，但寫代碼錯多了有多厲害快了
"能駕馭 AI"的写代崗位在增加 。很多人預言會計職業將會消亡 。多厉但错多但"這個產品應該解決什麽問題""這個功能的害快邊界在哪裏""這段代碼的邏輯對不對"——這些是理解 ，也是写代最大的一個問題——
AI 會取代我們嗎 ？
下一篇，調試和修改。多厉但错多而是害快用日常語言（中文或英文）告訴 AI 你想要什麽 ，會發生什麽 。写代而且這些公司的多厉但错多創始人都是技術背景出身——他們選擇讓 AI 寫代碼，
Part3 ：模式匹配器寫代碼 ，害快
這聽起來像科幻。写代
為什麽會這樣 ？多厉但错多用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，
如果你再仔細想想，害快AI 就"迷路"了
還記得第 6 篇講的写代"上下文窗口"嗎 ？這是 AI 一次能"看到"的信息長度限製 。測試生成和代碼審查這些關鍵任務中，多厉但错多而不是害快精確的 45.3 。可以被自動化 。正確的使用方式就清晰了 。自 2022 年 AI 工具普及以來 ，
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" 。
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 ，仍然需要深入的思考能力 。AI 寫的每一行代碼 ，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》 ，
一句話回顧
AI 讓寫代碼快了 55% ，業界的經驗顯示 ，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 ，給你一個盡可能完整的回答 。"通常這樣就修好了" 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。
1980 年代 ，每種編程語言都像一本規則手冊 ，模式匹配在這裏力不從心。
這些數字很漂亮 。而不是最高效的方式。為自己的社區建了一個資源共享應用 。它就顧不上了 。AI 可以"看到"全貌 ，而不是對你業務的理解 。不需要完美 ，有趣的是 ，他們仍然覺得 AI 讓自己快了 20% 。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 ，處理金額應該用整數（以"分"為單位計算） 。
先看長期趨勢 ：整體需求在增長。訓練數據極其充足 。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 。讓我們一起來探索這個問題。BLS 的分析邏輯是：AI 確實提高了程序員的生產力 ，讓代碼"跑得快"則需要理解計算機底層的工作方式 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，不是因為自己不會寫 ，
讓我們來看看 ，把報錯信息複製給 AI ，AI 生成的代碼需要大量的檢查 、兩邊不一致 ，AI 表現驚人；當你自己都沒想清楚時 ，
2023 年 1 月 ，我們走了很長一段路 。"
這條推文被超過 900 萬人看到。
編程語言不像人類語言那樣模糊。AI 替代的是"敲代碼"這個動作 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、考慮到用戶可能遇到的各種情況 、不是抽象的語法說明 。當 AI 處理了語法層麵的事情後 ，AI 自動化掉的永遠是那個"模式匹配"的部分 ，你可以告訴 AI"用 JavaScript 實現這個功能" ，
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。
當一個項目隻有幾個文件 、
AI 降低了編程的入口 ，表現很好 。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 ，現在來看後半句——「錯多了 75%」 。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 ，企業對財務分析的需求因此暴漲 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，說明質量確實達到了可用水平 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。
互聯網上有海量的公開代碼 。也是 AI 幫不了你的部分 。約束和取舍。
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 。
這背後的道理 ，
最有趣的一個實驗
以上三個問題疊加在一起 ，連看都不看 。
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，超過 1.5 億開發者在上麵協作 。但因為"敲代碼"這個動作本身確實變快了 ，AI 見過無數"錯誤-原因-解法"的模式對 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。
美國勞工統計局（BLS）預測 ，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 ，
但如果故事在這裏結束 ，讓 AI 來寫 ，程序就出了問題 。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，需求明確 、什麽行為對他們來說是合理的 。需要理解的部分永遠需要人 。AI 來實現 。答案可能會出乎你的意料 。忘記代碼的存在……我就是看看效果 、驗證大於信任 、直接全部接受 。AI 來生成代碼 。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。通常 AI 就能修好 。Andrej Karpathy（OpenAI 聯合創始人 、任何有經驗的程序員都知道 ，窗口裝不下的 ，需要人來做。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，但當項目增長到幾十個文件 、
2025 年 7 月 ，不像寫散文——好壞見仁見智 。結果是 ：
使用 AI 工具的開發者反而慢了 19% 。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，結果可驗證時 ，寫代碼恰好就是
。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，他又發了一條更具體的推文
：
VibeCoding——這個詞後來入選了維基百科詞條 。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、
