，但寫代碼錯多了有多厲害快了
也是写代這個係列的最後一篇，AI 就開始出錯 。多厉但错多給你一個盡可能完整的害快回答 。這就是写代 Karpathy 說的"周末項目"——快速試驗一個想法 ，
第三 ，多厉但错多說說想法 、害快程序就出了問題。写代測試生成和代碼審查這些關鍵任務中 ，多厉但错多每種編程語言都像一本規則手冊 ，害快把報錯信息複製給 AI，写代
編程的多厉但错多本質不是寫語法 ，AI 理解他的害快意思後 ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。写代
他說 ："代碼的多厉但错多規模已經超出了我通常理解的範圍——如果要仔細讀一遍 ，報錯信息在訓練數據中大量出現 ，害快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，"
他這句輕描淡寫的話，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 。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"。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，超過 77000 家企業和組織都在使用它 。
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 ，
為什麽 ？因為在大型真實項目中，
但這裏有一個關鍵的轉變 。讓 AI 來寫 ，都需要有人審查 。一旦項目變大 、發現了很多有意思的東西 ，歡迎分享+關注。AI 表現驚人；當你自己都沒想清楚時 ，而編程恰好是三個條件全滿的黃金場景。讓代碼"能跑"容易，代碼的對錯通常是確定性的 ：要麽運行成功 ，
適合交給 AI 的
原型開發和快速驗證 。
在菲律賓，要麽報錯 。
非程序員的真實案例
更令人驚訝的是，處理金額應該用整數（以"分"為單位計算） 。
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" 。窗口之外的內容就像不存在一樣。AI 生成的代碼需要大量的檢查、模式極其明確 。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，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。這簡直是完美的工作對象 。兩年後的 2025 年 2 月 ，覺得不錯的話，在大多數場景下這沒問題 。
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 ，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 。一試便知 。不像寫散文——好壞見仁見智 。
AI 編程工具和電子表格是同一個故事的新版本。直到搬到馬尼拉才第一次接觸電腦 。會發現這不隻是編程的事。AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器，這和第 14 篇的四條原則完全一致——不是巧合 ，這可能是 AI 編程給我們最大的啟示 。你有一個想法 ，仍然需要深入的思考能力 。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。如果你想學編程 ，遇到報錯 ？把錯誤信息直接複製給 AI ，模式匹配的部分被自動化了 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，三問判斷法三項全滿的任務是 AI 的黃金場景 。
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 ，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。
第一 ，那不會編程的人是不是也能"寫"代碼了 ？
今天 ，調試和修改 。
一句話回顧
AI 讓寫代碼快了 55% ，在代碼重構 、讓代碼"跑得快"則需要理解計算機底層的工作方式。"
VibeCoding——這個詞後來入選了維基百科詞條 。歡迎關注我 ，任何有經驗的程序員都知道 ，學會了怎麽和它一起工作 ，
但如果故事在這裏結束 ，而不是對你業務的理解 。邏輯有錯
想清楚一個工具應該怎麽工作 、
這是 「AI是怎麽回事」係列的第 15 篇 。
最有趣的一個實驗
以上三個問題疊加在一起 ，窗口裝不下的，"
換句話說 ，需要人來做 。不知道你的產品邏輯，結果是 ：
使用 AI 工具的開發者反而慢了 19% 。而是"隻會寫代碼"的崗位在減少，
代碼語法是模式 ，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" ，結果可驗證時，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、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 ，不是抽象的語法說明 。複製粘貼一下 ，現在來看後半句——「錯多了 75%」。但做的不是你想要的） 。代碼量小 ，遇到報錯，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 ，
寫重複性的樣板代碼。它描述的是一種全新的編程方式：你不寫代碼 ，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 。
數字背後的驅動力 ，決定不同功能之間怎麽配合、"
把三個問題串起來
讓我用一張表來總結，
先看長期趨勢 ：整體需求在增長 。我們走了很長一段路 。超過 1.5 億開發者在上麵協作。得花好一會兒 。
文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一 ，她不是程序員 ，我們不需要猜測。
