代碼語法是害快模式 ，

第三，写代訓練數據極其充足。多厉但错多

在菲律賓，害快AI 時代的写代建議是
：重點從"記語法"轉向"練邏輯"。正確的多厉但错多使用方式就清晰了
。AI 為什麽能通過律師考試卻會一本正經地撒謊 
。害快我們不需要猜測。写代沒有你的多厉但错多業務全局視角（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，讓我們慢慢拆解 。害快所有代碼都在遵循這些規則——形成了極其規整的写代模式 。它描述的多厉但错多是一種全新的編程方式：你不寫代碼 ，不變的害快是對邏輯的思考 。答案可能會出乎你的意料。

2023 年 1 月 ，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 ，他會說"把側邊欄的內邊距減半"這種大白話 ，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，也是 AI 幫不了你的部分
。結果是 ：

使用 AI 工具的開發者反而慢了 19% 。我花了不少時間去找到並撤銷這些改動。

曆史給了我們一個有用的類比。會發生什麽。它就不完整了 。

想清楚一個工具應該怎麽工作、需求變複雜 ，

數字背後的驅動力 ，讓我們一起來探索這個問題。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
，入門更容易了
，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，企業對財務分析的需求因此暴漲。

仍然需要人做的

架構設計 。

Part3 ：模式匹配器寫代碼 ，後續文章也會持續更新 
。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，AI 不知道這個區別，直到搬到馬尼拉才第一次接觸電腦 。以及這種"滿"本身又會製造什麽問題。這個係列就是我的探索筆記，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 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、

先看長期趨勢：整體需求在增長。而是"隻會寫代碼"的崗位在減少，這不隻是頂級 AI 專家才能做的事 。用 AI 放大你的優勢而非替代你的思考。但讓"設計係統""判斷質量""理解需求"變得更加重要 。電子表格軟件（如 Excel）普及後 ，需要理解的部分永遠需要人——AI 降低的是編程門檻，那不會編程的人是不是也能"寫"代碼了
？

今天，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，現在來看後半句——「錯多了 75%」。超過 77000 家企業和組織都在使用它 。覺得不錯的話，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，開發者產生了"我變快了"的錯覺。不是編程術語。調試和修改 。配置文件。而是因為 AI 寫得又快又好 。

最有趣的一個實驗

以上三個問題疊加在一起，到 2025 年底估值達到約 90 億美元 。任何有經驗的程序員都知道，"

VibeCoding——這個詞後來入選了維基百科詞條 。程序就出了問題。

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，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 。"

換句話說，會遇到什麽問題

Part2 裏我們看到了標題的前半句——"快了 55%"
。迭代而非一次到位 、數據充足 、這是典型的模式匹配強項。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，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 。

問題一：表麵能跑，

所以 ，通常 AI 就能修好
。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。讓 AI 來寫，這可能是 AI 編程給我們最大的啟示。AI 生成的代碼需要大量的檢查、而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，

這些數字很漂亮。

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，一旦項目變大、而不是精確的 45.3。因為電子表格讓財務分析變得更快更便宜
，給你一個盡可能完整的回答 。Andrej Karpathy（OpenAI 聯合創始人、他們怎麽使用產品、也是最大的一個問題——

AI 會取代我們嗎
？

下一篇 ，AI 替代的是"敲代碼"這個動作 ，擁抱指數級增長，

如果你再仔細想想，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 理解他的意思後，但沒有降低編程的天花板。AI 自動化掉的永遠是那個"模式匹配"的部分  ，窗口裝不下的
，

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，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
，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） ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，直接全部接受。他不用打字 ，

最後一個問題
，AI 在訓練過程中見過的代碼模式，

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》
。

第二，

第一 ，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"。

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。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，即可訂閱 。你來檢查
。不知道你的產品邏輯 
，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，你可能會注意到一件事：當你清楚知道自己要什麽時
，你可以告訴 AI"用 JavaScript 實現這個功能"
，而編程恰好是三個條件全滿的黃金場景。而是用語音跟 AI 說話 。寫代碼恰好就是
。"

他這句輕描淡寫的話 ，報錯信息在訓練數據中大量出現 ，因為懶得自己去代碼裏找具體位置
。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，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 。會發現這不隻是編程的事。

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 ，很多人預言會計職業將會消亡 。你有一個想法，

自己覺得快了 20% ，模式匹配器就能發揮最大威力。不確定可不可行？讓 AI 先做一個粗糙版本出來
，它和 AI 識別人臉（第 1 篇） 、

但短期有一個值得關注的信號：入門級崗位在收縮。他們仍然覺得 AI 讓自己快了 20%。

問題三：項目大了 ，直接讀這篇也沒問題 。軟件開發崗位到 2033 年將增長約 17%，窗口之外的內容就像不存在一樣。

代碼能不能跑，不是"解決問題"這個能力 。AI 見過無數"錯誤-原因-解法"的模式對，結果可驗證時，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"。

這背後的道理 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法，能跑就行 。

這是 「AI是怎麽回事」係列的第 15 篇 。代碼合並率提升了 11% ，但處理金額時，讓代碼"能跑"容易，你甚至不需要看懂代碼——看結果就行。得花好一會兒 。在代碼重構
、歡迎關注我，AI 表現驚人；當你自己都沒想清楚時，需要人來做。AI 不知道你的用戶是誰、"

