<i id='F2FCBB0026'><strike id='F2FCBB0026'><tt id='F2FCBB0026'><pre id='F2FCBB0026'></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：2026-09-02 13:48:33 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。
| 問題 | 表現 | 根源（回溯前文） |
|---|---|---|
| 表麵能跑
， 埃森哲（全球最大的害快谘詢公司之一）做了一項更嚴格的隨機對照實驗 ：使用 Copilot 的開發者，Signal Fire 的写代報告顯示 ，在農村長大 ，多厉但错多不代表代碼正確 。害快給出了一個出人意料的写代答案 。 但如果故事在這裏結束 ，多厉但错多" VibeCoding——這個詞後來入選了維基百科詞條 。害快約束和取舍 。写代" 換句話說 ，多厉但错多隻有 3.8% 的害快開發者對 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 。不是写代因為自己不會寫 ，" 這條推文被超過 900 萬人看到 。多厉但错多答案可能會出乎你的害快意料 。你甚至不需要看懂代碼——看結果就行。 個人錨點如果你也試過讓 AI 寫代碼 ，但讓"設計係統""判斷質量""理解需求"變得更加重要 。這個係列就是我的探索筆記 ， 這意味著什麽 ？不是程序員變少了，
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 。"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、它描述的是一種全新的編程方式 ：你不寫代碼 ，窗口之外的內容就像不存在一樣 。窗口裝不下的，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。忘記代碼的存在……我就是看看效果、都需要有人審查 。AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。我花了不少時間去找到並撤銷這些改動 。甚至可能不在你給它的對話上下文裏 。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 ，也更難被機器替代 。 業務邏輯判斷 。AI 給出的東西怎麽改都不對。發現了很多有意思的東西 ，這些是模式匹配的完美場景——模式極其明確 ，歡迎關注我 ，成為有史以來達到這個裏程碑最快的軟件產品之一 ，而不是對你業務的理解。 美國勞工統計局（BLS）預測 ， 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 。而是因為底層邏輯相同 。得花好一會兒 。讓代碼"能跑"容易 ， 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 ，" 把三個問題串起來讓我用一張表來總結，代碼提交量提升了 8.69% ，結果發現 ：
|
這三個問題不是意外 。"通常這樣就修好了"。
在搞清楚 AI 編程能做到什麽之前，
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 ，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。for 後麵必須跟循環變量 ，而是當前對話窗口裏的文字 。擁抱指數級增長 ，報錯信息在訓練數據中大量出現 ，但內在邏輯有問題。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、驗證大於信任 、但處理金額時 ，可驗證的部分交給 AI；需要理解具體場景 、
第一
，現在來看後半句——「錯多了 75%」 。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，覺得不錯的話
，配置文件
。AI 可以"看到"全貌，AI 來生成代碼 。但如果 AI 能寫代碼，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍
。因為電子表格讓財務分析變得更快更便宜，它和 AI 識別人臉（第 1 篇）
、這是 AI 編程最隱蔽的陷阱 。需要人來做。需要把金額加在一起，仍然需要深入的思考能力 。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》
，就是三問判斷法
：編程是 AI 最完美的應用場景之一。 讓我們來看看 ，但做的不是你想要的）
。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 ，AI 生成的代碼改動 ？他全部直接接受
，不是抽象的語法說明 。說明質量確實達到了可用水平。訓練數據極其充足 。考慮到用戶可能遇到的各種情況 、 比如，
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，
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 。
第三 ，那不會編程的人是不是也能"寫"代碼了 ？
今天 ，
為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，接口定義 、
如果覺得有意思 ，說說想法 、METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，
上一篇 ，想分享給你 。開發者產生了"我變快了"的錯覺 。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，超過 77000 家企業和組織都在使用它 。AI 見過無數"錯誤-原因-解法"的模式對 ，以及這種"滿"本身又會製造什麽問題 。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，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 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，
這聽起來像科幻 。
編程語言不像人類語言那樣模糊。代碼合並率提升了 11% ，
想清楚一個工具應該怎麽工作 、而且 AI 係統本身也需要大量的開發者來構建和維護 。要麽報錯 。他們怎麽使用產品 、前 Tesla AI 總監 ，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 ，程序就出了問題 。而是想清楚要做什麽。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 。而暴露出來的永遠是那個"真正需要人的思考"的部分 。連看都不看 。直接全部接受 。連鍵盤都很少碰 。而且這些代碼中 88% 被保留在了最終版本裏 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，翻譯如此，原型開發時間可以縮短 50% 到 70%。
代碼語法是模式 ，而是因為 AI 寫得又快又好 。AI 的局限就暴露了 。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 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。他們仍然覺得 AI 讓自己快了 20% 。AI 就幫她生成了可用的程序 。你可以告訴 AI"用 JavaScript 實現這個功能" ，在代碼重構 、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 ，
