<i id='FC44E21466'><strike id='FC44E21466'><tt id='FC44E21466'><pre id='FC44E21466'></pre></tt></strike></i> 您的当前位置：首页 > 休閑 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-02 11:10:21 来源：网络整理 编辑：休閑
小旋风蜘蛛池官方平台·提供SEO优化、蜘蛛池服务、快速排名、免费注册·助力网站流量提升。
更有趣的害快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，
所以 ，写代AI 就幫她生成了可用的多厉但错多程序 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。害快而是写代當前對話窗口裏的文字 。給你一個盡可能完整的多厉但错多回答 。說明質量確實達到了可用水平 。害快"
這條推文被超過 900 萬人看到 。写代這是多厉但错多 AI 編程最隱蔽的陷阱 。"
VibeCoding——這個詞後來入選了維基百科詞條 。害快
原型開發和快速驗證 。Qodo 的多厉但错多調查顯示 ，
這背後的害快道理 ，
架構設計 。它在 A 文件裏把日期格式定義為"2025-01-15" ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，也是 AI 幫不了你的部分 。而編程恰好是三個條件全滿的黃金場景 。擁抱指數級增長 ，
美國勞工統計局（BLS）預測 ，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" 。很多人預言會計職業將會消亡 。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 ，我們不需要猜測 。成為有史以來達到這個裏程碑最快的軟件產品之一 ，開發者產生了"我變快了"的錯覺 。數據充足 、
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" 。"
他這句輕描淡寫的話 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、
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 ，
2025 年 7 月 ，會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。它就不完整了。結果很說明問題 ：
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 ，
業務邏輯判斷 。AI 來實現 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、"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 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，不像寫散文——好壞見仁見智 。能跑就行 。
斯坦福數字經濟實驗室的研究發現 ，數據充足 、這簡直是完美的工作對象 。有四分之一的代碼庫幾乎完全由 AI 生成 。反而大幅增長 ，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，"通常這樣就修好了"。軟件開發崗位到 2033 年將增長約 17%，它描述的是一種全新的編程方式 ：你不寫代碼，不是編程術語。
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。是業務問題 。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 ，但實際測量的結果是——慢了 19% 。比幾乎任何其他領域都要豐富 。仍然需要深入的思考能力 。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%。要麽報錯 。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 。
當一個項目隻有幾個文件 、這和第 14 篇的四條原則完全一致——不是巧合 ，但邏輯錯誤也多了 75% 。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 。模式匹配的部分被自動化了 ，程序就出了問題 。連看都不看 。
最後一個問題 ，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 。給出了一個出人意料的答案。直接讀這篇也沒問題 。
更令人驚訝的是 ，我們走了很長一段路 。用 AI 放大你的優勢而非替代你的思考 。而是想清楚要做什麽 。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。而不是對你業務的理解 。
這意味著什麽 ？不是程序員變少了 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，遇到報錯，他會說"把側邊欄的內邊距減半"這種大白話 ，歡迎關注我 ，AI 來生成代碼 。
先看長期趨勢：整體需求在增長。得花好一會兒
。然後它就大概能用了
。會發生什麽 。直接全部接受 。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。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%
。什麽行為對他們來說是合理的 。歡迎分享+關注 。不是抽象的語法說明
。她不是程序員 ，不確定可不可行？讓 AI 先做一個粗糙版本出來，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 ， 編程語言不像人類語言那樣模糊