這條推文被超過 900 萬人看到。我們走了很長一段路 。AI 生成的代碼改動 ？他全部直接接受 ，AI 就幫她生成了可用的程序
。讓我們一起認真聊聊這個問題。

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、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 ，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。

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。Qodo 的調查顯示，函數必須有輸入和輸出。

適合交給 AI 的

原型開發和快速驗證。

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
，

學習新語言和新框架 。

但這裏有一個關鍵的轉變。不像寫散文——好壞見仁見智 。

這意味著什麽？不是程序員變少了，他看都不看修改的內容，AI 給出的東西怎麽改都不對 。然後對照 AI 生成的代碼來學習。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。反而大幅增長 ，自 2022 年 AI 工具普及以來，跑跑程序 、他在做一個他自己都不完全看懂的程序——但程序跑起來了。拆開了 AI 的黑箱，讓代碼"跑得快"則需要理解計算機底層的工作方式。

非程序員的真實案例

更令人驚訝的是  ，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
。連鍵盤都很少碰。但做的不是你想要的）。但因為"敲代碼"這個動作本身確實變快了，為自己的社區建了一個資源共享應用
。

用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時
，它消滅的是"手敲代碼語法"這個動作
，AI 的局限就暴露了。而且 AI 係統本身也需要大量的開發者來構建和維護。

"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，成為有史以來達到這個裏程碑最快的軟件產品之一
，模式匹配在這裏力不從心。

性能優化。歡迎分享+關注。你不需要背誦 for循環的寫法——AI 會替你寫
。

業務邏輯判斷 。但在 B 文件的統計功能裏用了"01/15/2025"
。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。

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，畫出了它的能力邊界，兩邊不一致，需要把金額加在一起，在農村長大，

當一個項目隻有幾個文件、需要理解的部分永遠需要人。

AI 降低了編程的入口，而是想清楚要做什麽
。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 寫代碼不是什麽"魔法"。說說想法
、可以被自動化 。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》，這些是模式匹配的完美場景——模式極其明確 ，代碼量小，模式極其明確。

美國勞工統計局（BLS）預測，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，編程中有大量高度固定的模式：數據庫連接、寫作如此，把報錯信息複製給 AI，要麽報錯
。

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，實際慢了 19%。但要做好，訓練數據極其豐富
。

為什麽會這樣
？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，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 ，你來 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，一試便知。"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，但當項目增長到幾十個文件 
  、

  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 。這是 AI 編程最隱蔽的陷阱。但會計行業不僅沒有萎縮 ，

  2025 年 7 月，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。我查了大量數據，如果你想學編程，學會了怎麽和它一起工作，"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、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。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 ，依據的是訓練數據中的統計模式，三問判斷法三項全滿的任務是 AI 的黃金場景 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。不是抽象的語法說明 。他又發了一條更具體的推文 ：

  "有一種新的編程方式，遇到報錯？把錯誤信息直接複製給 AI，

  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 。是業務問題。AI 時代的好消息是：語法門檻確實大幅降低了 。

  

  上一篇，

  第一次看到這個係列 ？從第1篇開始最順暢 ，幾乎所有 AI 擅長的領域都如此。結果容易驗證。讓我們來看看 AI 編程在實際中長什麽樣。

  下一篇預告

  從第 1 篇"你的手機是怎麽認出你的臉"到現在，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，其實藏著很深的含義
  。然後它就大概能用了
  。但內在邏輯有問題。遇到一個看不懂的報錯信息 ？丟給 AI 。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，什麽行為對他們來說是合理的。驗證大於信任、for 後麵必須跟循環變量 ，它不知道你的用戶是誰
  ，平均用時 1 小時 11 分鍾，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。需求明確
   、但邏輯錯誤也多了 75%。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，

  AI 編程工具和電子表格是同一個故事的新版本 。比幾乎任何其他領域都要豐富。

  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 ，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 ，忘記代碼的存在……我就是看看效果、當 AI 編程從"周末小項目"走向真實世界時 ， 1980 年代 ， 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，想分享給你。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。 斯坦福數字經濟實驗室的研究發現，使用 AI 後，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。 編程的本質不是寫語法，Cursor（Karpathy 自己用的那個 AI 代碼編輯器，做獨特判斷的部分 ，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。

  編程語言不像人類語言那樣模糊。遠超所有職業平均 4% 的增長率 。我一直很好奇 AI 到底是怎麽工作的，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 。它在 A 文件裏把日期格式定義為"2025-01-15"，246 個任務做下來，沒有兩個項目的架構是完全相同的，直接修改代碼文件。

  寫重複性的樣板代碼 。Signal Fire 的報告顯示，AI 寫的每一行代碼 ，對於一個"超級模式匹配器"來說，

  先從一句話說起。代碼提交量提升了 8.69%，

  所以，而是當前對話窗口裏的文字。考慮到用戶可能遇到的各種情況 、不需要完美 ，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"，

文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，原型開發時間可以縮短 50% 到 70% 。都需要有人審查。分析了 470 個開源項目的代碼提交 。

讓我們來看看 ，複製粘貼一下 ，

但如果故事在這裏結束 ，

修 bug 和理解報錯。但更高的生產力會降低軟件的開發成本
，因為修改 B 文件時，"通常這樣就修好了" 。當 AI 處理了語法層麵的事情後，主要級別的問題多了 1.7 倍