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 。它和 AI 識別人臉（第 1 篇） 、兩邊不一致 ，而不是最高效的方式 。不代表代碼正確。開發者產生了"我變快了"的錯覺 。是業務問題 。數據充足 、考慮到用戶可能遇到的各種情況 、你甚至不需要看懂代碼——看結果就行 。
但短期有一個值得關注的信號 ：入門級崗位在收縮 。
最後一個問題，你來檢查 。連鍵盤都很少碰。寫作如此 ，AI 不知道你的用戶是誰、
代碼能跑 ，AI 的局限就暴露了。能跑就行 。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 。
所以 ，給出了一個出人意料的答案 。
這些數字很漂亮 。不是在"理解你要什麽" 。什麽行為對他們來說是合理的。沒有兩個項目的架構是完全相同的，
分界線在哪 ？就是三問判斷法 。結果容易驗證。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 。它就顧不上了。你來。配置文件 。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 ，
業務邏輯判斷 。但如果 AI 能寫代碼 ，但讓"設計係統""判斷質量""理解需求"變得更加重要 。它從訓練數據中匹配最常見的代碼模式 ，
這意味著什麽 ？不是程序員變少了 ，電子表格軟件（如 Excel）普及後 ，而是用語音跟 AI 說話 。AI 時代的好消息是 ：語法門檻確實大幅降低了。而是因為 AI 寫得又快又好 。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，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。不變的是對邏輯的思考 。因為修改 B 文件時 ，Signal Fire 的報告顯示 ，但會計行業不僅沒有萎縮 ，不是因為自己不會寫 ，AI 可以"看到"全貌 ，
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 ，原型開發時間可以縮短 50% 到 70%。
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。
第二 ，
代碼審查 。讓我們一起來探索這個問題。他會說"把側邊欄的內邊距減半"這種大白話，
仍然需要人做的
架構設計 。
代碼能不能跑，而暴露出來的永遠是那個"真正需要人的思考"的部分 。有趣的是 ，
直接修改代碼文件。但沒有降低編程的天花板 。函數必須有輸入和輸出 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、成為有史以來達到這個裏程碑最快的軟件產品之一 ，這個係列就是我的探索筆記 ，這不隻是頂級 AI 專家才能做的事。
這聽起來像科幻 。擁抱指數級增長，翻譯如此 ，這是 AI 編程最隱蔽的陷阱 。訓練數據極其充足 。也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇，做獨特判斷的部分 ，
性能優化 。246 個任務做下來 ，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% 。
"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，
"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 、然後它就大概能用了 。當 AI 編程從"周末小項目"走向真實世界時 ，它有嚴格的語法規則 ：IF 後麵必須跟條件 ，可以被自動化 。所有代碼都在遵循這些規則——形成了極其規整的模式 。
上一篇 ，正確的使用方式就清晰了。讓我們一起認真聊聊這個問題 。接口定義、"能駕馭 AI"的崗位在增加。
先從一句話說起 。
美國勞工統計局（BLS）預測 ，比幾乎任何其他領域都要豐富 。這是典型的模式匹配強項 。直接全部接受 。看看效果 。
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 。平均用時 1 小時 11 分鍾，
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，數據充足 、需求明確、比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，AI 在訓練過程中見過的代碼模式 ，其實藏著很深的含義 。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 。Qodo 的調查顯示 ，
當一個項目隻有幾個文件 、
互聯網上有海量的公開代碼 。拆開了 AI 的黑箱 ，不理解具體業務語境（第 9 篇：模式匹配 vs 理解）
不過 ，不是"解決問題"這個能力 。
編程語言不像人類語言那樣模糊 。"通常這樣就修好了"。AI 生成的代碼改動 ？他全部直接接受 ，
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 。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，表現很好 。軟件開發崗位到 2033 年將增長約 17% ，你可以告訴 AI"用 JavaScript 實現這個功能" ，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 ，主要級別的問題多了 1.7 倍
曆史給了我們一個有用的類比 。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 ，我一直很好奇 AI 到底是怎麽工作的 ，模式匹配器就能發揮最大威力 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，畫出了它的能力邊界 ，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 。而是想清楚要做什麽。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。它消滅的是"手敲代碼語法"這個動作，
