寫代碼害快了有多厲 ，但錯多了
VibeCoding——這個詞後來入選了維基百科詞條。写代
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》 。
美國勞工統計局（BLS）預測 ，害快每種編程語言都像一本規則手冊，写代
所以，多厉但错多三問判斷法三項全滿的害快任務是 AI 的黃金場景 。
第一 ，写代30 歲以下年輕程序員的多厉但错多就業率下降了約 6%；而 30 歲以上程序員的就業反而增長了 6-13% 。和我們整個係列一直在探索的害快核心發現一致 ：模式匹配的部分可以被自動化 ，他會說"把側邊欄的写代內邊距減半"這種大白話 ，確實有大量簿記員的多厉但错多工作崗位消失了——手工記賬這個具體動作被自動化了。我一直很好奇 AI 到底是害快怎麽工作的 ，但要做好 ，写代它不知道你的多厉但错多用戶是誰，
在菲律賓 ，害快通常 AI 就能修好。驗證大於信任 、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 ，不是編程術語 。
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 ，
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 。
性能優化。不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解） 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇，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 ，好在這方麵已經有了大量公開的研究數據 ，它消滅的是"手敲代碼語法"這個動作
，也是 AI 幫不了你的部分 。訓練數據極其豐富。 第三，這簡直是完美的工作對象 。 微信搜索"我沒有三顆心髒"或者掃描二維碼
，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 ，遇到報錯
？把錯誤信息直接複製給 AI，它從訓練數據中匹配最常見的代碼模式 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。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 ，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 。但邏輯錯誤也多了 75%
。因為懶得自己去代碼裏找具體位置 。不像寫散文——好壞見仁見智
。AI 來實現
。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，而是用語音跟 AI 說話
。平均用時 1 小時 11 分鍾 ，是業務問題。數據充足、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 。入門更容易了
，兩邊不一致 ，結果是 ： 使用 AI 工具的開發者反而慢了 19% 。不代表代碼正確 。 數字背後的驅動力
，代碼提交量提升了 8.69%，擁抱指數級增長，需要理解的部分永遠需要人——AI 降低的是編程門檻，幾乎所有 AI 擅長的領域都如此。 互聯網上有海量的公開代碼 。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。" 這條推文被超過 900 萬人看到 。我花了不少時間去找到並撤銷這些改動
。而是想清楚要做什麽 。不知道你的產品邏輯 ，直到搬到馬尼拉才第一次接觸電腦
。 讓我們來看看，電子表格軟件（如 Excel）普及後
，這不隻是頂級 AI 專家才能做的事。"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 、Karpathy 自己也補了一句："用來隨手做點周末項目還不錯 。需要人來做 。不需要完美
，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 ，會發生什麽 。" 換句話說 ，246 個任務做下來 ，它有嚴格的語法規則：IF 後麵必須跟條件 ， 想清楚一個工具應該怎麽工作、而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。他看都不看修改的內容，模式匹配的部分被自動化了，仍然需要深入的思考能力 。兩年後的 2025 年 2 月 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ， 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 ，窗口裝不下的
，連看都不看 。窗口之外的內容就像不存在一樣。迭代而非一次到位 、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》 ， 舉個例子 ：如果你讓 AI 做一個記賬工具 ，結果可驗證時，這個係列就是我的探索筆記，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。 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、你可能會注意到一件事
：當你清楚知道自己要什麽時 ，讓我們慢慢拆解 。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。還一起看了它在編程這個最擅長的領域裏的表現和局限。 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，但沒有降低編程的天花板 。因為修改 B 文件時 ，AI 給出的東西怎麽改都不對。AI 生成的代碼改動 ？他全部直接接受 ，跑跑程序 、你來檢查
。 不過 ，因為電子表格讓財務分析變得更快更便宜
，她不是程序員，一旦項目變大 、而是因為底層邏輯相同。GitHub（全球最大的代碼托管平台，AI 自動化掉的永遠是那個"模式匹配"的部分 ，主要級別的問題多了 1.7 倍 第二， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，for 後麵必須跟循環變量 ，AI 就幫她生成了可用的程序 。Signal Fire 的報告顯示 ，有四分之一的代碼庫幾乎完全由 AI 生成 。 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。需要理解的部分永遠需要人 。甚至可能不在你給它的對話上下文裏
。但在 B 文件的統計功能裏用了"01/15/2025" 。遇到一個看不懂的報錯信息？丟給 AI。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 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ， 架構設計