數字背後的驅動力 ，代碼提交量提升了 8.69% ，我們不需要猜測。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，可驗證的部分交給 AI；需要理解具體場景 、 第二 ， 在菲律賓 ，電子表格軟件（如 Excel）普及後，要麽報錯 。拆開了 AI 的黑箱 ，讓我們一起認真聊聊這個問題。是業務問題 。得花好一會兒 。兩年後的 2025 年 2 月 ，恰好在 AI 的能力範圍之內 。在代碼重構 、而且這些代碼中 88% 被保留在了最終版本裏 ，結果發現 ：
這意味著什麽 ？AI 寫的代碼經常"看起來能跑" ，但實際測量的結果是——慢了 19%。主要級別的問題多了 1.7 倍
上一篇 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，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 ， 自己覺得快了 20%，" 把三個問題串起來讓我用一張表來總結 ，"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、結果容易驗證 。在大多數場景下這沒問題 。到 2025 年底估值達到約 90 億美元 。 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 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，遇到報錯 ， 所以 ， 下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，反而大幅增長 ，它從訓練數據中匹配最常見的代碼模式 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，需求變複雜 ，他看都不看修改的內容 ，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 。 分界線在哪 ？就是三問判斷法 。 先從一句話說起 。 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。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） ，也更難被機器替代 。學會了怎麽和它一起工作 ，"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 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，但沒有降低編程的天花板 。入門更容易了 ， 舉個例子 ：如果你讓 AI 做一個記賬工具，擁抱指數級增長 ，這和第 14 篇的四條原則完全一致——不是巧合 ，訓練數據極其豐富 。246 個任務做下來 ，for 後麵必須跟循環變量 ，歡迎分享+關注 。幾乎所有 AI 擅長的領域都如此 。 業務邏輯判斷。 比如 ，寫作如此 ，即可訂閱。Karpathy 自己也補了一句："用來隨手做點周末項目還不錯 。模式匹配的部分被自動化了 ，不代表代碼正確 。原型開發時間可以縮短 50% 到 70% 。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。數據充足 、直到搬到馬尼拉才第一次接觸電腦 。AI 生成的代碼改動 ？他全部直接接受 ，後續文章也會持續更新 。讓代碼"能跑"容易，好在這方麵已經有了大量公開的研究數據 ，軟件開發崗位到 2033 年將增長約 17% ，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 ，AI 就開始出錯。AI 就幫她生成了可用的程序。她隻是用日常語言描述了她的需求 ，也是這個係列的最後一篇，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"。這不隻是頂級 AI 專家才能做的事 。但要做好 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，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 ，接口定義 、代碼合並率提升了 11% ，遇到報錯 ？把錯誤信息直接複製給 AI ， 代碼審查 。他不用打字 ， 但短期有一個值得關注的信號：入門級崗位在收縮 。還一起看了它在編程這個最擅長的領域裏的表現和局限 。它就不完整了 。幾百行代碼時， 寫重複性的樣板代碼 。不是"解決問題"這個能力。你來檢查 。不是編程術語 。用 AI 放大你的優勢而非替代你的思考。 問題三 ：項目大了，那不會編程的人是不是也能"寫"代碼了 ？今天，CodeRabbit 報告顯示，你甚至不需要看懂代碼——看結果就行 。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 ，跑跑程序 、編程真正的難點反而暴露出來了——邏輯思考 。報錯信息在訓練數據中大量出現 ，不變的是對邏輯的思考 。模式匹配器就能發揮最大威力 。 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，他會說"把側邊欄的內邊距減半"這種大白話 ，編程中有大量高度固定的模式 ：數據庫連接 、它消滅的是"手敲代碼語法"這個動作，使用 AI 後 ， 為什麽 ？因為在大型真實項目中，結果很說明問題 ：
| ||
| 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 ， 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 。他們怎麽使用產品 、一試便知。 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ， 修 bug 和理解報錯。 這意味著什麽？不是程序員變少了 ，函數必須有輸入和輸出 。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 。但內在邏輯有問題。超過 77000 家企業和組織都在使用它 。 代碼能不能跑 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，它在 A 文件裏把日期格式定義為"2025-01-15" ，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 ，你來 。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 。以及這種"滿"本身又會製造什麽問題 。AI 時代的好消息是 ：語法門檻確實大幅降低了 。而是當前對話窗口裏的文字。但更高的生產力會降低軟件的開發成本 ，這是典型的模式匹配強項 。複製粘貼一下 ， 第三 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。因為電子表格讓財務分析變得更快更便宜，AI 的局限就暴露了 。 性能優化 。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 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ， 編程的本質不是寫語法 ， 想清楚一個工具應該怎麽工作 、如果你想學編程 ，三問判斷法三項全滿的任務是 AI 的黃金場景 。 不過 ，我花了不少時間去找到並撤銷這些改動 。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 。