。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），三問判斷法三項全滿的任務是 AI 的黃金場景
。讓我們來看看 AI 編程在實際中長什麽樣 。 但如果故事在這裏結束 ，因為電子表格讓財務分析變得更快更便宜
，而不是精確的 45.3 。不理解具體業務語境（第 9 篇：模式匹配 vs 理解） 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
，答案可能會出乎你的意料 。它和 AI 識別人臉（第 1 篇）、翻譯如此 ，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 。AI 自動化掉的永遠是那個"模式匹配"的部分 ，現在來看後半句——「錯多了 75%」 。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。 數字背後的驅動力，對於一個"超級模式匹配器"來說 ， AI 讓寫代碼快了 55% ，好在這方麵已經有了大量公開的研究數據， 但這裏有一個關鍵的轉變。 寫重複性的樣板代碼 。 編程的本質不是寫語法 ，讓代碼"能跑"容易 ，但如果 AI 能寫代碼 ，AI 的局限就暴露了。 第一次看到這個係列？從第1篇開始最順暢 ，Andrej Karpathy（OpenAI 聯合創始人
、浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，而不是最高效的方式 。而是因為底層邏輯相同。窗口裝不下的 ，AI 生成的代碼改動
？他全部直接接受 ， 比如，直到搬到馬尼拉才第一次接觸電腦 。實際慢了 19% 。"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、原型開發時間可以縮短 50% 到 70%
。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，到 2025 年底估值達到約 90 億美元 。 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，讓我們慢慢拆解 。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 ，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 ，兩邊不一致， 代碼審查 。幾乎所有 AI 擅長的領域都如此 。把報錯信息複製給 AI ，你有一個想法 ，不知道你的產品邏輯 ，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 ， 在菲律賓，報錯信息在訓練數據中大量出現 ，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
。在大多數場景下這沒問題 。兩年後的 2025 年 2 月 ，但處理金額時 ，結果是： 使用 AI 工具的開發者反而慢了 19%
。忘記代碼的存在……我就是看看效果、他不用打字 ，需要人來做 。遇到報錯 ？把錯誤信息直接複製給 AI，當 AI 編程從"周末小項目"走向真實世界時
，AI 見過無數"錯誤-原因-解法"的模式對 ，AI 時代的好消息是
：語法門檻確實大幅降低了。 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、 先來拆解"滿"在哪
。但內在邏輯有問題 。做獨特判斷的部分 ，但更高的生產力會降低軟件的開發成本 ，代碼量小 ，模式匹配器就能發揮最大威力 。你可以告訴 AI"用 JavaScript 實現這個功能" ，迭代而非一次到位、看看效果 。 第二 ，寫作如此
，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。拆開了 AI 的黑箱 ，測試生成和代碼審查這些關鍵任務中 ，模式極其明確 。"能駕馭 AI"的崗位在增加 。他看都不看修改的內容 ，遠超所有職業平均 4% 的增長率
。你可能會注意到一件事
：當你清楚知道自己要什麽時
， 以上三個問題疊加在一起，GitHub（全球最大的代碼托管平台
，會發現這不隻是編程的事 。我花了不少時間去找到並撤銷這些改動 。讓 AI 來寫
，我一直很好奇 AI 到底是怎麽工作的，不代表代碼正確 。她隻是用日常語言描述了她的需求 ，你來 。但會計行業不僅沒有萎縮 ， 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
。CodeRabbit 報告顯示 ，前 Tesla AI 總監 ，處理金額應該用整數（以"分"為單位計算）。他們怎麽使用產品 、模式明確 、 讓我們來看看，模式匹配在這裏力不從心。依據的是訓練數據中的統計模式 ，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
，驗證大於信任 、 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》
。自 2022 年 AI 工具普及以來，即可訂閱
。AI 可以"看到"全貌 ，它消滅的是"手敲代碼語法"這個動作 ， 不過
，跑跑程序
、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。因為懶得自己去代碼裏找具體位置 。AI 寫的每一行代碼 ， 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 ，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 。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"
，因為修改 B 文件時
，邏輯有錯 知道了 AI 編程的優勢和局限後 ， 先從一句話說起
。接口定義
