業務邏輯判斷。害快需要理解的写代部分永遠需要人 。每種編程語言都像一本規則手冊，多厉但错多Cursor（Karpathy 自己用的害快那個 AI 代碼編輯器，在農村長大，写代這簡直是多厉但错多完美的工作對象。AI 生成的害快代碼需要大量的檢查
、約束和取舍
。写代其實藏著很深的多厉但错多含義。因為它不"理解"你在做記賬工具——它隻匹配"數字相加"的害快最常見寫法。可以被自動化
。写代

最後一個問題
，多厉但错多我一直很好奇 AI 到底是害快怎麽工作的，不代表代碼正確。Qodo 的調查顯示，它從訓練數據中匹配最常見的代碼模式，246 個任務做下來，

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。讓我們來看看 AI 編程在實際中長什麽樣 。一旦項目變大 、而是因為 AI 寫得又快又好 。連鍵盤都很少碰
。

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，這是典型的模式匹配強項。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。直到搬到馬尼拉才第一次接觸電腦 。但更高的生產力會降低軟件的開發成本
，沒有兩個項目的架構是完全相同的，

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、入門更容易了 ，AI 自動化掉的永遠是那個"模式匹配"的部分，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，

代碼審查。因為懶得自己去代碼裏找具體位置。

2023 年 1 月
，企業對財務分析的需求因此暴漲。但讓"設計係統""判斷質量""理解需求"變得更加重要。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，發現了很多有意思的東西，GitHub（全球最大的代碼托管平台，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。看看效果。我們走了很長一段路 。有趣的是 ，得花好一會兒 。歡迎關注我，

為什麽會這樣 ？用第 9 篇的知識來解釋：AI 是在"續寫代碼"，但邏輯錯誤也多了 75%。在代碼重構
、而成功構建次數更是提升了 84%
。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，注意每個問題的根源都可以追溯到我們前麵章節的知識 ：

這三個問題不是意外。我查了大量數據，但要做好，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。

AI 編程工具和電子表格是同一個故事的新版本 。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
，CodeRabbit 報告顯示，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 ，測試生成和代碼審查這些關鍵任務中 ，遇到一個看不懂的報錯信息
 ？丟給 AI
。但會計行業不僅沒有萎縮，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  ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，因為電子表格讓財務分析變得更快更便宜 ，函數必須有輸入和輸出。

寫重複性的樣板代碼。

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"。程序就出了問題 。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 。他在做一個他自己都不完全看懂的程序——但程序跑起來了。他不用打字，但因為"敲代碼"這個動作本身確實變快了，AI 就開始出錯。需求變複雜，三問判斷法三項全滿的任務是 AI 的黃金場景
。所有代碼都在遵循這些規則——形成了極其規整的模式
。如果你想學編程
，

• 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，

  下一篇預告

  從第 1 篇"你的手機是怎麽認出你的臉"到現在，學會了怎麽和它一起工作 ，但在 B 文件的統計功能裏用了"01/15/2025"。AI 寫代碼不是什麽"魔法" 。接口定義、也更難被機器替代。你可以告訴 AI"用 JavaScript 實現這個功能"，而暴露出來的永遠是那個"真正需要人的思考"的部分。AI 可以"看到"全貌 ，不像寫散文——好壞見仁見智。

  先從一句話說起
  。它不知道你的用戶是誰，兩邊不一致，

  在菲律賓 ，超過 1.5 億開發者在上麵協作。

  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。會計師的工作從"算數"轉向了"分析和決策"——更有價值、AI 見過無數"錯誤-原因-解法"的模式對 ，到 2025 年底估值達到約 90 億美元。AI 生成的代碼改動？他全部直接接受，當 AI 處理了語法層麵的事情後，編程中有大量高度固定的模式：數據庫連接
  、自 2022 年 AI 工具普及以來  ，軟件開發崗位到 2033 年將增長約 17%，把報錯信息複製給 AI，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。也是這個係列的最後一篇，"

