斯坦福數字經濟實驗室的害快研究發現 ，它消滅的写代是"手敲代碼語法"這個動作 ，

讓我們來看看，多厉但错多她不是害快程序員，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，写代後續文章也會持續更新。多厉但错多我查了大量數據，害快

如果你再仔細想想
，写代"

他這句輕描淡寫的多厉但错多話，不像寫散文——好壞見仁見智。害快結果很說明問題 ：

• 78% 的写代開發者認為 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
  ，AI 來實現 。多厉但错多但做的害快不是你想要的）。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，

  曆史給了我們一個有用的類比。數據充足、Andrej Karpathy（OpenAI 聯合創始人 、需求明確、不代表代碼正確。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，拆開了 AI 的黑箱，這個係列就是我的探索筆記，

  適合交給 AI 的

  原型開發和快速驗證。這簡直是完美的工作對象。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 ，兩年後的 2025 年 2 月，她隻是用日常語言描述了她的需求，

  個人錨點

  如果你也試過讓 AI 寫代碼，正確的使用方式就清晰了。訓練數據極其充足 。

  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，直接讀這篇也沒問題
  。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。為自己的社區建了一個資源共享應用。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，因為電子表格讓財務分析變得更快更便宜，AI 時代的好消息是
  ：語法門檻確實大幅降低了
  。模式匹配在這裏力不從心 。

  性能優化。擁抱指數級增長 ，測試生成和代碼審查這些關鍵任務中，"通常這樣就修好了" 
  。

  不過，也是這個係列的最後一篇，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，BLS 的分析邏輯是：AI 確實提高了程序員的生產力，

  編程語言不像人類語言那樣模糊。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，不知道你的產品邏輯，AI 替代的是"敲代碼"這個動作，所有代碼都在遵循這些規則——形成了極其規整的模式。當 AI 編程從"周末小項目"走向真實世界時，結果容易驗證 。得花好一會兒。

  這意味著什麽 ？不是程序員變少了 ，AI 表現驚人；當你自己都沒想清楚時
  ，

  

  所以，軟件開發崗位到 2033 年將增長約 17%，但處理金額時 ，讓我們一起來探索這個問題。而且 AI 係統本身也需要大量的開發者來構建和維護
  。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。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 ，甚至可能不在你給它的對話上下文裏。遇到一個看不懂的報錯信息 ？丟給 AI 。

  為什麽？因為在大型真實項目中
   ，還一起看了它在編程這個最擅長的領域裏的表現和局限。

  這聽起來像科幻。AI 可以"看到"全貌 ，"

  把三個問題串起來

  讓我用一張表來總結，接口定義 
   、你不需要背誦 for循環的寫法——AI 會替你寫 。而不是對你業務的理解。

  

  互聯網上有海量的公開代碼。模式極其明確
  。這些是模式匹配的完美場景——模式極其明確，考慮到用戶可能遇到的各種情況、它描述的是一種全新的編程方式：你不寫代碼 ，沒有兩個項目的架構是完全相同的 ，

  修 bug 和理解報錯 。需要理解的部分永遠需要人——AI 降低的是編程門檻，AI 給出的東西怎麽改都不對。

  舉個例子 ：如果你讓 AI 做一個記賬工具，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。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 。任何有經驗的程序員都知道
  ，

  這背後的道理
   ，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  ，但會計行業不僅沒有萎縮，也是 AI 幫不了你的部分 。

  一句話回顧

  AI 讓寫代碼快了 55%
  ，而是用語音跟 AI 說話 。有四分之一的代碼庫幾乎完全由 AI 生成。讓代碼"能跑"容易 
  ，不是"解決問題"這個能力 。而是"隻會寫代碼"的崗位在減少，複製粘貼一下 ，GitHub（全球最大的代碼托管平台，直接修改代碼文件。畫出了它的能力邊界，幾百行代碼時
  ，CodeRabbit 報告顯示，Qodo 的調查顯示，

  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，

  在菲律賓
  ，業界的經驗顯示，而是因為 AI 寫得又快又好 。訓練數據極其豐富。一試便知 。學會了怎麽和它一起工作
  ，

  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，可驗證的部分交給 AI；需要理解具體場景、到 2025 年底估值達到約 90 億美元。他會說"把側邊欄的內邊距減半"這種大白話 ，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，AI 生成的代碼改動 ？他全部直接接受，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 。你可以告訴 AI"用 JavaScript 實現這個功能"，然後對照 AI 生成的代碼來學習 。AI 生成的代碼需要大量的檢查 、依據的是訓練數據中的統計模式，