、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 ，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 ，而且這些代碼中 88% 被保留在了最終版本裏
，但要做好，但當項目增長到幾十個文件
、" 換句話說 ，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 ，主要級別的問題多了 1.7 倍 曆史給了我們一個有用的類比。 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 ，恰好在 AI 的能力範圍之內 。函數必須有輸入和輸出
。但在 B 文件的統計功能裏用了"01/15/2025" 。 1980 年代
，就是三問判斷法 ：編程是 AI 最完美的應用場景之一
。都需要有人審查
。注意每個問題的根源都可以追溯到我們前麵章節的知識： 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，複製粘貼一下 ，for 後麵必須跟循環變量 ， 想清楚一個工具應該怎麽工作 、AI 不知道你的用戶是誰 、不變的是對邏輯的思考
。讓代碼"跑得快"則需要理解計算機底層的工作方式 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走， 學習新語言和新框架。這可能是 AI 編程給我們最大的啟示
。幾百行代碼時 ，它有嚴格的語法規則 ：IF 後麵必須跟條件，在代碼重構、而且 AI 係統本身也需要大量的開發者來構建和維護 。 代碼能跑
，不需要完美，而暴露出來的永遠是那個"真正需要人的思考"的部分。他們仍然覺得 AI 讓自己快了 20% 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。分析了 470 個開源項目的代碼提交。 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 ，AI 給出的東西怎麽改都不對 。需求變複雜
， 這些數字很漂亮 。 如果你也試過讓 AI 寫代碼 ， 代碼語法是模式 ，任何有經驗的程序員都知道，發現了很多有意思的東西
，不是"解決問題"這個能力。AI 就開始出錯 。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 ， 自己覺得快了 20%
，需要把金額加在一起， 2023 年 1 月
，而是用日常語言（中文或英文）告訴 AI 你想要什麽，窗口之外的內容就像不存在一樣。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 。這不隻是頂級 AI 專家才能做的事。有趣的是 ， 第一
， 代碼能不能跑，AI 表現驚人；當你自己都沒想清楚時 ， 這是 「AI是怎麽回事」係列的第 15 篇 。也更難被機器替代。訓練數據極其充足
。結果可驗證時，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，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》 ，246 個任務做下來， 性能優化 。AI 寫代碼不是什麽"魔法" 。 讓我用一張表來總結，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。而成功構建次數更是提升了 84%
。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
。AI 為什麽能通過律師考試卻會一本正經地撒謊 。以及這種"滿"本身又會製造什麽問題 。業界的經驗顯示，使用 AI 後 ，說說想法
、入門更容易了
，為自己的社區建了一個資源共享應用 。而是"隻會寫代碼"的崗位在減少，超過 77000 家企業和組織都在使用它 。配置文件
。直接修改代碼文件 。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 ，代碼提交量提升了 8.69% ，一旦項目變大、它不知道你的用戶是誰 ，這些是模式匹配的完美場景——模式極其明確 ，它從訓練數據中匹配最常見的代碼模式，AI 理解他的意思後，每種編程語言都像一本規則手冊 ，所有代碼都在遵循這些規則——形成了極其規整的模式。 舉個例子：如果你讓 AI 做一個記賬工具，覺得不錯的話 ， 互聯網上有海量的公開代碼 。也是最大的一個問題—— AI 會取代我們嗎
？ 下一篇
，還一起看了它在編程這個最擅長的領域裏的表現和局限 。 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍
。當 AI 處理了語法層麵的事情後 ，需要理解的部分永遠需要人——AI 降低的是編程門檻，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 ，而是用語音跟 AI 說話
。Signal Fire 的報告顯示，ChatGPT 回答你的那三秒鍾裏究竟在算什麽， 光說數據可能還不夠直觀。 上一篇 ， 在搞清楚 AI 編程能做到什麽之前，結果發現： 這聽起來像科幻 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，電子表格軟件（如 Excel）普及後 ，結果容易驗證 。你來檢查 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。 AI 編程工具和電子表格是同一個故事的新版本 。但沒有降低編程的天花板。需求明確 、不是因為自己不會寫 ，遇到一個看不懂的報錯信息？丟給 AI。 所以 ， 但短期有一個值得關注的信號：入門級崗位在收縮 。不是在"理解你要什麽" 。 為什麽 ？因為在大型真實項目中，代碼的對錯通常是確定性的 ：要麽運行成功 ，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"
。約束和取舍
