，但寫代碼快了有多厲害錯多了
非程序員的真實案例
更令人驚訝的是 ，而未使用的害快對照組平均用時 2 小時 41 分鍾——快了 55% 。驗證大於信任、写代不是多厉但错多在"理解你要什麽"。
GitHub Copilot 現在平均貢獻了活躍用戶約 46% 的害快代碼——幾乎一半的代碼是 AI 寫的 。直接修改代碼文件 。写代這就是多厉但错多 Karpathy 說的"周末項目"——快速試驗一個想法，幾百行代碼時 ，害快我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，写代
多厉但错多
把三個問題串起來
讓我用一張表來總結 ，害快遠超所有職業平均 4% 的增長率。有趣的是 ，模式匹配在這裏力不從心 。處理金額應該用整數（以"分"為單位計算） 。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 。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 。
美國勞工統計局（BLS）預測 ，然後它就大概能用了 。但在 B 文件的統計功能裏用了"01/15/2025" 。讓我們一起認真聊聊這個問題 。一旦項目變大 、電子表格軟件（如 Excel）普及後 ，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
，你甚至不需要看懂代碼——看結果就行 。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 ，GitHub（全球最大的代碼托管平台
，但會計行業不僅沒有萎縮
，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。 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 、你來檢查。忘記代碼的存在……我就是看看效果 、 先看長期趨勢：整體需求在增長 。 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 ，需要理解的部分永遠需要人 。" 他這句輕描淡寫的話 ，答案可能會出乎你的意料 。 性能優化 。要麽報錯。
最有趣的一個實驗以上三個問題疊加在一起 ，但處理金額時 ，AI 來實現 。 問題一：表麵能跑 ，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 ，當 AI 處理了語法層麵的事情後 ，但邏輯錯誤也多了 75% 。不是"解決問題"這個能力 。讓我們來看看 AI 編程在實際中長什麽樣 。 當一個項目隻有幾個文件 、因為電子表格讓財務分析變得更快更便宜，但讓"設計係統""判斷質量""理解需求"變得更加重要 。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，決定不同功能之間怎麽配合 、會發生什麽 。他們怎麽使用產品 、 但短期有一個值得關注的信號 ：入門級崗位在收縮 。其實藏著很深的含義
。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》
， 但如果故事在這裏結束， 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 。CodeRabbit 報告顯示
，for 後麵必須跟循環變量 ，配置文件。用 AI 放大你的優勢而非替代你的思考。而不是精確的 45.3 。一試便知 。在代碼重構、 如果你也試過讓 AI 寫代碼 ，結果是 ： 使用 AI 工具的開發者反而慢了 19%
。" 換句話說 ，而暴露出來的永遠是那個"真正需要人的思考"的部分 。 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" 。但做的不是你想要的） 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升
。約束和取舍
。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 。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
，寫作如此 ，246 個任務做下來 ，需要人來做。 架構設計 。 互聯網上有海量的公開代碼 。什麽行為對他們來說是合理的 。開發者產生了"我變快了"的錯覺
。窗口裝不下的 ，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 。遇到報錯 ，而是想清楚要做什麽 。 先來拆解"滿"在哪 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，仍然需要深入的思考能力 。迭代而非一次到位 、即可訂閱 。不需要完美 ，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 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、因為懶得自己去代碼裏找具體位置 。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 。 參考資料
訂閱如果覺得有意思 ， 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，成為有史以來達到這個裏程碑最快的軟件產品之一 ， 舉個例子：如果你讓 AI 做一個記賬工具， 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 ，而不是最高效的方式 。你來 。它和 AI 識別人臉（第 1 篇） 、AI 見過無數"錯誤-原因-解法"的模式對 ， 編程的本質不是寫語法
，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，拆開了 AI 的黑箱，會發現這不隻是編程的事
。 知道了 AI 編程的優勢和局限後 ，他們仍然覺得 AI 讓自己快了 20% 。 先從一句話說起 。超過 77000 家企業和組織都在使用它 。 這些數字很漂亮。我們走了很長一段路 。比幾乎任何其他領域都要豐富 。訓練數據極其充足 。 這意味著什麽 ？不是程序員變少了 ，而是因為底層邏輯相同 。而是"隻會寫代碼"的崗位在減少，不知道你的產品邏輯 ，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" ， 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 ，不代表代碼正確 。AI 不知道這個區別
， 這聽起來像科幻
。如果你想學編程，需要把金額加在一起
，通常 AI 就能修好
。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。翻譯如此 ，歡迎關注我
