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》。沒有兩個項目的多厉但错多架構是完全相同的 ，AI 生成的害快代碼需要大量的檢查
、和我們整個係列一直在探索的写代核心發現一致  ：模式匹配的部分可以被自動化，但如果 AI 能寫代碼，多厉但错多很多人預言會計職業將會消亡。害快不理解你的写代業務規則

這個"缺失上下文"具體長什麽樣？Qodo 的報告指出，處理金額應該用整數（以"分"為單位計算）。多厉但错多一旦項目變大、害快比翻文檔快得多——因為 AI 給你的写代是一個可運行的具體例子，分析了 470 個開源項目的多厉但错多代碼提交 。

修 bug 和理解報錯。害快兩年後的 2025 年 2 月
，

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，說明質量確實達到了可用水平。不是"解決問題"這個能力
。會發現這不隻是編程的事
 。直接讀這篇也沒問題。

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 。想分享給你。

這意味著什麽？不是程序員變少了，

代碼審查
。而不是精確的 45.3。入門更容易了，當 AI 編程從"周末小項目"走向真實世界時，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  。電子表格軟件（如 Excel）普及後
，它從訓練數據中匹配最常見的代碼模式，

為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，讓代碼"能跑"容易，

最後一個問題 ，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，業界的經驗顯示，約束和取舍。

業務邏輯判斷 。超過 77000 家企業和組織都在使用它 。代碼合並率提升了 11% ，表現很好。

編程的本質不是寫語法 ，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》，

自己覺得快了 20%，遠超所有職業平均 4% 的增長率。不代表代碼正確 。但處理金額時，AI 生成的代碼改動？他全部直接接受，

第二，模式匹配在這裏力不從心
。而是用語音跟 AI 說話。這是典型的模式匹配強項。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%  。"

他這句輕描淡寫的話 ，前 Tesla AI 總監，Qodo 的調查顯示，這不隻是頂級 AI 專家才能做的事 。窗口之外的內容就像不存在一樣。歡迎關注我
，

代碼語法是模式 
，Signal Fire 的報告顯示，讓 AI 來寫，

為什麽 ？因為在大型真實項目中 ，

這是 「AI是怎麽回事」係列的第 15 篇。而是因為底層邏輯相同 。

這些數字很漂亮。它消滅的是"手敲代碼語法"這個動作 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，

先來拆解"滿"在哪。配置文件 。她隻是用日常語言描述了她的需求，如果你想學編程，但做的不是你想要的） 。

先從一句話說起。窗口裝不下的，

一句話回顧

AI 讓寫代碼快了 55% ，CodeRabbit 報告顯示
，得花好一會兒。發現了很多有意思的東西 ，你甚至不需要看懂代碼——看結果就行。通常 AI 就能修好。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 ，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。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。AI 不知道這個區別，就是三問判斷法：編程是 AI 最完美的應用場景之一 。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
，AI 不知道你的用戶是誰、

先看長期趨勢 ：整體需求在增長。

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。不需要完美
，但因為"敲代碼"這個動作本身確實變快了 ，連鍵盤都很少碰。

在菲律賓，而是當前對話窗口裏的文字。不變的是對邏輯的思考。我們不需要猜測。直接全部接受。這個係列就是我的探索筆記 ，

不過，模式匹配器就能發揮最大威力  。也是 AI 幫不了你的部分
。

用第 7 篇和第 9 篇的知識來解釋
：AI 在"續寫"代碼時，現在來看後半句——「錯多了 75%」。

如果你再仔細想想 ，讓我們慢慢拆解。而且這些代碼中 88% 被保留在了最終版本裏 ，複製粘貼一下，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
，模式極其明確 。超過 1.5 億開發者在上麵協作。以及這種"滿"本身又會製造什麽問題。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，測試生成和代碼審查這些關鍵任務中
 ，比幾乎任何其他領域都要豐富。代碼量小，

AI 編程工具和電子表格是同一個故事的新版本。結果容易驗證。

這背後的道理，可驗證的部分交給 AI；需要理解具體場景、AI 替代的是"敲代碼"這個動作，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，不是抽象的語法說明。他們怎麽使用產品 、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。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 。考慮到用戶可能遇到的各種情況 、AI 為什麽能通過律師考試卻會一本正經地撒謊。需求明確
、給出了一個出人意料的答案
。三問判斷法三項全滿的任務是 AI 的黃金場景 。

代碼能不能跑，"

把三個問題串起來

讓我用一張表來總結，主要級別的問題多了 1.7 倍

過度 I/O 操作（輸入輸出，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" ，AI 在訓練過程中見過的代碼模式，我查了大量數據  ，

當一個項目隻有幾個文件、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
，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，

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"。for 後麵必須跟循環變量 ，它在 A 文件裏把日期格式定義為"2025-01-15" ，我一直很好奇 AI 到底是怎麽工作的，

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
，而暴露出來的永遠是那個"真正需要人的思考"的部分 。

最有趣的一個實驗

以上三個問題疊加在一起
，

但短期有一個值得關注的信號：入門級崗位在收縮 。有趣的是 ，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。它就顧不上了 。

適合交給 AI 的

原型開發和快速驗證
。做獨特判斷的部分
，"

這條推文被超過 900 萬人看到
。

知道了 AI 編程的優勢和局限後 ，讓我們一起認真聊聊這個問題。在大多數場景下這沒問題
。246 個任務做下來 ，恰好在 AI 的能力範圍之內。訓練數據極其充足。不確定可不可行？讓 AI 先做一個粗糙版本出來
，不是因為自己不會寫 
，他會說"把側邊欄的內邊距減半"這種大白話，你不需要背誦 for循環的寫法——AI 會替你寫 。看看效果 。幾乎所有 AI 擅長的領域都如此 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器，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 ，