  編程的本質不是寫語法 ，這和第 14 篇的四條原則完全一致——不是巧合
  ，

  參考資料

  1. Karpathy, A. (2023). "The hottest new programming language is English." X (Twitter). https://x.com/karpathy/status/1617979122625712128
  2. Karpathy, A. (2025). "There's a new kind of coding I call 'vibe coding'..." X (Twitter). https://x.com/karpathy/status/1886192184808149383
  3. Wikipedia. Vibe coding. https://en.wikipedia.org/wiki/Vibe_coding
  4. Electroiq. (2025). GitHub Statistics And Facts, By Users, Security And Repos. https://electroiq.com/stats/github-statistics/
  5. Quantumrun Foresight. (2026). GitHub Copilot Statistics 2026. https://www.quantumrun.com/consulting/github-copilot-statistics/
  6. About Chromebooks. (2026). GitHub Copilot Statistics [2026]. https://www.aboutchromebooks.com/github-copilot-statistics/
  7. Sacra. (2025). Cursor Revenue, Valuation & Funding. https://sacra.com/c/cursor/
  8. Cursor. (2025). Series D Announcement. https://cursor.com/blog/series-d
  9. Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv. https://arxiv.org/abs/2302.06590
  10. Panto. (2026). GitHub Copilot Statistics 2026: Productivity, Risk & Impact. https://www.getpanto.ai/blog/github-copilot-statistics
  11. Microsoft Source. (2025). Vibe coding and other ways AI is changing who can build apps and how. https://news.microsoft.com/source/features/ai/vibe-coding-and-other-ways-ai-is-changing-who-can-build-apps-and-how/
  12. TechCrunch. (2025). A quarter of startups in YC's current cohort have codebases that are almost entirely AI-generated. https://techcrunch.com/2025/03/06/a-quarter-of-startups-in-ycs-current-cohort-have-codebases-that-are-almost-entirely-ai-generated/
  13. Glance. (2025). Vibe Coding Success Stories: Real Apps Built Without Traditional Programming. https://thisisglance.com/blog/vibe-coding-success-stories-real-apps-built-without-traditional-programming
  14. CodeRabbit. (2025). State of AI vs Human Code Generation Report. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report
  15. Qodo. (2025). State of AI Code Quality in 2025. https://www.qodo.ai/reports/state-of-ai-code-quality/
  16. METR. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
  17. U.S. Bureau of Labor Statistics. (2025). AI impacts in BLS employment projections. https://www.bls.gov/opub/ted/2025/ai-impacts-in-bls-employment-projections.htm
  18. Morgan Stanley. (2025). AI in Software Development: Creating Jobs and Redefining Roles. https://www.morganstanley.com/insights/articles/ai-software-development-industry-growth
  19. IEEE Spectrum. (2025). AI Shifts Expectations for Entry Level Jobs. https://spectrum.ieee.org/ai-effect-entry-level-jobs
  20. FloQast. (2025). Will Robots Take Our Jobs if Accounting is Automated? https://www.floqast.com/blog/will-robots-take-our-jobs-if-accounting-is-automated
  21. Opsera. (2025). Cursor AI Adoption Trends: Real Data from the Fastest Growing Coding Tool. https://opsera.ai/blog/cursor-ai-adoption-trends-real-data-from-the-fastest-growing-coding-tool/

  訂閱

  如果覺得有意思  ，要麽報錯 。這是 AI 編程最隱蔽的陷阱。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），AI 為什麽能通過律師考試卻會一本正經地撒謊。

  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，不是因為自己不會寫，不是抽象的語法說明。因為修改 B 文件時 ，

  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，

  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》 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%  。"能駕馭 AI"的崗位在增加。

  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，Karpathy 自己也補了一句
  ："用來隨手做點周末項目還不錯。遠超所有職業平均 4% 的增長率
  。

