寫代碼快了 ，但有多厲錯多了害
我要评论這和人類記憶力有限是写代一個道理——隻不過 AI 的"記憶"不是真正的記憶 ，幾百行代碼時
，多厉但错多for 後麵必須跟循環變量，害快即程序讀寫數據的写代操作）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"，而是多厉但错多用語音跟 AI 說話 。他會說"把側邊欄的害快內邊距減半"這種大白話
，而且這些公司的写代創始人都是技術背景出身——他們選擇讓 AI 寫代碼 ， 文章結尾留了一個懸念 ：寫代碼是多厉但错多 AI 最擅長的事之一
，" 換句話說，害快答案可能會出乎你的写代意料 。我們走了很長一段路。多厉但错多我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，害快這是 AI 編程最隱蔽的陷阱。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，遠超所有職業平均 4% 的增長率 。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， 如果你再仔細想想 ， 架構設計 。也是 AI 幫不了你的部分
。但更高的生產力會降低軟件的開發成本
，不需要完美
，AI 的局限就暴露了
。 分界線在哪 ？就是三問判斷法 。他不用打字 ，不理解具體業務語境（第 9 篇：模式匹配 vs 理解） 這聽起來像科幻 。 這個問題幾乎每個人都在問
。對於一個"超級模式匹配器"來說 ，Andrej Karpathy（OpenAI 聯合創始人、拆開了 AI 的黑箱 ，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，而且 AI 係統本身也需要大量的開發者來構建和維護 。編程真正的難點反而暴露出來了——邏輯思考 。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
， 編程的本質不是寫語法 ，而是因為 AI 寫得又快又好
。 1980 年代
，Qodo 的調查顯示 ，結果可驗證時 ，我們不需要猜測
。直接全部接受
。但做的不是你想要的）
。翻譯如此 ，因為懶得自己去代碼裏找具體位置
。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。 更令人驚訝的是 ，模式匹配器就能發揮最大威力 。 但這裏有一個關鍵的轉變。模式極其明確
。處理金額應該用整數（以"分"為單位計算） 。很多人預言會計職業將會消亡 。也更難被機器替代 。 比如，這個係列就是我的探索筆記 ，他們怎麽使用產品、幾乎所有 AI 擅長的領域都如此。入門更容易了
，因為修改 B 文件時
，想分享給你 。他在做一個他自己都不完全看懂的程序——但程序跑起來了
。AI 可以"看到"全貌 ，因為電子表格讓財務分析變得更快更便宜 ，當 AI 處理了語法層麵的事情後 ，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"。讓代碼"能跑"容易
，AI 就開始出錯 。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
，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。 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》 。數據充足、 代碼能不能跑，而編程恰好是三個條件全滿的黃金場景 。正確的使用方式就清晰了。GitHub（全球最大的代碼托管平台，這是典型的模式匹配強項 。你甚至不需要看懂代碼——看結果就行 。AI 不知道這個區別 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。AI 見過無數"錯誤-原因-解法"的模式對 ，他看都不看修改的內容 ，看看效果
。但在 B 文件的統計功能裏用了"01/15/2025" 。AI 自動化掉的永遠是那個"模式匹配"的部分
，AI 不知道你的用戶是誰
、 先來拆解"滿"在哪
。結果發現 ： 他這句輕描淡寫的話 ， 上一篇
，遇到報錯 ，但實際測量的結果是——慢了 19%。 修 bug 和理解報錯 。前 Tesla AI 總監 ，AI 寫的每一行代碼
， 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
。而是當前對話窗口裏的文字
。 不過
， 如果你也試過讓 AI 寫代碼，AI 生成的代碼改動
？他全部直接接受 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，她隻是用日常語言描述了她的需求，不知道你的產品邏輯
，有四分之一的代碼庫幾乎完全由 AI 生成 。但因為"敲代碼"這個動作本身確實變快了 ，代碼合並率提升了 11% ， 這些數字很漂亮 。 業務邏輯判斷 。 這意味著什麽
？不是程序員變少了
，任何有經驗的程序員都知道
， 第一 ，在大多數場景下這沒問題 。自 2022 年 AI 工具普及以來，窗口之外的內容就像不存在一樣 。但會計行業不僅沒有萎縮 ，數據充足
、METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，需求明確 、需要理解的部分永遠需要人——AI 降低的是編程門檻 ，使用 AI 後 ， 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 。不代表代碼正確
。"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 、會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。而成功構建次數更是提升了 84%
。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 。電子表格軟件（如 Excel）普及後 ，考慮到用戶可能遇到的各種情況 、驗證大於信任 、表現很好。實際慢了 19% 。AI 來生成代碼。做獨特判斷的部分
，連看都不看
。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 。你有一個想法 ，寫作如此 ， 讓我們來看看
，而是"隻會寫代碼"的崗位在減少 ，連鍵盤都很少碰
。甚至可能不在你給它的對話上下文裏
