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，在農村長大 ，写代AI 見過無數"錯誤-原因-解法"的多厉但错多模式對，而是害快因為 AI 寫得又快又好 。函數必須有輸入和輸出。写代AI 就幫她生成了可用的多厉但错多程序。

代碼審查 。害快連鍵盤都很少碰。写代

仍然需要人做的

架構設計
。需要理解的害快部分永遠需要人——AI 降低的是編程門檻
，入門更容易了
，写代AI 通過律師考試（第 9 篇）是多厉但错多同一個道理——當模式明確 、它就顧不上了。害快

這些數字很漂亮
。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。

舉個例子 ：如果你讓 AI 做一個記賬工具  ，AI 生成的代碼需要大量的檢查 、浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，

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，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% 。歡迎關注我，

寫重複性的樣板代碼  。平均用時 1 小時 11 分鍾
，

所以 ，

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 ，但會計行業不僅沒有萎縮 ，

適合交給 AI 的

原型開發和快速驗證 。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
  ，"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、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 。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，這是典型的模式匹配強項。所有代碼都在遵循這些規則——形成了極其規整的模式。寫作如此 ，實際慢了 19%。在大多數場景下這沒問題。恰好在 AI 的能力範圍之內 。而不是對你業務的理解  。不確定可不可行？讓 AI 先做一個粗糙版本出來， 先來拆解"滿"在哪。讓我們慢慢拆解 。需要理解的部分永遠需要人。 一句話回顧 AI 讓寫代碼快了 55%，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能， 這是 「AI是怎麽回事」係列的第 15 篇。為自己的社區建了一個資源共享應用。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"。他會說"把側邊欄的內邊距減半"這種大白話，自 2022 年 AI 工具普及以來，不是編程術語。 1980 年代 ，它描述的是一種全新的編程方式 ：你不寫代碼，有四分之一的代碼庫幾乎完全由 AI 生成。模式匹配器就能發揮最大威力。模式極其明確。 2023 年 1 月 ，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）， 學習新語言和新框架。反而大幅增長，我一直很好奇 AI 到底是怎麽工作的 ， 但這裏有一個關鍵的轉變。代碼量小，AI 可以"看到"全貌 ，是業務問題 。 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。訓練數據極其豐富 。 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 ，這簡直是完美的工作對象。 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。但內在邏輯有問題 。 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， 為什麽 ？因為在大型真實項目中，不變的是對邏輯的思考。她隻是用日常語言描述了她的需求，模式明確 、 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"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 ，而暴露出來的永遠是那個"真正需要人的思考"的部分。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，246 個任務做下來 ， AI 降低了編程的入口，你可以告訴 AI"用 JavaScript 實現這個功能"，AI 為什麽能通過律師考試卻會一本正經地撒謊。直接讀這篇也沒問題。遇到一個看不懂的報錯信息 ？丟給 AI 。"能駕馭 AI"的崗位在增加  。 代碼能不能跑， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。業界的經驗顯示，學會了怎麽和它一起工作 ，讓 AI 來寫 ，AI 不知道你的用戶是誰 、直到搬到馬尼拉才第一次接觸電腦。需求變複雜，然後對照 AI 生成的代碼來學習。結果是： 使用 AI 工具的開發者反而慢了 19% 。寫代碼恰好就是。考慮到用戶可能遇到的各種情況 、什麽行為對他們來說是合理的。遇到報錯 ？把錯誤信息直接複製給 AI ，兩年後的 2025 年 2 月，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》 ，直接全部接受 。 為什麽會這樣 ？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，這些是模式匹配的完美場景——模式極其明確，AI 生成的代碼改動 ？他全部直接接受 ，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 ，決定不同功能之間怎麽配合、做獨特判斷的部分，軟件開發崗位到 2033 年將增長約 17% ，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。處理金額應該用整數（以"分"為單位計算） 。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，會計師的工作從"算數"轉向了"分析和決策"——更有價值、比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，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，" 這條推文被超過 900 萬人看到 。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 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
  。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，配置文件。通常 AI 就能修好。讓我們一起來探索這個問題。可以被自動化。電子表格軟件（如 Excel）普及後，

  自己覺得快了 20%，他們仍然覺得 AI 讓自己快了 20%。測試生成和代碼審查這些關鍵任務中，

  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、他看都不看修改的內容 ，

  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》。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，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 ，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯。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，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，

上一篇，"

把三個問題串起來

讓我用一張表來總結，

先從一句話說起 。而且 AI 係統本身也需要大量的開發者來構建和維護。每種編程語言都像一本規則手冊
，Qodo 的調查顯示，不像寫散文——好壞見仁見智。而是用語音跟 AI 說話。但處理金額時 ，但當項目增長到幾十個文件
、然後它就大概能用了 。

這意味著什麽？不是程序員變少了 ，

代碼語法是模式，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，不代表代碼正確。你甚至不需要看懂代碼——看結果就行。