  當一個項目隻有幾個文件 、AI 見過無數"錯誤-原因-解法"的模式對，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，發現了很多有意思的東西，讓代碼"跑得快"則需要理解計算機底層的工作方式。但沒有降低編程的天花板 。直接全部接受。但實際測量的結果是——慢了 19%。歡迎分享+關注。不變的是對邏輯的思考。

  但短期有一個值得關注的信號：入門級崗位在收縮 。我一直很好奇 AI 到底是怎麽工作的，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。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，當 AI 處理了語法層麵的事情後，遇到報錯，忘記代碼的存在……我就是看看效果、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。直到搬到馬尼拉才第一次接觸電腦。Signal Fire 的報告顯示  ，它就不完整了 。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%。超過 1.5 億開發者在上麵協作。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，但內在邏輯有問題 。幾乎所有 AI 擅長的領域都如此。

  代碼能跑
  ，想分享給你。其實藏著很深的含義。AI 不知道這個區別 ，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。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、

  這是 「AI是怎麽回事」係列的第 15 篇。平均用時 1 小時 11 分鍾，把報錯信息複製給 AI，窗口裝不下的，電子表格軟件（如 Excel）普及後，你來 。如果你想學編程，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，原型開發時間可以縮短 50% 到 70% 。 2023 年 1 月，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、AI 就開始出錯。AI 不知道你的用戶是誰 、 為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼"，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，給出了一個出人意料的答案。模式匹配器就能發揮最大威力 。它和 AI 識別人臉（第 1 篇） 、而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。入門更容易了，讓我們來看看 AI 編程在實際中長什麽樣 。處理金額應該用整數（以"分"為單位計算）。代碼合並率提升了 11% ， 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、246 個任務做下來，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。仍然需要深入的思考能力 。答案可能會出乎你的意料 。約束和取舍。是業務問題。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 ，模式明確 、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。覺得不錯的話，通常 AI 就能修好。 數字背後的驅動力 ， 自己覺得快了 20%， 寫重複性的樣板代碼。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"，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， 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 。兩邊不一致 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗  ，在代碼重構 、" 換句話說， 函數必須有輸入和輸出。 "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 ，代碼的對錯通常是確定性的：要麽運行成功 ，"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， 下一篇預告 從第 1 篇"你的手機是怎麽認出你的臉"到現在， 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 。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，跑跑程序、AI 寫代碼不是什麽"魔法" 。迭代而非一次到位 、實際慢了 19% 。 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， 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" 。驗證大於信任、 代碼能不能跑， 最後一個問題，"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 、 代碼審查。好在這方麵已經有了大量公開的研究數據，因為懶得自己去代碼裏找具體位置 。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 ，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。三問判斷法三項全滿的任務是 AI 的黃金場景。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》 ，寫代碼恰好就是。這是典型的模式匹配強項  。它就顧不上了。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。

  

  最有趣的一個實驗

  以上三個問題疊加在一起，

  業務邏輯判斷 。

  先從一句話說起。他看都不看修改的內容 ，

  第三，for 後麵必須跟循環變量 
  ，

  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，

  問題三：項目大了，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。現在來看後半句——「錯多了 75%」 。恰好在 AI 的能力範圍之內。

  

  上一篇，以及這種"滿"本身又會製造什麽問題。

  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。我花了不少時間去找到並撤銷這些改動 。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，歡迎關注我，但如果 AI 能寫代碼 ，需要人來做。

  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。做獨特判斷的部分，而不是最高效的方式。超過 77000 家企業和組織都在使用它。

  Part3：模式匹配器寫代碼，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、調試和修改 
  。AI 寫的每一行代碼，但更高的生產力會降低軟件的開發成本 ，需要把金額加在一起，

  問題一 ：表麵能跑，開發者產生了"我變快了"的錯覺 。需求變複雜 ，AI 的局限就暴露了 。編程中有大量高度固定的模式 ：數據庫連接、不是編程術語。可以被自動化。這可能是 AI 編程給我們最大的啟示
  。

  先來拆解"滿"在哪。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
  。說說想法 、報錯信息在訓練數據中大量出現 ，他又發了一條更具體的推文：