。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
。AI 寫代碼不是什麽"魔法" 。 如果你之前因為"語法太難記"而對編程望而卻步 ，它描述的是一種全新的編程方式 ：你不寫代碼 ，跑跑程序
、依據的是訓練數據中的統計模式 ， 美國勞工統計局（BLS）預測 ，仍然需要深入的思考能力
。歡迎關注我，需要理解的部分永遠需要人 。恰好在 AI 的能力範圍之內 。你來檢查
。也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇
，以及這種"滿"本身又會製造什麽問題 。 想清楚一個工具應該怎麽工作
、結果容易驗證。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。 曆史給了我們一個有用的類比 。要麽報錯。但邏輯錯誤也多了 75% 。每種編程語言都像一本規則手冊， 所以 ，寫代碼恰好就是
。遇到報錯？把錯誤信息直接複製給 AI
， 最後一個問題，報錯信息在訓練數據中大量出現
，然後對照 AI 生成的代碼來學習 。 原型開發和快速驗證 。 學習新語言和新框架 。"能駕馭 AI"的崗位在增加 。讓我們來看看 AI 編程在實際中長什麽樣
。不確定可不可行 ？讓 AI 先做一個粗糙版本出來，主要級別的問題多了 1.7 倍 這三個問題不是意外 。 如果覺得有意思 ，讓 AI 來寫 ，AI 就幫她生成了可用的程序 。 第一次看到這個係列 ？從第1篇開始最順暢 ， 性能優化
。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。 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， 數字背後的驅動力 ，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 ，但內在邏輯有問題 。 編程語言不像人類語言那樣模糊
。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ， 自己覺得快了 20% ，代碼的對錯通常是確定性的：要麽運行成功 ，這和第 14 篇的四條原則完全一致——不是巧合
，超過 77000 家企業和組織都在使用它
。即可訂閱。代碼提交量提升了 8.69%
，代碼量小 ，是業務問題
。還一起看了它在編程這個最擅長的領域裏的表現和局限 。原型開發時間可以縮短 50% 到 70% 。 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 ，他們仍然覺得 AI 讓自己快了 20% 。分析了 470 個開源項目的代碼提交。仍然需要人做的
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，會發現這不隻是編程的事 。 問題一
：表麵能跑，
讀者可能會問的兩個問題
"程序員會不會失業？"
問題三 ：項目大了
，讓我們一起來探索這個問題 。說說想法 、
非程序員的真實案例
問題二 ：不理解你的業務需求
個人錨點
"我該不該學編程 ？"
適合交給 AI 的
參考資料
訂閱
為什麽？因為在大型真實項目中 ，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 。這不隻是頂級 AI 專家才能做的事 。訓練數據極其充足 。發現了很多有意思的東西 ，不變的是對邏輯的思考 。直接讀這篇也沒問題 。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 ，
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 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，我花了不少時間去找到並撤銷這些改動 。如果你想學編程 ，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，需要人來做 。
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 。現在來看後半句——「錯多了 75%」。你可以告訴 AI"用 JavaScript 實現這個功能" ，函數必須有輸入和輸出 。編程中有大量高度固定的模式 ：數據庫連接、業界的經驗顯示 ，企業對財務分析的需求因此暴漲 。覺得不錯的話 ，"
這條推文被超過 900 萬人看到 。
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 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 。AI 替代的是"敲代碼"這個動作 ，複製粘貼一下 ，
一句話回顧
AI 讓寫代碼快了 55% ，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 ，
用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時，而是想清楚要做什麽 。但要做好 ，
最有趣的一個實驗
以上三個問題疊加在一起 ，都需要有人審查 。它就不完整了。"
VibeCoding——這個詞後來入選了維基百科詞條 。窗口裝不下的 ，歡迎分享+關注 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、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》 ，沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
把三個問題串起來
讓我用一張表來總結，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 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 來實現 。畫出了它的能力邊界 ，它和 AI 識別人臉（第 1 篇） 、我查了大量數據，它不知道你的用戶是誰 ，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 ，
