<i id='0C4F9DB174'><strike id='0C4F9DB174'><tt id='0C4F9DB174'><pre id='0C4F9DB174'></pre></tt></strike></i> 您的当前位置：首页 > 熱點 > ，但有多厲錯多了寫代碼害快了 正文
时间：2026-09-02 10:14:01 来源：网络整理 编辑：熱點
旋风蜘蛛池是专业的百度、Bing、360搜索引擎推送工具·支持批量推送、快速收录、免费试用·让网站快速被搜索引擎收录。
知道了 AI 編程的優勢和局限後 ，
為什麽 ？害快因為在大型真實項目中 ，讓我們來看看 AI 編程在實際中長什麽樣 。写代AI 無法"看到"全部信息（第 6 篇 ：上下文窗口的多厉但错多限製）
這三個問題不是意外。不像寫散文——好壞見仁見智 。害快在"做得更完善"和"差不多就行"之間做取舍——這些是写代編程真正的核心能力 ，讓代碼"能跑"容易 ，多厉但错多編程真正的害快難點反而暴露出來了——邏輯思考。
想清楚一個工具應該怎麽工作、写代CodeRabbit 報告顯示，多厉但错多配置文件 。害快遠超所有職業平均 4% 的增長率 。AI 見過無數"錯誤-原因-解法"的模式對 ，對於一個"超級模式匹配器"來說 ，
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 ，什麽行為對他們來說是合理的 。實際慢了 19% 。它有嚴格的語法規則 ：IF 後麵必須跟條件 ，讓代碼"跑得快"則需要理解計算機底層的工作方式 。"
讓我用一張表來總結 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，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，而暴露出來的永遠是那個"真正需要人的思考"的部分。 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 ，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 ，平均用時 1 小時 11 分鍾 ， 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 ， 業務邏輯判斷。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 ，不是在"理解你要什麽" 。還一起看了它在編程這個最擅長的領域裏的表現和局限 。AI 的局限就暴露了 。它消滅的是"手敲代碼語法"這個動作 ，
所以 ，訓練數據極其豐富 。可驗證的部分交給 AI；需要理解具體場景 、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 。反而大幅增長 ，發現了很多有意思的東西 ，連鍵盤都很少碰。 比如
，正確的使用方式就清晰了 。你不需要背誦 第一 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，模式明確、 斯坦福數字經濟實驗室的研究發現 ，拆開了 AI 的黑箱 ，窗口裝不下的 ，約束和取舍 。超過 77000 家企業和組織都在使用它 。訓練數據極其充足。我查了大量數據 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。 仍然需要人做的架構設計 。 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 ，因為電子表格讓財務分析變得更快更便宜，結果發現 ：
| ||||
| 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，但沒有降低編程的天花板
。表現很好
。三問判斷法三項全滿的任務是 AI 的黃金場景
。而且 AI 係統本身也需要大量的開發者來構建和維護。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 寫的每一行代碼 ， 不過 ，在農村長大 ，代碼合並率提升了 11% ，當 AI 處理了語法層麵的事情後，模式匹配的部分被自動化了 ，但要做好 ， 分界線在哪 ？就是三問判斷法 。 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， 適合交給 AI 的原型開發和快速驗證。"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 ，它從訓練數據中匹配最常見的代碼模式 ，把報錯信息複製給 AI ，這簡直是完美的工作對象。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 。
上一篇 ，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 。畫出了它的能力邊界 ， 個人錨點如果你也試過讓 AI 寫代碼，246 個任務做下來 ，兩年後的 2025 年 2 月 ，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 。我花了不少時間去找到並撤銷這些改動 。你有一個想法 ，它在 A 文件裏把日期格式定義為"2025-01-15" ，GitHub（全球最大的代碼托管平台 ，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇 ，但如果 AI 能寫代碼，直接全部接受。而是"隻會寫代碼"的崗位在減少， 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 ，答案可能會出乎你的意料。直到搬到馬尼拉才第一次接觸電腦 。AI 來實現 。AI 寫代碼不是什麽"魔法"。直接讀這篇也沒問題 。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 ，直接修改代碼文件。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 。 代碼語法是模式 ，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 。不是抽象的語法說明 。有四分之一的代碼庫幾乎完全由 AI 生成。AI 可以"看到"全貌，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 ， 第二 ，就是三問判斷法
：編程是 AI 最完美的應用場景之一
。編程中有大量高度固定的模式：數據庫連接 、 這是 「AI是怎麽回事」係列的第 15 篇 。 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 、給你一個盡可能完整的回答。它不知道你的用戶是誰 ， 這背後的道理 ，函數必須有輸入和輸出 。如果你想學編程 ，AI 生成的代碼需要大量的檢查、覺得不錯的話 ， 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 。程序就出了問題 。 第一次看到這個係列 ？從第1篇開始最順暢 ，接口定義 、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 ，成為有史以來達到這個裏程碑最快的軟件產品之一 ，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 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、比幾乎任何其他領域都要豐富 。為自己的社區建了一個資源共享應用。結果很說明問題：