。 為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼"，決定不同功能之間怎麽配合、拆開了 AI 的黑箱 ，得花好一會兒 。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 。也更難被機器替代 。 這是 「AI是怎麽回事」係列的第 15 篇 。寫作如此，不是抽象的語法說明。 1980 年代 ，模式明確、所有代碼都在遵循這些規則——形成了極其規整的模式
。原型開發時間可以縮短 50% 到 70%。 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 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 ，對於一個"超級模式匹配器"來說，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說， 代碼語法是模式 ，在農村長大 ，AI 的局限就暴露了 。什麽行為對他們來說是合理的 。 從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，說說想法、考慮到用戶可能遇到的各種情況、讓我們一起來探索這個問題。 最後一個問題，結果發現 ： 上一篇我們已經知道 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，軟件開發崗位到 2033 年將增長約 17% ，業界的經驗顯示，反而大幅增長
，但當項目增長到幾十個文件
、 知道了 AI 編程的優勢和局限後
，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，連鍵盤都很少碰
。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
。而不是精確的 45.3 。歡迎分享+關注。測試生成和代碼審查這些關鍵任務中， 業務邏輯判斷
。自 2022 年 AI 工具普及以來 ， 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 ，AI 不知道這個區別
，給你一個盡可能完整的回答 。AI 在訓練過程中見過的代碼模式 ，其實藏著很深的含義 。 這聽起來像科幻。 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 ， 第一次看到這個係列 ？從第1篇開始最順暢 ，代碼合並率提升了 11%
， 代碼能跑
，函數必須有輸入和輸出
。 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 ， 2023 年 1 月 ，前 Tesla AI 總監 ，這些是模式匹配的完美場景——模式極其明確
， 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
。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 。依據的是訓練數據中的統計模式 ，編程中有大量高度固定的模式 ：數據庫連接 、一試便知。處理金額應該用整數（以"分"為單位計算）
。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" 。你不需要背誦 但這裏有一個關鍵的轉變 。但更高的生產力會降低軟件的開發成本
，當 AI 處理了語法層麵的事情後
，而不是最高效的方式
。 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，這可能是 AI 編程給我們最大的啟示 。 這個問題幾乎每個人都在問 。而不是對你業務的理解 。實際慢了 19% 。但讓"設計係統""判斷質量""理解需求"變得更加重要。 比如
，說明質量確實達到了可用水平
。 曆史給了我們一個有用的類比。她隻是用日常語言描述了她的需求
，AI 生成的代碼需要大量的檢查
、而成功構建次數更是提升了 84% 。超過 1.5 億開發者在上麵協作 。想分享給你 。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 ，當 AI 編程從"周末小項目"走向真實世界時 ，但因為"敲代碼"這個動作本身確實變快了 ，而且 AI 係統本身也需要大量的開發者來構建和維護
。直接讀這篇也沒問題。讓代碼"能跑"容易， 2025 年 7 月 ，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， 斯坦福數字經濟實驗室的研究發現 ，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，為自己的社區建了一個資源共享應用 。畫出了它的能力邊界
，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，而且這些代碼中 88% 被保留在了最終版本裏 ， 如果你再仔細想想 ， 這意味著什麽 ？不是程序員變少了
，而暴露出來的永遠是那個"真正需要人的思考"的部分
。你有一個想法 ，需要把金額加在一起 ，我們走了很長一段路 。 先從一句話說起 。訓練數據極其充足 。直接全部接受 。他在做一個他自己都不完全看懂的程序——但程序跑起來了
。邏輯有錯 自己覺得快了 20% ，接口定義 、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 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ， 寫重複性的樣板代碼 。模式極其明確 。"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
，它描述的是一種全新的編程方式
：你不寫代碼，這是典型的模式匹配強項 。"通常這樣就修好了" 。 先看長期趨勢
：整體需求在增長。然後它就大概能用了
。 學習新語言和新框架。代碼的對錯通常是確定性的
：要麽運行成功，發現了很多有意思的東西，遠超所有職業平均 4% 的增長率
。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，可驗證的部分交給 AI；需要理解具體場景 、 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
。代碼量小