  把三個問題串起來

  讓我用一張表來總結，幾百行代碼時，你來檢查。要麽報錯 。你不需要背誦 for循環的寫法——AI 會替你寫。數據充足、

  讓我們來看看，歡迎分享+關注 。什麽行為對他們來說是合理的。它消滅的是"手敲代碼語法"這個動作 ，擁抱指數級增長 ，不是因為自己不會寫 ，

  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 ，平均用時 1 小時 11 分鍾，

  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》。訓練數據極其充足。

  不過
  ，但內在邏輯有問題。比幾乎任何其他領域都要豐富。

  先看長期趨勢
  ：整體需求在增長 。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，因為修改 B 文件時
  ，而且這些代碼中 88% 被保留在了最終版本裏 ，但處理金額時，翻譯如此，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。有四分之一的代碼庫幾乎完全由 AI 生成
  。

  非程序員的真實案例

  更令人驚訝的是，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% 。說明質量確實達到了可用水平。遇到報錯 ？把錯誤信息直接複製給 AI  ，Signal Fire 的報告顯示，他會說"把側邊欄的內邊距減半"這種大白話 ，你甚至不需要看懂代碼——看結果就行。會遇到什麽問題

  Part2 裏我們看到了標題的前半句——"快了 55%" 。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，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，AI 理解他的意思後，畫出了它的能力邊界，

  這背後的道理，但沒有降低編程的天花板
  。直接讀這篇也沒問題
  。前 Tesla AI 總監 ，

  所以
  ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，它就顧不上了 。讓我們一起認真聊聊這個問題。

  但短期有一個值得關注的信號：入門級崗位在收縮 。會發生什麽。需要把金額加在一起，而不是對你業務的理解。

  代碼語法是模式，這可能是 AI 編程給我們最大的啟示
    。

  自己覺得快了 20%，這就是 Karpathy 說的"周末項目"——快速試驗一個想法  ，

  1980 年代 ，AI 替代的是"敲代碼"這個動作 ，但當項目增長到幾十個文件、答案可能會出乎你的意料。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 ，而是"隻會寫代碼"的崗位在減少 ，很多人預言會計職業將會消亡 。考慮到用戶可能遇到的各種情況、

  文章結尾留了一個懸念  ：寫代碼是 AI 最擅長的事之一 ，不是在"理解你要什麽"。

  問題三：項目大了，"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，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。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 ，超過 77000 家企業和組織都在使用它
  。它和 AI 識別人臉（第 1 篇） 、代碼提交量提升了 8.69%，需要人來做。而不是最高效的方式 。驗證大於信任、他看都不看修改的內容 ，它描述的是一種全新的編程方式：你不寫代碼
  ，for 後麵必須跟循環變量，

  代碼能不能跑，不是"解決問題"這個能力。原型開發時間可以縮短 50% 到 70%。

  2025 年 7 月 ，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"。

  為什麽？因為在大型真實項目中，但如果 AI 能寫代碼 ，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
  。他們怎麽使用產品、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，窗口之外的內容就像不存在一樣。她不是程序員，

  第二，而是因為底層邏輯相同。模式匹配器就能發揮最大威力。

  當一個項目隻有幾個文件 、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》，成為有史以來達到這個裏程碑最快的軟件產品之一 ，用 AI 放大你的優勢而非替代你的思考。

  Part3：模式匹配器寫代碼，對於一個"超級模式匹配器"來說，

  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，實際慢了 19% 。

  問題一：表麵能跑
  ，AI 時代的好消息是：語法門檻確實大幅降低了 。

  數字背後的驅動力 ，需要理解的部分永遠需要人——AI 降低的是編程門檻，

  

  上一篇，

  曆史給了我們一個有用的類比。"

  這條推文被超過 900 萬人看到
  。代碼的對錯通常是確定性的：要麽運行成功，但做的不是你想要的）。會發現這不隻是編程的事。給出了一個出人意料的答案 。AI 為什麽能通過律師考試卻會一本正經地撒謊。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，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，使用 AI 後，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。而是想清楚要做什麽。讓 AI 來寫，這個係列就是我的探索筆記，正確的使用方式就清晰了。也是最大的一個問題——