學習新語言和新框架。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。沒有兩個項目的架構是完全相同的 ，這些是模式匹配的完美場景——模式極其明確 ，
AI 編程工具和電子表格是同一個故事的新版本 。但邏輯錯誤也多了 75% 。GitHub（全球最大的代碼托管平台，
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 ，
問題一 ：表麵能跑 ，而是"隻會寫代碼"的崗位在減少，她不是程序員 ，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" 。想分享給你 。
代碼能跑 ，
斯坦福數字經濟實驗室的研究發現 ，我查了大量數據 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，能跑就行。而暴露出來的永遠是那個"真正需要人的思考"的部分 。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 。有四分之一的代碼庫幾乎完全由 AI 生成 。窗口之外的內容就像不存在一樣 。
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 ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。AI 寫代碼不是什麽"魔法"。分析了 470 個開源項目的代碼提交。
所以，決定不同功能之間怎麽配合 、AI 不知道你的用戶是誰 、AI 理解他的意思後 ，而是因為底層邏輯相同 。這簡直是完美的工作對象 。不是在"理解你要什麽" 。畫出了它的能力邊界 ，所有代碼都在遵循這些規則——形成了極其規整的模式。說說想法 、
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 ，
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 。
仍然需要人做的
架構設計。Signal Fire 的報告顯示 ，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。而是因為 AI 寫得又快又好 。AI 在訓練過程中見過的代碼模式，你有一個想法 ，
適合交給 AI 的
原型開發和快速驗證 。你不需要背誦
for循環的寫法——AI 會替你寫 。這是 「AI是怎麽回事」係列的第 15 篇。而是想清楚要做什麽 。而是用語音跟 AI 說話 。在農村長大 ，這個係列就是我的探索筆記 ，但如果 AI 能寫代碼，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 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。我一直很好奇 AI 到底是怎麽工作的，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。
代碼語法是模式 ，
第一，當 AI 編程從"周末小項目"走向真實世界時 ，其實藏著很深的含義 。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 ，而成功構建次數更是提升了 84% 。代碼量小，
個人錨點
如果你也試過讓 AI 寫代碼 ，"
他這句輕描淡寫的話 ，遠超所有職業平均 4% 的增長率 。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，它不知道你的用戶是誰 ，讓我們來看看 AI 編程在實際中長什麽樣 。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 。迭代而非一次到位 、都需要有人審查 。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 ，它和 AI 識別人臉（第 1 篇） 、模式極其明確 。會發現這不隻是編程的事 。而編程恰好是三個條件全滿的黃金場景 。
曆史給了我們一個有用的類比。
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 。一旦項目變大、
先來拆解"滿"在哪 。需要把金額加在一起 ，
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 ，看看效果。但做的不是你想要的） 。
相关推荐
- 最近发表
- 随机阅读
- 在 .NET 上構建超大托管數組
- 這才是未來的“openclaw”
- OpenClaw 技術解構：從 WhatsApp 聊天機器人到 AI 操作係統
- 大模型RAG實戰 ，從被罵不靠譜到成為部門MVP，這是我的踩坑全記錄
- 基於NetCorePal Cloud Framework的DDD架構管理係統實踐
- OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統
- OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統
- 這才是未來的“openclaw”
- 基於NetCorePal Cloud Framework的DDD架構管理係統實踐
- AI 寫代碼有多厲害 ？——快了 55%，但錯多了 75%
- OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統
- OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統
- AI 寫代碼有多厲害 ？——快了 55%，但錯多了 75%
- AI到底聰明在哪——從手機人臉識別說起
- AI到底聰明在哪——從手機人臉識別說起
- 這才是未來的“openclaw”
- 大模型RAG實戰，從被罵不靠譜到成為部門MVP，這是我的踩坑全記錄
- 這才是未來的“openclaw”
- OpenClaw 技術解構 ：從 WhatsApp 聊天機器人到 AI 操作係統
- 這才是未來的“openclaw”
- 搜索