， 如果你之前因為"語法太難記"而對編程望而卻步 ，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" ，而是當前對話窗口裏的文字 。需求明確、它在 A 文件裏把日期格式定義為"2025-01-15" ，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 、模式匹配器就能發揮最大威力。 AI 編程工具和電子表格是同一個故事的新版本 。把報錯信息複製給 AI ，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，即可訂閱 。他們怎麽使用產品 、然後對照 AI 生成的代碼來學習 。他不用打字
， 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
，會發現這不隻是編程的事。AI 可以"看到"全貌 ，模式匹配在這裏力不從心 。這和第 14 篇的四條原則完全一致——不是巧合 ，在大多數場景下這沒問題 。成為有史以來達到這個裏程碑最快的軟件產品之一 ，AI 表現驚人；當你自己都沒想清楚時
，但如果 AI 能寫代碼， 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
。 但短期有一個值得關注的信號：入門級崗位在收縮 。讓我們一起認真聊聊這個問題
。忘記代碼的存在……我就是看看效果、比幾乎任何其他領域都要豐富 。現在來看後半句——「錯多了 75%」 。我們不需要猜測
。而是"隻會寫代碼"的崗位在減少，如果你想學編程 ， 先來拆解"滿"在哪 。開發者產生了"我變快了"的錯覺
。但做的不是你想要的）
。 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 ，以及這種"滿"本身又會製造什麽問題 。 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" 。注意每個問題的根源都可以追溯到我們前麵章節的知識 ： 但如果故事在這裏結束 ， 如果覺得有意思， 在搞清楚 AI 編程能做到什麽之前 ，AI 寫的每一行代碼 ，翻譯如此 ， 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 ， 如果你也試過讓 AI 寫代碼，"能駕馭 AI"的崗位在增加 。需求變複雜 ，Qodo 的調查顯示，在代碼重構 、 代碼審查。 AI 讓寫代碼快了 55%
， 更令人驚訝的是 ，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 。讓我們來看看 AI 編程在實際中長什麽樣。幾百行代碼時 ，你甚至不需要看懂代碼——看結果就行。而編程恰好是三個條件全滿的黃金場景 。那不會編程的人是不是也能"寫"代碼了？ 今天
，這是 AI 編程最隱蔽的陷阱。報錯信息在訓練數據中大量出現
，但會計行業不僅沒有萎縮
，正確的使用方式就清晰了 。AI 時代的好消息是：語法門檻確實大幅降低了 。配置文件 。AI 就開始出錯 。看看效果 。 編程語言不像人類語言那樣模糊 。不確定可不可行 ？讓 AI 先做一個粗糙版本出來，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、可以被自動化 。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶） 修 bug 和理解報錯。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），答案可能會出乎你的意料 。分析了 470 個開源項目的代碼提交。 代碼能不能跑
， 原型開發和快速驗證。但實際測量的結果是——慢了 19% 。都需要有人審查 。用 AI 放大你的優勢而非替代你的思考
。遇到報錯 ， 編程的本質不是寫語法
， 以上三個問題疊加在一起 ，直接修改代碼文件
。 這背後的道理 ，AI 見過無數"錯誤-原因-解法"的模式對 ，他們仍然覺得 AI 讓自己快了 20%。歡迎關注我 ，它和 AI 識別人臉（第 1 篇）、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 理解他的意思後，而是因為 AI 寫得又快又好 。 為什麽 ？因為在大型真實項目中
，沒有兩個項目的架構是完全相同的，他又發了一條更具體的推文： "有一種新的編程方式 ， 上一篇 ，調試和修改
。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，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。不是"解決問題"這個能力。不變的是對邏輯的思考 。能跑就行
。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力，也是這個係列的最後一篇，編程真正的難點反而暴露出來了——邏輯思考 。覺得不錯的話 ，複製粘貼一下 ，CodeRabbit 報告顯示 ，讓 AI 來寫 ， 這些數字很漂亮 。" 他這句輕描淡寫的話 ，" 讓我用一張表來總結，AI 寫代碼不是什麽"魔法"。給出了一個出人意料的答案 。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
。 分界線在哪
？就是三問判斷法
。但處理金額時 ， AI 降低了編程的入口
， 所以 ， 當一個項目隻有幾個文件 、到 2025 年底估值達到約 90 億美元
。程序就出了問題。結果很說明問題 ： 标签： 责任编辑：娛樂不理解業務需求 65% 開發者反映 AI 缺失上下文 AI 在"續寫"代碼 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%
。 問題一 ：表麵能跑 ，Andrej Karpathy（OpenAI 聯合創始人
、使用 AI 後，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" 。同步更新在個人博客和微信公眾號
效率數據 ：到底快了多少？
仍然需要人做的
下一篇預告
Part4 ：正確的姿勢——AI 編程適合做什麽
問題三 ：項目大了，企業對財務分析的需求因此暴漲 。
Part3 ：模式匹配器寫代碼 ，表現很好 。數據充足 、結果容易驗證 。但內在邏輯有問題 。
for循環的寫法——AI 會替你寫 。任何有經驗的程序員都知道
，
讀者可能會問的兩個問題
"程序員會不會失業 ？"
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式 ， 
"我該不該學編程
？"
Karpathy 的親身描述
問題 表現 根源（回溯前文） 表麵能跑 ， 參考資料
訂閱
Part1：為什麽 AI 特別擅長寫代碼
個人錨點
一句話回顧
非程序員的真實案例
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"。很多人預言會計職業將會消亡 。超過 77000 家企業和組織都在使用它。不是因為自己不會寫 ，要麽報錯 。 適合交給 AI 的
最有趣的一個實驗
把三個問題串起來
国内新闻
图片精选
国际新闻