，表現很好 。我查了大量數據，不是編程術語。是業務問題。他看都不看修改的內容，可以被自動化 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。AI 自動化掉的永遠是那個"模式匹配"的部分，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，但內在邏輯有問題 。而且 AI 係統本身也需要大量的開發者來構建和維護 。她不是程序員
，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍
。報錯信息在訓練數據中大量出現 ，給你一個盡可能完整的回答
。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗
， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一， AI 編程工具和電子表格是同一個故事的新版本。AI 寫代碼不是什麽"魔法"。 分界線在哪 ？就是三問判斷法 。需求變複雜 ，而是用語音跟 AI 說話 。 業務邏輯判斷 。 第三 ，發現了很多有意思的東西 ，看看效果 。 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》 。說明質量確實達到了可用水平 。好在這方麵已經有了大量公開的研究數據，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 。代碼量小 ，你不需要背誦 2025 年 7 月，還一起看了它在編程這個最擅長的領域裏的表現和局限 。也是這個係列的最後一篇 ，當 AI 編程從"周末小項目"走向真實世界時 ，很多人預言會計職業將會消亡 。後續文章也會持續更新 。 斯坦福數字經濟實驗室的研究發現 ，編程中有大量高度固定的模式 ：數據庫連接 、AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、做獨特判斷的部分 ，它就顧不上了 。程序就出了問題 。 如果你再仔細想想 ，把報錯信息複製給 AI ，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 。讓代碼"跑得快"則需要理解計算機底層的工作方式。依據的是訓練數據中的統計模式 ，平均用時 1 小時 11 分鍾 ，這簡直是完美的工作對象 。接口定義、三問判斷法三項全滿的任務是 AI 的黃金場景。代碼的對錯通常是確定性的 ：要麽運行成功 ，而且這些代碼中 88% 被保留在了最終版本裏 ， 這背後的道理， 所以，讓我們慢慢拆解 。而不是對你業務的理解。但沒有降低編程的天花板 。我一直很好奇 AI 到底是怎麽工作的，幾乎所有 AI 擅長的領域都如此。而是當前對話窗口裏的文字 。都需要有人審查 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，"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 、恰好在 AI 的能力範圍之內。 下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，AI 來生成代碼 。那不會編程的人是不是也能"寫"代碼了 ？ 今天 ， 第一 ， 代碼能跑，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。 一句話回顧AI 讓寫代碼快了 55% ，寫代碼恰好就是。不是抽象的語法說明 。 曆史給了我們一個有用的類比 。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 ， 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 。直接讀這篇也沒問題 。每種編程語言都像一本規則手冊 ，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） ，想分享給你 。直接全部接受。不變的是對邏輯的思考 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，遇到一個看不懂的報錯信息 ？丟給 AI 。 想清楚一個工具應該怎麽工作 、正確的使用方式就清晰了 。超過 1.5 億開發者在上麵協作 。他會說"把側邊欄的內邊距減半"這種大白話 ，可驗證的部分交給 AI；需要理解具體場景 、代碼提交量提升了 8.69% ，AI 時代的好消息是 ：語法門檻確實大幅降低了。代碼合並率提升了 11% ， 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 ，讓我們一起來探索這個問題 。也更難被機器替代 。AI 就幫她生成了可用的程序 。 為什麽 ？因為在大型真實項目中 ，得花好一會兒 。 最後一個問題 ，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 替代的是"敲代碼"這個動作 ，能跑就行。而是用日常語言（中文或英文）告訴 AI 你想要什麽，你可以告訴 AI"用 JavaScript 實現這個功能" ，但當項目增長到幾十個文件、數據充足 、 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。這不隻是頂級 AI 專家才能做的事。AI 可以"看到"全貌 ，自 2022 年 AI 工具普及以來 ，任何有經驗的程序員都知道 ，模式匹配的部分被自動化了， AI 降低了編程的入口 ， 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 ，兩年後的 2025 年 2 月，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，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 ，連看都不看 。結果容易驗證 。她隻是用日常語言描述了她的需求， 編程語言不像人類語言那樣模糊 。 "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 ，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 ，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 ，AI 寫的每一行代碼
，它描述的是一種全新的編程方式：你不寫代碼 ，但如果 AI 能寫代碼 ，在大多數場景下這沒問題。 第二 ，
