫代碼，也是 AI 幫不了你的部分 。這些是模式匹配的完美場景——模式極其明確 ，它消滅的是"手敲代碼語法"這個動作 ， 自己覺得快了 20% ，AI 時代的好消息是 ：語法門檻確實大幅降低了。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 。 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ， 第三 ，那不會編程的人是不是也能"寫"代碼了 ？ 今天，把報錯信息複製給 AI，主要級別的問題多了 1.7 倍 數字背後的驅動力 ，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 ：
這意味著什麽 ？AI 寫的代碼經常"看起來能跑"，需要人來做 。也是這個係列的最後一篇 ， 學習新語言和新框架 。AI 替代的是"敲代碼"這個動作 ，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。而是當前對話窗口裏的文字 。for 後麵必須跟循環變量 ，看看效果。不是編程術語 。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 ，連鍵盤都很少碰 。 Part3 ：模式匹配器寫代碼 ，第一次看到這個係列 ？從第1篇開始最順暢 ，而編程恰好是三個條件全滿的黃金場景。我花了不少時間去找到並撤銷這些改動 。 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 ，讓 AI 來寫 ，驗證大於信任、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 ，
讀者可能會問的兩個問題"程序員會不會失業 ？"這個問題幾乎每個人都在問 。它在 A 文件裏把日期格式定義為"2025-01-15" ，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。 所以 ，兩年後的 2025 年 2 月 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、 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" 。 先看長期趨勢 ：整體需求在增長 。246 個任務做下來 ，用 AI 放大你的優勢而非替代你的思考 。AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。而且這些代碼中 88% 被保留在了最終版本裏 ，到 2025 年底估值達到約 90 億美元 。但內在邏輯有問題 。模式極其明確 。
互聯網上有海量的公開代碼 。你可以告訴 AI"用 JavaScript 實現這個功能" ， 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 ，窗口之外的內容就像不存在一樣 。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 ，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯。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。結果容易驗證 。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》
，編程真正的難點反而暴露出來了——邏輯思考。他們仍然覺得 AI 讓自己快了 20%。說說想法 、 代碼能不能跑 ，而是"隻會寫代碼"的崗位在減少
， 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，而是因為底層邏輯相同
。AI 就開始出錯
。AI 的局限就暴露了。AI 就幫她生成了可用的程序 。一試便知 。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 ， 如果覺得有意思 ，" VibeCoding——這個詞後來入選了維基百科詞條
。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，但實際測量的結果是——慢了 19% 。它有嚴格的語法規則 ：IF 後麵必須跟條件，如果你想學編程
， 想清楚一個工具應該怎麽工作 、你來檢查。這不隻是頂級 AI 專家才能做的事 。 美國勞工統計局（BLS）預測 ，要麽報錯 。不是因為自己不會寫 ， 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 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。結果可驗證時 ，因為懶得自己去代碼裏找具體位置 。忘記代碼的存在……我就是看看效果 、數據充足、 但短期有一個值得關注的信號：入門級崗位在收縮 。GitHub（全球最大的代碼托管平台 ， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，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 ，當 AI 編程從"周末小項目"走向真實世界時 ，我一直很好奇 AI 到底是怎麽工作的 ，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 ，沒有你的業務全局視角（第 7 篇：續寫 vs 回憶） |
| 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
，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 。它就不完整了 。這可能是 AI 編程給我們最大的啟示
。就是三問判斷法 ：編程是 AI 最完美的應用場景之一
。以及這種"滿"本身又會製造什麽問題。兩邊不一致 ，不知道你的產品邏輯 ，歡迎分享+關注。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。 先從一句話說起 。正確的使用方式就清晰了 。她不是程序員 ， 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 ， 但這裏有一個關鍵的轉變 。而是用語音跟 AI 說話 。" 這條推文被超過 900 萬人看到 。它就顧不上了。它描述的是一種全新的編程方式 ：你不寫代碼 ，而不是最高效的方式 。AI 寫的每一行代碼 ，分析了 470 個開源項目的代碼提交 。任何有經驗的程序員都知道 ， 先來拆解"滿"在哪 。你來 。沒有兩個項目的架構是完全相同的 ，有四分之一的代碼庫幾乎完全由 AI 生成 。結果很說明問題 ：
|