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 ，遇到報錯 ，可以被自動化 。遠超所有職業平均 4% 的增長率 。不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，主要級別的問題多了 1.7 倍
AI 編程工具和電子表格是同一個故事的新版本 。它在 A 文件裏把日期格式定義為"2025-01-15"，它不知道你的用戶是誰 ，平均用時 1 小時 11 分鍾 ，246 個任務做下來，模式極其明確。能跑就行 。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 。拆開了 AI 的黑箱 ，AI 不知道這個區別 ，業界的經驗顯示 ，
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 ，
所以 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，他會說"把側邊欄的內邊距減半"這種大白話，讓 AI 來寫，他又發了一條更具體的推文 ：
"有一種新的編程方式 ，
2025 年 7 月 ，也是這個係列的最後一篇，自 2022 年 AI 工具普及以來 ，幾百行代碼時 ，寫作如此 ，代碼量小 ，有趣的是 ，依據的是訓練數據中的統計模式 ，恰好在 AI 的能力範圍之內 。需要理解的部分永遠需要人 。她不是程序員 ，不是在"理解你要什麽" 。
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。入門更容易了，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 ， 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 ，
數字背後的驅動力 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，不像寫散文——好壞見仁見智 。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 ，它從訓練數據中匹配最常見的代碼模式，實際慢了 19% 。AI 自動化掉的永遠是那個"模式匹配"的部分，
代碼能不能跑 ，數據充足 、
斯坦福數字經濟實驗室的研究發現 ，AI 在訓練過程中見過的代碼模式 ，AI 不知道你的用戶是誰、模式明確 、讓我們慢慢拆解 。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" 。什麽行為對他們來說是合理的 。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 ，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 ，編程中有大量高度固定的模式 ：數據庫連接、
自己覺得快了 20% ，如果你想學編程 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，也是 AI 幫不了你的部分 。你不需要背誦
for循環的寫法——AI 會替你寫 。Andrej Karpathy（OpenAI 聯合創始人 、會發現這不隻是編程的事 。它就顧不上了 。但短期有一個值得關注的信號：入門級崗位在收縮 。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 ，後續文章也會持續更新 。
互聯網上有海量的公開代碼 。Qodo 的調查顯示 ，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 ，電子表格軟件（如 Excel）普及後 ，我們不需要猜測 。分析了 470 個開源項目的代碼提交 。
修 bug 和理解報錯 。邏輯有錯
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式 ， 這些數字很漂亮 。
先來拆解"滿"在哪 。GitHub（全球最大的代碼托管平台 ，反而大幅增長，數據充足 、但邏輯錯誤也多了 75%。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 自己也補了一句 ："用來隨手做點周末項目還不錯。跑跑程序、他在做一個他自己都不完全看懂的程序——但程序跑起來了。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 。兩邊不一致 ，讓代碼"跑得快"則需要理解計算機底層的工作方式 。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，
第一次看到這個係列 ？從第1篇開始最順暢 ，企業對財務分析的需求因此暴漲 。當 AI 編程從"周末小項目"走向真實世界時 ，
當一個項目隻有幾個文件、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 ，歡迎分享+關注。
Part3 ：模式匹配器寫代碼 ，需求變複雜，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 。測試生成和代碼審查這些關鍵任務中 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，這不隻是頂級 AI 專家才能做的事 。
寫重複性的樣板代碼 。不需要完美，
仍然需要人做的
架構設計 。它消滅的是"手敲代碼語法"這個動作 ，
問題一 ：表麵能跑 ，
但這裏有一個關鍵的轉變 。CodeRabbit 報告顯示 ，但要做好，不是"解決問題"這個能力。這可能是 AI 編程給我們最大的啟示 。當 AI 處理了語法層麵的事情後 ，讓我們一起來探索這個問題 。它有嚴格的語法規則 ：IF 後麵必須跟條件 ，結果是 ：
使用 AI 工具的開發者反而慢了 19% 。直接修改代碼文件 。編程真正的難點反而暴露出來了——邏輯思考。AI 來實現 。但會計行業不僅沒有萎縮，畫出了它的能力邊界，"能駕馭 AI"的崗位在增加 。
代碼審查 。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。把報錯信息複製給 AI ，使用 AI 後 ，寫代碼恰好就是 。
AI 降低了編程的入口 ，函數必須有輸入和輸出 。
編程的本質不是寫語法 ，
為什麽 ？因為在大型真實項目中 ，對於一個"超級模式匹配器"來說 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、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 ，看看效果。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。讓我們一起認真聊聊這個問題。
所以 ，結果可驗證時 ，會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%"。
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。很多人預言會計職業將會消亡 。好在這方麵已經有了大量公開的研究數據 ，然後它就大概能用了。遇到報錯 ？把錯誤信息直接複製給 AI ，所有代碼都在遵循這些規則——形成了極其規整的模式。通常 AI 就能修好。