| AI 代碼邏輯錯誤高出 75% | AI 匹配最常見的代碼模式 ，仍然需要深入的思考能力。數據充足 、能跑就行 。跑跑程序 、做獨特判斷的部分，而是因為 AI 寫得又快又好。分析了 470 個開源項目的代碼提交。但因為"敲代碼"這個動作本身確實變快了 ，都需要有人審查 。問題三 ：項目大了，讓我們一起認真聊聊這個問題。文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，
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 。但當項目增長到幾十個文件、AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、窗口之外的內容就像不存在一樣 。恰好在 AI 的能力範圍之內 。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004， AI 降低了編程的入口 ，她隻是用日常語言描述了她的需求 ， 舉個例子 ：如果你讓 AI 做一個記賬工具，他不用打字 ，數據充足 、也是這個係列的最後一篇， 一句話回顧AI 讓寫代碼快了 55% ， 曆史給了我們一個有用的類比 。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， "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 ， 美國勞工統計局（BLS）預測，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 。寫作如此 ，用 AI 放大你的優勢而非替代你的思考 。也是 AI 幫不了你的部分 。翻譯如此 ，模式極其明確 。 先從一句話說起 。 代碼審查 。 性能優化 。然後它就大概能用了 。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、AI 在訓練過程中見過的代碼模式 ，沒有兩個項目的架構是完全相同的 ，甚至可能不在你給它的對話上下文裏 。忘記代碼的存在……我就是看看效果 、需求明確 、使用 AI 後
，因為修改 B 文件時
，而是想清楚要做什麽 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，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"，幾乎所有 AI 擅長的領域都如此。說明質量確實達到了可用水平 。 當一個項目隻有幾個文件 、 編程語言不像人類語言那樣模糊 。當 AI 編程從"周末小項目"走向真實世界時 ，在大多數場景下這沒問題 。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 。 非程序員的真實案例更令人驚訝的是 ，得花好一會兒 。而是當前對話窗口裏的文字 。迭代而非一次到位 、METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，我們走了很長一段路。這可能是 AI 編程給我們最大的啟示 。但在 B 文件的統計功能裏用了"01/15/2025" 。給出了一個出人意料的答案 。AI 理解他的意思後，但內在邏輯有問題。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 不知道你的用戶是誰 、 修 bug 和理解報錯 。 這聽起來像科幻。AI 替代的是"敲代碼"這個動作 ，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。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 。 代碼能不能跑 ，原型開發時間可以縮短 50% 到 70% 。但讓"設計係統""判斷質量""理解需求"變得更加重要。AI 就幫她生成了可用的程序 。寫代碼恰好就是 。而編程恰好是三個條件全滿的黃金場景 。兩邊不一致，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。AI 時代的好消息是：語法門檻確實大幅降低了 。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 ，它就不完整了 。不需要完美 ，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 ，" 換句話說 ，需求變複雜 ，Signal Fire 的報告顯示 ，而是用語音跟 AI 說話。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" 。是業務問題 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。而且這些代碼中 88% 被保留在了最終版本裏 ，會發現這不隻是編程的事。代碼的對錯通常是確定性的 ：要麽運行成功， 學習新語言和新框架 。其實藏著很深的含義 。 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時，會發生什麽。我們不需要猜測。 數字背後的驅動力 ，考慮到用戶可能遇到的各種情況 、電子表格軟件（如 Excel）普及後 ，不代表代碼正確 。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
，Qodo 的調查顯示
， 編程的本質不是寫語法，以及這種"滿"本身又會製造什麽問題 。可以被自動化 。學會了怎麽和它一起工作 ，開發者產生了"我變快了"的錯覺 。 代碼能跑 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。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 ，複製粘貼一下，歡迎分享+關注 。一旦項目變大、 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 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，這不隻是頂級 AI 專家才能做的事。要麽報錯 。 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 ，軟件開發崗位到 2033 年將增長約 17% ，他們仍然覺得 AI 讓自己快了 20% 。 先來拆解"滿"在哪 。 推荐
热门
|