分界線在哪 ？就是三問判斷法
。如果你想學編程 ，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 ，但沒有降低編程的天花板 。但因為"敲代碼"這個動作本身確實變快了，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，它有嚴格的語法規則：IF 後麵必須跟條件，依據的是訓練數據中的統計模式 ，而是因為底層邏輯相同
 。這可能是 AI 編程給我們最大的啟示。說說想法
、讓我們一起認真聊聊這個問題。她不是程序員  ，不是"解決問題"這個能力 。AI 寫代碼不是什麽"魔法"
。使用 AI 後 ，說明質量確實達到了可用水平
。一試便知。它在 A 文件裏把日期格式定義為"2025-01-15"，也更難被機器替代 。仍然需要深入的思考能力。不是抽象的語法說明。我花了不少時間去找到並撤銷這些改動 。

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，

第二
，遇到報錯  ，

編程語言不像人類語言那樣模糊 。報錯信息在訓練數據中大量出現，需求明確、直接修改代碼文件 。AI 時代的建議是：重點從"記語法"轉向"練邏輯"。其實藏著很深的含義。它和 AI 識別人臉（第 1 篇）、把報錯信息複製給 AI，幾百行代碼時，

第一，

問題一 ：表麵能跑
，

互聯網上有海量的公開代碼
。而是"隻會寫代碼"的崗位在減少 ，

美國勞工統計局（BLS）預測
，成為有史以來達到這個裏程碑最快的軟件產品之一 ，

AI 編程工具和電子表格是同一個故事的新版本 
。窗口之外的內容就像不存在一樣。Andrej Karpathy（OpenAI 聯合創始人、因為修改 B 文件時 ，

2025 年 7 月 ，給出了一個出人意料的答案。模式匹配的部分被自動化了，

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 ，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。幾乎所有 AI 擅長的領域都如此。但更高的生產力會降低軟件的開發成本，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 ，它就不完整了 。能跑就行 。三問判斷法三項全滿的任務是 AI 的黃金場景
。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升
。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說
，而不是最高效的方式。他在做一個他自己都不完全看懂的程序——但程序跑起來了
。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 ，AI 給出的東西怎麽改都不對。

第三，跑跑程序、而是當前對話窗口裏的文字。還一起看了它在編程這個最擅長的領域裏的表現和局限。

第一次看到這個係列 ？從第1篇開始最順暢 ，AI 的局限就暴露了。它不知道你的用戶是誰 ，

所以 ，現在來看後半句——「錯多了 75%」。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 。AI 就開始出錯
。

代碼能跑，很多人預言會計職業將會消亡。而編程恰好是三個條件全滿的黃金場景。會發現這不隻是編程的事 。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 ，需要把金額加在一起，但在 B 文件的統計功能裏用了"01/15/2025" 。你有一個想法
，程序就出了問題。用 AI 放大你的優勢而非替代你的思考。

曆史給了我們一個有用的類比 。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，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，"

VibeCoding——這個詞後來入選了維基百科詞條  。

問題三 ：項目大了，

當一個項目隻有幾個文件 、代碼提交量提升了 8.69%，

修 bug 和理解報錯。一旦項目變大 、這不隻是頂級 AI 專家才能做的事。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"
，複製粘貼一下，CodeRabbit 報告顯示，即可訂閱。那不會編程的人是不是也能"寫"代碼了？

今天 ，Signal Fire 的報告顯示 ，讓代碼"能跑"容易 ，模式匹配在這裏力不從心 。代碼的對錯通常是確定性的：要麽運行成功，但讓"設計係統""判斷質量""理解需求"變得更加重要  。

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"。他不用打字，以及這種"滿"本身又會製造什麽問題。

文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一，我們不需要猜測。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"。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。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

個人錨點

如果你也試過讓 AI 寫代碼，前 Tesla AI 總監，我查了大量數據 ，而是想清楚要做什麽 。你來。但邏輯錯誤也多了 75%。到 2025 年底估值達到約 90 億美元 。AI 替代的是"敲代碼"這個動作
，

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
，得花好一會兒 。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 。

業務邏輯判斷 。也是這個係列的最後一篇 ，

比如，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。會遇到什麽問題

Part2 裏我們看到了標題的前半句——"快了 55%"。它從訓練數據中匹配最常見的代碼模式 ，因為電子表格讓財務分析變得更快更便宜 ，讓我們來看看 AI 編程在實際中長什麽樣。要麽報錯。

下一篇預告

從第 1 篇"你的手機是怎麽認出你的臉"到現在，接口定義 、擁抱指數級增長 ，當 AI 編程從"周末小項目"走向真實世界時，忘記代碼的存在……我就是看看效果 、而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%
。都需要有人審查 。在代碼重構、超過 77000 家企業和組織都在使用它。代碼合並率提升了 11%
，AI 理解他的意思後，拆開了 AI 的黑箱
，AI 來實現。編程真正的難點反而暴露出來了——邏輯思考 。歡迎分享+關注。AI 表現驚人；當你自己都沒想清楚時
，

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。

最有趣的一個實驗

以上三個問題疊加在一起，

讓我們來看看，讓代碼"跑得快"則需要理解計算機底層的工作方式。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。這個係列就是我的探索筆記，數據充足
、不需要完美，分析了 470 個開源項目的代碼提交 。

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。這和第 14 篇的四條原則完全一致——不是巧合 
，結果可驗證時，任何有經驗的程序員都知道，給你一個盡可能完整的回答。想分享給你 。也是 AI 幫不了你的部分。而且這些代碼中 88% 被保留在了最終版本裏
 ，但實際測量的結果是——慢了 19%。但做的不是你想要的）。主要級別的問題多了 1.7 倍