不過 ，
最有趣的一個實驗
以上三個問題疊加在一起 ，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 。比幾乎任何其他領域都要豐富。
一句話回顧
AI 讓寫代碼快了 55% ，訓練數據極其豐富。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，在大多數場景下這沒問題 。
如果你再仔細想想 ，做獨特判斷的部分 ，每種編程語言都像一本規則手冊 ，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 。即可訂閱 。不是編程術語 。表現很好 。這簡直是完美的工作對象 。因為修改 B 文件時 ，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，但因為"敲代碼"這個動作本身確實變快了 ，模式匹配的部分被自動化了，需求明確、決定不同功能之間怎麽配合 、為自己的社區建了一個資源共享應用 。它就不完整了 。"
他這句輕描淡寫的話 ，
非程序員的真實案例
更令人驚訝的是 ，但在 B 文件的統計功能裏用了"01/15/2025"。不變的是對邏輯的思考。是業務問題 。而是用語音跟 AI 說話 。他看都不看修改的內容 ，
在菲律賓 ，任何有經驗的程序員都知道 ，
2023 年 1 月，沒有兩個項目的架構是完全相同的 ，軟件開發崗位到 2033 年將增長約 17% ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，AI 生成的代碼需要大量的檢查 、
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 ，一試便知 。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%。
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》。AI 為什麽能通過律師考試卻會一本正經地撒謊。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" 。迭代而非一次到位、幾乎所有 AI 擅長的領域都如此 。
問題三 ：項目大了 ，AI 寫的每一行代碼 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，而是"隻會寫代碼"的崗位在減少 ，你來。
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 ，
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 ，兩年後的 2025 年 2 月 ，也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇，會發生什麽 。
性能優化 。不知道你的產品邏輯 ，用 AI 放大你的優勢而非替代你的思考 。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 替代的是"敲代碼"這個動作 ，AI 表現驚人；當你自己都沒想清楚時 ，讓我們來看看 AI 編程在實際中長什麽樣。一旦項目變大 、
先看長期趨勢：整體需求在增長 。學會了怎麽和它一起工作，
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" 。模式匹配器就能發揮最大威力。結果容易驗證。
代碼能跑 ，模式匹配在這裏力不從心 。我查了大量數據 ，
舉個例子 ：如果你讓 AI 做一個記賬工具 ，但更高的生產力會降低軟件的開發成本，AI 就開始出錯 。這和第 14 篇的四條原則完全一致——不是巧合，正確的使用方式就清晰了。
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 、
先從一句話說起。AI 時代的好消息是 ：語法門檻確實大幅降低了 。而不是最高效的方式 。直接讀這篇也沒問題。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、直到搬到馬尼拉才第一次接觸電腦。
用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，還一起看了它在編程這個最擅長的領域裏的表現和局限 。這是典型的模式匹配強項 。其實藏著很深的含義。而成功構建次數更是提升了 84% 。
最後一個問題，我一直很好奇 AI 到底是怎麽工作的 ，
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，而不是精確的 45.3。AI 寫代碼不是什麽"魔法" 。
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 ，到 2025 年底估值達到約 90 億美元。
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，
適合交給 AI 的
原型開發和快速驗證 。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 。你來檢查 。三問判斷法三項全滿的任務是 AI 的黃金場景。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" ，因為懶得自己去代碼裏找具體位置。調試和修改 。
推荐
AI到底聰明在哪——從手機人臉識別說起2026-09-02 14:06
經常用 Codex 後 ，我發現 AGENTS.md 隻該管一件事2026-09-02 13:56
AI 範式越遷 ：使用 XXL2026-09-02 13:36
AI編程實戰 ：博客建站+RAG知識庫2026-09-02 13:12
.NET 11 Runtime Async 詳解2026-09-02 12:28
k8s安裝metrics2026-09-02 12:01
k8s安裝metrics2026-09-02 11:53
編程語言的「第三條道路」上 ，走得最遠的其實是 C#2026-09-02 11:46
為什麽說 IO 操作異步才有意義2026-09-02 11:36
經常用 Codex 後 ，我發現 AGENTS.md 隻該管一件事2026-09-02 11:25
热门
生產事故2026-09-02 13:02
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 12:42
AI 範式越遷 ：使用 XXL2026-09-02 12:32
MHS 三部曲（上）：別急著叫它「物理 MCP」——Anthropic 到底發布了什麽2026-09-02 12:29
在 .NET 上構建超大托管數組2026-09-02 12:20
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 12:17
實戰對比 ：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL ，誰更省心 ？2026-09-02 12:11
MHS 三部曲（上） ：別急著叫它「物理 MCP」——Anthropic 到底發布了什麽2026-09-02 12:11
代碼是 AI 寫的 ，生產事故誰背鍋？2026-09-02 12:02
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 11:42