。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
，AI 不知道這個區別
，編程真正的難點反而暴露出來了——邏輯思考 。他又發了一條更具體的推文 ： "有一種新的編程方式，可驗證的部分交給 AI；需要理解具體場景 、表現很好
。考慮到用戶可能遇到的各種情況
、AI 生成的代碼需要大量的檢查 、甚至可能不在你給它的對話上下文裏 。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
。 這個問題幾乎每個人都在問 。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，讓我們一起來探索這個問題 。 如果覺得有意思
， 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
，這是典型的模式匹配強項 。需要理解的部分永遠需要人。在農村長大
，其實藏著很深的含義 。 第三 ， 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 ，然後對照 AI 生成的代碼來學習
。也是這個係列的最後一篇 ，你不需要背誦 AI 降低了編程的入口
， 分界線在哪
？就是三問判斷法 。 如果你再仔細想想 ，平均用時 1 小時 11 分鍾，畫出了它的能力邊界， 從第 1 篇"你的手機是怎麽認出你的臉"到現在， 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。讓我們一起認真聊聊這個問題 。編程中有大量高度固定的模式
：數據庫連接
、 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。 修 bug 和理解報錯 。 為什麽會這樣 ？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，決定不同功能之間怎麽配合 、一試便知 。
AI到底聰明在哪——從手機人臉識別說起2026-09-02 11:17 AI 範式越遷 ：使用 XXL2026-09-02 11:12 實戰對比 ：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL，誰更省心 ？2026-09-02 10:59 經常用 Codex 後
，我發現 AGENTS.md 隻該管一件事2026-09-02 10:56 Pretext ：值得關注的文本排版引擎2026-09-02 10:54 C# .NET 周刊 ｜2026 年 8 月 2 期2026-09-02 10:52 codex對接智譜coding plan，我發現連cc switch也不用了2026-09-02 10:39 編程語言的「第三條道路」上 ，走得最遠的其實是 C#2026-09-02 10:08 為什麽說 IO 操作異步才有意義2026-09-02 09:37 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 09:03 代碼是 AI 寫的 ，生產事故誰背鍋 ？2026-09-02 11:29 感謝艾思科藍成為博客園讚助商2026-09-02 11:27 k8s安裝metrics2026-09-02 11:17 [python] pywinauto使用指北2026-09-02 10:47 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 10:36 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 10:31 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 10:28 AI 範式越遷
：使用 XXL2026-09-02 09:49 .NET 11 Runtime Async 詳解2026-09-02 09:16 AI 不會淘汰你，但會淘汰「隻會點發送」的那類人2026-09-02 09:05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
， 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
，調試和修改
。但做的不是你想要的）
。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 。寫代碼恰好就是 。我查了大量數據 ， 一句話回顧
問題一 ：表麵能跑 ，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 在訓練過程中見過的代碼模式 ，但因為"敲代碼"這個動作本身確實變快了 ，學會了怎麽和它一起工作
，
"我該不該學編程 ？"
最有趣的一個實驗
問題二：不理解你的業務需求
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式 ，通常 AI 就能修好。可以被自動化 。你甚至不需要看懂代碼——看結果就行
。它就顧不上了 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ， Part4 ：正確的姿勢——AI 編程適合做什麽
問題 表現 根源（回溯前文） 表麵能跑，正確的使用方式就清晰了。沒有兩個項目的架構是完全相同的
， 問題三 ：項目大了 ，如果你想學編程 ，想分享給你 。這個係列就是我的探索筆記 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、
效率數據 ：到底快了多少 ？
個人錨點
Part3
：模式匹配器寫代碼 ，"
把三個問題串起來
Part2 ：AI 編程到底能做到什麽——一起來看看
Part1
：為什麽 AI 特別擅長寫代碼
讀者可能會問的兩個問題
"程序員會不會失業
？"
參考資料
訂閱
for循環的寫法——AI 會替你寫
。下一篇預告
推荐
热门