1980 年代，

非程序員的真實案例

更令人驚訝的是 ，後續文章也會持續更新 。訓練數據極其豐富。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，

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 的局限就暴露了。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"。

寫重複性的樣板代碼 。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，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，為自己的社區建了一個資源共享應用。AI 見過無數"錯誤-原因-解法"的模式對 ，因為懶得自己去代碼裏找具體位置 。在代碼重構  、

問題一：表麵能跑 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值、你可能會注意到一件事 ：當你清楚知道自己要什麽時，翻譯如此，

所以 ，要麽報錯。自 2022 年 AI 工具普及以來，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。

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
，不是在"理解你要什麽"。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。甚至可能不在你給它的對話上下文裏 。正確的使用方式就清晰了。開發者產生了"我變快了"的錯覺。但當項目增長到幾十個文件、GitHub（全球最大的代碼托管平台，

Part3 ：模式匹配器寫代碼，它不知道你的用戶是誰 ，對於一個"超級模式匹配器"來說，程序就出了問題。原型開發時間可以縮短 50% 到 70%。到 2025 年底估值達到約 90 億美元。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，

  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 ，

  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
   ，我們走了很長一段路。成為有史以來達到這個裏程碑最快的軟件產品之一，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
  ，他們仍然覺得 AI 讓自己快了 20%。讓我們一起來探索這個問題
  。是業務問題。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 ，直到搬到馬尼拉才第一次接觸電腦 。需要把金額加在一起，AI 表現驚人；當你自己都沒想清楚時，她不是程序員 ，而成功構建次數更是提升了 84%
  。編程中有大量高度固定的模式：數據庫連接
  、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 。

  2023 年 1 月
  ，

  AI 降低了編程的入口，你來。他不用打字 ，有四分之一的代碼庫幾乎完全由 AI 生成。數據充足、但更高的生產力會降低軟件的開發成本 ，

  性能優化 。AI 給出的東西怎麽改都不對。而是因為 AI 寫得又快又好 。

  但如果故事在這裏結束，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%。

  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。"

  VibeCoding——這個詞後來入選了維基百科詞條 。報錯信息在訓練數據中大量出現 ，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 ，

  讓我們來看看 ，BLS 的分析邏輯是
  ：AI 確實提高了程序員的生產力 ，AI 就幫她生成了可用的程序 。跑跑程序、

  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
  ，AI 時代的建議是：重點從"記語法"轉向"練邏輯"  。因為電子表格讓財務分析變得更快更便宜
  ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。歡迎分享+關注。寫作如此 ，

  問題三 ：項目大了，而編程恰好是三個條件全滿的黃金場景。仍然需要深入的思考能力。AI 寫代碼不是什麽"魔法" 。AI 可以"看到"全貌
  ，它有嚴格的語法規則：IF 後麵必須跟條件 ，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。AI 自動化掉的永遠是那個"模式匹配"的部分 ，你來檢查。

  想清楚一個工具應該怎麽工作、"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，說說想法
  、反而大幅增長 ，

  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
  ，任何有經驗的程序員都知道，

  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 。你有一個想法，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004
  ，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。不知道你的產品邏輯 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽，代碼的對錯通常是確定性的：要麽運行成功 ，那不會編程的人是不是也能"寫"代碼了？

  今天 ，學會了怎麽和它一起工作，都需要有人審查 。

  "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，

  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 ，

  比如，企業對財務分析的需求因此暴漲。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、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" 。

  第一次看到這個係列 ？從第1篇開始最順暢，也更難被機器替代
  。幾百行代碼時，編程真正的難點反而暴露出來了——邏輯思考 。

  第一，

  數字背後的驅動力，遇到報錯？把錯誤信息直接複製給 AI，會遇到什麽問題

Part2 裏我們看到了標題的前半句——"快了 55%" 。軟件開發崗位到 2033 年將增長約 17%，

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、忘記代碼的存在……我就是看看效果、覺得不錯的話 ，

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，它描述的是一種全新的編程方式 ：你不寫代碼，

分界線在哪？就是三問判斷法。這是 AI 編程最隱蔽的陷阱
。也是這個係列的最後一篇  ，它和 AI 識別人臉（第 1 篇）、

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，但在 B 文件的統計功能裏用了"01/15/2025"
。

學習新語言和新框架。AI 就開始出錯
。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，"

換句話說，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 ，什麽行為對他們來說是合理的 。迭代而非一次到位、

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，這簡直是完美的工作對象  。畫出了它的能力邊界，AI 來生成代碼  。讓我們來看看 AI 編程在實際中長什麽樣 。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
，代碼提交量提升了 8.69% ，也是最大的一個問題——

AI 會取代我們嗎？

下一篇
，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），而是"隻會寫代碼"的崗位在減少，

第三 ，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，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。

上一篇，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 。擁抱指數級增長，決定不同功能之間怎麽配合
、

仍然需要人做的

架構設計 。接口定義、

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
。我花了不少時間去找到並撤銷這些改動
。平均用時 1 小時 11 分鍾，

個人錨點

如果你也試過讓 AI 寫代碼，但讓"設計係統""判斷質量""理解需求"變得更加重要。能跑就行。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，這和第 14 篇的四條原則完全一致——不是巧合，

互聯網上有海量的公開代碼。但實際測量的結果是——慢了 19% 。即可訂閱。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
。

美國勞工統計局（BLS）預測，

2025 年 7 月，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯。"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、每種編程語言都像一本規則手冊，注意每個問題的根源都可以追溯到我們前麵章節的知識：