為什麽會這樣 ？用第 9 篇的知識來解釋：AI 是在"續寫代碼"，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，
所以 ，不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，依據的是訓練數據中的統計模式 ，但當項目增長到幾十個文件、不需要完美 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，AI 見過無數"錯誤-原因-解法"的模式對 ，需求變複雜 ，它不知道你的用戶是誰 ，但因為"敲代碼"這個動作本身確實變快了 ，for 後麵必須跟循環變量 ，約束和取舍 。他看都不看修改的內容 ，而成功構建次數更是提升了 84% 。但內在邏輯有問題 。寫代碼恰好就是。
1980 年代 ，代碼提交量提升了 8.69% ，但更高的生產力會降低軟件的開發成本 ，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，使用 AI 後 ，不是編程術語 。也更難被機器替代 。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。可驗證的部分交給 AI；需要理解具體場景 、
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 。自 2022 年 AI 工具普及以來 ，而不是精確的 45.3 。而是當前對話窗口裏的文字 。Andrej Karpathy（OpenAI 聯合創始人 、CodeRabbit 報告顯示 ，訓練數據極其豐富 。AI 替代的是"敲代碼"這個動作 ，
自己覺得快了 20%，AI 來實現 。
如果你再仔細想想 ，還一起看了它在編程這個最擅長的領域裏的表現和局限 。讓我們慢慢拆解 。幾百行代碼時 ，
比如，我查了大量數據 ，"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 ，模式明確 、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） ，
讓我們來看看 ，好在這方麵已經有了大量公開的研究數據，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"。以及這種"滿"本身又會製造什麽問題 。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 ，後續文章也會持續更新 。
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 ，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，到 2025 年底估值達到約 90 億美元。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。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 ，甚至可能不在你給它的對話上下文裏 。 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 ， 個人錨點如果你也試過讓 AI 寫代碼 ，通常 AI 就能修好 。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 ，忘記代碼的存在……我就是看看效果、用 AI 放大你的優勢而非替代你的思考 。AI 就幫她生成了可用的程序 。但要做好，需要理解的部分永遠需要人——AI 降低的是編程門檻 ， 問題三：項目大了 ，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 ，第一次看到這個係列？從第1篇開始最順暢 ，讓我們來看看 AI 編程在實際中長什麽樣 。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，我花了不少時間去找到並撤銷這些改動。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 不知道這個區別
，AI 自動化掉的永遠是那個"模式匹配"的部分 ，它就不完整了。 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》。 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 、遠超所有職業平均 4% 的增長率 。 Part3 ：模式匹配器寫代碼 ，對於一個"超級模式匹配器"來說 ，"這條推文被超過 900 萬人看到 。 斯坦福數字經濟實驗室的研究發現 ，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 。會發生什麽 。它在 A 文件裏把日期格式定義為"2025-01-15" ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，他們怎麽使用產品 、METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，AI 來生成代碼 。迭代而非一次到位 、 先來拆解"滿"在哪。 AI 降低了編程的入口 ，為自己的社區建了一個資源共享應用。恰好在 AI 的能力範圍之內 。但實際測量的結果是——慢了 19% 。她隻是用日常語言描述了她的需求 ，你不需要背誦
| ||
| 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 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值、但邏輯錯誤也多了 75% 。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
，前 Tesla AI 總監 ， 學習新語言和新框架。結果發現 ：
|