    AI 會取代我們嗎
     ？

    下一篇 ，AI 來生成代碼 。甚至可能不在你給它的對話上下文裏 。配置文件 。而不是精確的 45.3。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。AI 就幫她生成了可用的程序。報錯信息在訓練數據中大量出現，AI 寫的每一行代碼，

    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，

    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。你有一個想法 ，她隻是用日常語言描述了她的需求 ，

    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，表現很好
    。結果容易驗證 。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，依據的是訓練數據中的統計模式，可驗證的部分交給 AI；需要理解具體場景、AI 在訓練過程中見過的代碼模式，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。

  這聽起來像科幻 。

  

  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。

  AI 降低了編程的入口，即可訂閱 。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）
  ，想分享給你。

  修 bug 和理解報錯 。一試便知 。讓我們慢慢拆解。電子表格軟件（如 Excel）普及後，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" ，開發者產生了"我變快了"的錯覺。

分界線在哪？就是三問判斷法。調試和修改 。

但如果故事在這裏結束，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，

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
，

想清楚一個工具應該怎麽工作、"通常這樣就修好了"。還一起看了它在編程這個最擅長的領域裏的表現和局限
。寫作如此，

個人錨點

如果你也試過讓 AI 寫代碼 ，訓練數據極其豐富。

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 。跑跑程序、

如果你再仔細想想 
，寫代碼恰好就是。它就不完整了。而是用語音跟 AI 說話。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，

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 ，這和第 14 篇的四條原則完全一致——不是巧合
，

第一，而是當前對話窗口裏的文字。好在這方麵已經有了大量公開的研究數據，"

他這句輕描淡寫的話 ，在大多數場景下這沒問題。複製粘貼一下，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
，你可能會注意到一件事 ：當你清楚知道自己要什麽時
，

用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時，讓代碼"跑得快"則需要理解計算機底層的工作方式。我花了不少時間去找到並撤銷這些改動 。連看都不看。

這意味著什麽？不是程序員變少了 ，

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，以及這種"滿"本身又會製造什麽問題 。

第一次看到這個係列？從第1篇開始最順暢 ，

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，不是編程術語。不是抽象的語法說明
。然後它就大概能用了 。

這是 「AI是怎麽回事」係列的第 15 篇。而是用日常語言（中文或英文）告訴 AI 你想要什麽，為自己的社區建了一個資源共享應用 。後續文章也會持續更新。AI 的局限就暴露了。現在來看後半句——「錯多了 75%」。而編程恰好是三個條件全滿的黃金場景。不需要完美，然後對照 AI 生成的代碼來學習。

這些數字很漂亮
。讓我們一起來探索這個問題
。需求明確、

舉個例子：如果你讓 AI 做一個記賬工具 ，都需要有人審查 。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。這些是模式匹配的完美場景——模式極其明確 ，也是 AI 幫不了你的部分。不變的是對邏輯的思考。拆開了 AI 的黑箱，業界的經驗顯示 ，

學習新語言和新框架 。仍然需要深入的思考能力 。他又發了一條更具體的推文：

"有一種新的編程方式，模式匹配的部分被自動化了 ，做獨特判斷的部分 ，AI 給出的東西怎麽改都不對 。

但這裏有一個關鍵的轉變。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 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。這是 AI 編程最隱蔽的陷阱。

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 ，恰好在 AI 的能力範圍之內。分析了 470 個開源項目的代碼提交 。幾乎所有 AI 擅長的領域都如此 。

一句話回顧

AI 讓寫代碼快了 55%，忘記代碼的存在……我就是看看效果 、就是三問判斷法：編程是 AI 最完美的應用場景之一 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、"

換句話說，

仍然需要人做的

架構設計。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 。

先來拆解"滿"在哪 。但實際測量的結果是——慢了 19%。

最有趣的一個實驗

以上三個問題疊加在一起 ，通常 AI 就能修好。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，結果是 ：

使用 AI 工具的開發者反而慢了 19%。窗口裝不下的，讓代碼"能跑"容易，當 AI 編程從"周末小項目"走向真實世界時，AI 不知道這個區別 ，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。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，迭代而非一次到位
、代碼量小，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、AI 來實現。