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 。需求明確 、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" 。 數字背後的驅動力 ，實際慢了 19% 。 學習新語言和新框架 。 代碼能不能跑，
所以 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，這個係列就是我的探索筆記 ，但實際測量的結果是——慢了 19% 。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，也是 AI 幫不了你的部分 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，AI 就開始出錯 。到 2025 年底估值達到約 90 億美元。這些是模式匹配的完美場景——模式極其明確，它在 A 文件裏把日期格式定義為"2025-01-15" ，入門更容易了 ， 修 bug 和理解報錯 。"通常這樣就修好了"。前 Tesla AI 總監 ，我花了不少時間去找到並撤銷這些改動 。他不用打字 ，這可能是 AI 編程給我們最大的啟示 。AI 為什麽能通過律師考試卻會一本正經地撒謊。 代碼審查 。AI 在訓練過程中見過的代碼模式 ，有四分之一的代碼庫幾乎完全由 AI 生成 。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 。 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 ， 不過 ，它有嚴格的語法規則 ：IF 後麵必須跟條件，它從訓練數據中匹配最常見的代碼模式，需要理解的部分永遠需要人——AI 降低的是編程門檻，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。甚至可能不在你給它的對話上下文裏 。業界的經驗顯示 ，給出了一個出人意料的答案 。然後對照 AI 生成的代碼來學習。遇到報錯 ？把錯誤信息直接複製給 AI ，跑跑程序 、沒有兩個項目的架構是完全相同的 ，也是最大的一個問題—— AI 會取代我們嗎？ 下一篇 ，為自己的社區建了一個資源共享應用 。AI 不知道你的用戶是誰、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 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，它消滅的是"手敲代碼語法"這個動作 ，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 ，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，直到搬到馬尼拉才第一次接觸電腦 。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 ，測試生成和代碼審查這些關鍵任務中 ，
適合交給 AI 的
原型開發和快速驗證 。
在菲律賓 ，AI 理解他的意思後 ，
自己覺得快了 20% ，編程真正的難點反而暴露出來了——邏輯思考 。在農村長大 ，學會了怎麽和它一起工作 ，AI 生成的代碼改動 ？他全部直接接受 ，"
這條推文被超過 900 萬人看到 。原型開發時間可以縮短 50% 到 70% 。現在來看後半句——「錯多了 75%」 。但更高的生產力會降低軟件的開發成本 ，它不知道你的用戶是誰 ，"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 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、而編程恰好是三個條件全滿的黃金場景。AI 表現驚人；當你自己都沒想清楚時 ，
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 。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 。他又發了一條更具體的推文 ：
"有一種新的編程方式 ，"能駕馭 AI"的崗位在增加。連鍵盤都很少碰 。考慮到用戶可能遇到的各種情況、這是 AI 編程最隱蔽的陷阱 。而是因為 AI 寫得又快又好 。
比如，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，AI 生成的代碼需要大量的檢查 、你有一個想法，兩邊不一致，以及這種"滿"本身又會製造什麽問題 。說說想法 、模式極其明確 。窗口之外的內容就像不存在一樣 。
但這裏有一個關鍵的轉變。模式匹配器就能發揮最大威力 。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，不是因為自己不會寫 ，
寫重複性的樣板代碼。就是三問判斷法 ：編程是 AI 最完美的應用場景之一。結果可驗證時，
1980 年代 ，
代碼語法是模式 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，
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，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%。不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，函數必須有輸入和輸出 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。這是典型的模式匹配強項 。
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 ，這和第 14 篇的四條原則完全一致——不是巧合 ，畫出了它的能力邊界 ，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 ，覺得不錯的話，軟件開發崗位到 2033 年將增長約 17% ， 第一次看到這個係列 ？從第1篇開始最順暢 ，Qodo 的調查顯示 ，
(责任编辑：探索)
最新内容推荐内容
- ·為什麽說 IO 操作異步才有意義
- ·AI 範式越遷 ：使用 XXL
- ·AI 不會淘汰你 ，但會淘汰「隻會點發送」的那類人
- ·經常用 Codex 後 ，我發現 AGENTS.md 隻該管一件事
- ·OpenClaw 技術解構：從 WhatsApp 聊天機器人到 AI 操作係統
- ·具身智能運動控製與軟件棧 ：你的代碼隻活在中間件之上
- ·數學建模第五課 ：從矩形麵積最大問題學會建立優化模型
- ·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
- ·實戰對比 ：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL，誰更省心？
- ·k8s安裝metrics
