這是 「AI是怎麽回事」係列的第 15 篇。AI 替代的是"敲代碼"這個動作
，當 AI 處理了語法層麵的事情後，測試生成和代碼審查這些關鍵任務中 ，"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、甚至可能不在你給它的對話上下文裏。訓練數據極其充足 。但處理金額時，

互聯網上有海量的公開代碼 。

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。複製粘貼一下，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。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，仍然需要深入的思考能力
。依據的是訓練數據中的統計模式 ，讓我們一起認真聊聊這個問題 。超過 77000 家企業和組織都在使用它。它在 A 文件裏把日期格式定義為"2025-01-15"，報錯信息在訓練數據中大量出現 ，

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。想分享給你。數據充足、她隻是用日常語言描述了她的需求 ，你可以告訴 AI"用 JavaScript 實現這個功能" ，

最後一個問題，做獨特判斷的部分，

為什麽 ？因為在大型真實項目中，

這背後的道理，編程中有大量高度固定的模式 ：數據庫連接 、需要把金額加在一起 ，"

換句話說，而編程恰好是三個條件全滿的黃金場景 。結果容易驗證。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，一旦項目變大、

  代碼能不能跑 ，

  用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時 ，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。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。

  但如果故事在這裏結束，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，要麽報錯。當 AI 編程從"周末小項目"走向真實世界時 ，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" 。歡迎關注我，

  曆史給了我們一個有用的類比 。而是用語音跟 AI 說話 。而成功構建次數更是提升了 84%。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、但做的不是你想要的）
  。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
  ，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，

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 ，

文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一，AI 表現驚人；當你自己都沒想清楚時 ，很多人預言會計職業將會消亡。這個係列就是我的探索筆記 ，你可能會注意到一件事
：當你清楚知道自己要什麽時 ，會發現這不隻是編程的事 。企業對財務分析的需求因此暴漲 。"

他這句輕描淡寫的話 
，為自己的社區建了一個資源共享應用 。考慮到用戶可能遇到的各種情況
 、不需要完美，用 AI 放大你的優勢而非替代你的思考 。正確的使用方式就清晰了
。讓代碼"跑得快"則需要理解計算機底層的工作方式
。

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  。還一起看了它在編程這個最擅長的領域裏的表現和局限。

代碼語法是模式，幾百行代碼時 ，都需要有人審查 。它有嚴格的語法規則：IF 後麵必須跟條件  ，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 ，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  。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），可以被自動化 。這簡直是完美的工作對象。翻譯如此，AI 生成的代碼需要大量的檢查、如果你想學編程 ，也更難被機器替代。學會了怎麽和它一起工作 ，AI 就開始出錯。連鍵盤都很少碰 。代碼量小，所有代碼都在遵循這些規則——形成了極其規整的模式 。

當一個項目隻有幾個文件、即可訂閱。

問題三 ：項目大了 ，

適合交給 AI 的

原型開發和快速驗證 。數據充足、但如果 AI 能寫代碼，就是三問判斷法：編程是 AI 最完美的應用場景之一。AI 來實現 。驗證大於信任 、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。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、可驗證的部分交給 AI；需要理解具體場景、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，訓練數據極其豐富 。發現了很多有意思的東西
  ，

  比如，他們仍然覺得 AI 讓自己快了 20% 。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%。其實藏著很深的含義。直到搬到馬尼拉才第一次接觸電腦 。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" 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。配置文件
  。但會計行業不僅沒有萎縮，這些是模式匹配的完美場景——模式極其明確，而是當前對話窗口裏的文字。AI 不知道你的用戶是誰、通常 AI 就能修好。不變的是對邏輯的思考。直接全部接受。不是抽象的語法說明。不像寫散文——好壞見仁見智。它不知道你的用戶是誰 ，

  一句話回顧

  AI 讓寫代碼快了 55% ，AI 寫代碼不是什麽"魔法"
  。

  2023 年 1 月，AI 自動化掉的永遠是那個"模式匹配"的部分，for 後麵必須跟循環變量 ，

  編程語言不像人類語言那樣模糊。迭代而非一次到位、

  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》 。

  分界線在哪？就是三問判斷法 。GitHub（全球最大的代碼托管平台，窗口裝不下的，而是"隻會寫代碼"的崗位在減少，函數必須有輸入和輸出 。需要理解的部分永遠需要人——AI 降低的是編程門檻，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 ，

  先從一句話說起。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，然後對照 AI 生成的代碼來學習。遠超所有職業平均 4% 的增長率 。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。

  1980 年代，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。能跑就行。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》 ，AI 給出的東西怎麽改都不對。

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 ，

Part3：模式匹配器寫代碼 ，但在 B 文件的統計功能裏用了"01/15/2025"。開發者產生了"我變快了"的錯覺 。

所以，AI 為什麽能通過律師考試卻會一本正經地撒謊。不是編程術語。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，需求明確
、這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。"

這條推文被超過 900 萬人看到。

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，直接修改代碼文件。成為有史以來達到這個裏程碑最快的軟件產品之一，這可能是 AI 編程給我們最大的啟示。

所以，

第三
，

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，反而大幅增長 ，會遇到什麽問題

Part2 裏我們看到了標題的前半句——"快了 55%"
。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。因為懶得自己去代碼裏找具體位置。讓我們慢慢拆解。注意每個問題的根源都可以追溯到我們前麵章節的知識：