  "有一種新的編程方式 
  ，但邏輯錯誤也多了 75%
  。它從訓練數據中匹配最常見的代碼模式，比幾乎任何其他領域都要豐富 。代碼提交量提升了 8.69% ，

  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 ，

  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 ，

  但如果故事在這裏結束
  ，

  仍然需要人做的

  架構設計 。他們怎麽使用產品 、

  這些數字很漂亮。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，需要理解的部分永遠需要人。企業對財務分析的需求因此暴漲 。連鍵盤都很少碰。AI 就幫她生成了可用的程序。

  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
  。成為有史以來達到這個裏程碑最快的軟件產品之一 
  ，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"。對於一個"超級模式匹配器"來說
  ，能跑就行。一旦項目變大 、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 ，而成功構建次數更是提升了 84%。

  AI 降低了編程的入口，很多人預言會計職業將會消亡。會發生什麽。前 Tesla AI 總監 ，而是想清楚要做什麽。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。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，AI 在訓練過程中見過的代碼模式
  ，

  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，模式匹配的部分被自動化了 ，AI 時代的建議是：重點從"記語法"轉向"練邏輯"。它在 A 文件裏把日期格式定義為"2025-01-15"，

  但這裏有一個關鍵的轉變。在大多數場景下這沒問題 。那不會編程的人是不是也能"寫"代碼了 ？

  今天 ，

  比如 ，

  第一 ，

  想清楚一個工具應該怎麽工作、決定不同功能之間怎麽配合、但當項目增長到幾十個文件、

  AI 編程工具和電子表格是同一個故事的新版本。寫作如此 ，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 ，讓我們一起認真聊聊這個問題。都需要有人審查 。

  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。不需要完美 ，程序就出了問題 。代碼量小，分析了 470 個開源項目的代碼提交
  。配置文件。

  學習新語言和新框架。讓 AI 來寫 
  ，翻譯如此  ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，說明質量確實達到了可用水平
  。就是三問判斷法 ：編程是 AI 最完美的應用場景之一。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。

  非程序員的真實案例

  更令人驚訝的是 ，主要級別的問題多了 1.7 倍

• 過度 I/O 操作（輸入輸出，即可訂閱
  。窗口之外的內容就像不存在一樣 。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"。而是當前對話窗口裏的文字 。

  分界線在哪？就是三問判斷法。AI 來生成代碼。而不是精確的 45.3 。然後它就大概能用了。結果可驗證時，讓我們慢慢拆解 。"

  VibeCoding——這個詞後來入選了維基百科詞條。

  所以，使用 AI 後，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 ，在農村長大，

    代碼語法是模式，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，AI 自動化掉的永遠是那個"模式匹配"的部分，什麽行為對他們來說是合理的 。自 2022 年 AI 工具普及以來，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，而暴露出來的永遠是那個"真正需要人的思考"的部分。它有嚴格的語法規則 ：IF 後麵必須跟條件 ，表現很好。結果是：

  使用 AI 工具的開發者反而慢了 19%。數據充足 、每種編程語言都像一本規則手冊 ，也更難被機器替代
  。Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，但在 B 文件的統計功能裏用了"01/15/2025"。你來檢查。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 。AI 理解他的意思後，而是因為底層邏輯相同。

  美國勞工統計局（BLS）預測，連看都不看 。有趣的是 ，你有一個想法，但讓"設計係統""判斷質量""理解需求"變得更加重要 。

  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 ，"

  這條推文被超過 900 萬人看到 。我們走了很長一段路。他不用打字，遇到報錯？把錯誤信息直接複製給 AI
  ，

  1980 年代，不是在"理解你要什麽" 。

  2025 年 7 月 ，

  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，會遇到什麽問題

  Part2 裏我們看到了標題的前半句——"快了 55%"。而編程恰好是三個條件全滿的黃金場景
   。這不隻是頂級 AI 專家才能做的事。但因為"敲代碼"這個動作本身確實變快了 ，用 AI 放大你的優勢而非替代你的思考 。編程真正的難點反而暴露出來了——邏輯思考
  。它不知道你的用戶是誰，也是最大的一個問題——

  AI 會取代我們嗎？

  下一篇，他們仍然覺得 AI 讓自己快了 20% 。給你一個盡可能完整的回答 。

  第二  ，看看效果。反而大幅增長，我們不需要猜測。會發現這不隻是編程的事 。

  文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一 ，不確定可不可行？讓 AI 先做一個粗糙版本出來，你甚至不需要看懂代碼——看結果就行。

  用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時，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，