2023 年 1 月 ，會發生什麽。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 。成為有史以來達到這個裏程碑最快的軟件產品之一，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 ，那不會編程的人是不是也能"寫"代碼了 ？
今天，所有代碼都在遵循這些規則——形成了極其規整的模式 。調試和修改 。
先看長期趨勢：整體需求在增長 。就是三問判斷法：編程是 AI 最完美的應用場景之一 。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。AI 給出的東西怎麽改都不對 。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 ，得花好一會兒 。這些是模式匹配的完美場景——模式極其明確 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，
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 ，
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 、"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 ，
先從一句話說起 。AI 理解他的意思後 ，
代碼能跑，訓練數據極其豐富 。而暴露出來的永遠是那個"真正需要人的思考"的部分。需要把金額加在一起 ，說明質量確實達到了可用水平。不是因為自己不會寫 ，平均用時 1 小時 11 分鍾，模式明確 、學會了怎麽和它一起工作 ，
寫重複性的樣板代碼 。
Part3 ：模式匹配器寫代碼 ，需求變複雜 ，AI 在訓練過程中見過的代碼模式，模式匹配的部分被自動化了，
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 ，CodeRabbit 報告顯示，反而大幅增長 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，給出了一個出人意料的答案 。她不是程序員 ，AI 生成的代碼需要大量的檢查 、246 個任務做下來，可以被自動化 。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，
2025 年 7 月 ，
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 ，
AI 降低了編程的入口 ，用 AI 放大你的優勢而非替代你的思考 。
第二 ，直接修改代碼文件 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，測試生成和代碼審查這些關鍵任務中 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。而不是對你業務的理解 。當 AI 編程從"周末小項目"走向真實世界時 ，
這背後的道理 ，一試便知 。但讓"設計係統""判斷質量""理解需求"變得更加重要。不是"解決問題"這個能力 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力，讓我們慢慢拆解 。但沒有降低編程的天花板。超過 1.5 億開發者在上麵協作 。這簡直是完美的工作對象。
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 、Signal Fire 的報告顯示 ，擁抱指數級增長 ，但當項目增長到幾十個文件、沒有兩個項目的架構是完全相同的，AI 為什麽能通過律師考試卻會一本正經地撒謊 。遇到一個看不懂的報錯信息 ？丟給 AI 。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 ，
這是 「AI是怎麽回事」係列的第 15 篇 。他又發了一條更具體的推文 ：
"有一種新的編程方式 ，你不需要背誦
for循環的寫法——AI 會替你寫 。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、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" 。不是抽象的語法說明。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、
斯坦福數字經濟實驗室的研究發現 ，
在菲律賓 ，也是這個係列的最後一篇 ，通常 AI 就能修好 。直到搬到馬尼拉才第一次接觸電腦 。
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，給你一個盡可能完整的回答 。忘記代碼的存在……我就是看看效果 、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 ，程序就出了問題 。
但如果故事在這裏結束，有趣的是 ，在代碼重構 、兩年後的 2025 年 2 月 ，在農村長大 ，開發者產生了"我變快了"的錯覺 。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 。讓我們一起認真聊聊這個問題 。約束和取舍 。什麽行為對他們來說是合理的 。它就顧不上了 。決定不同功能之間怎麽配合 、三問判斷法三項全滿的任務是 AI 的黃金場景 。而是因為底層邏輯相同 。
代碼審查 。
AI 編程工具和電子表格是同一個故事的新版本。其實藏著很深的含義。AI 表現驚人；當你自己都沒想清楚時 ，它從訓練數據中匹配最常見的代碼模式 ，
當一個項目隻有幾個文件、
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。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。
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 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，
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，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"。比幾乎任何其他領域都要豐富 。而不是精確的 45.3 。它有嚴格的語法規則 ：IF 後麵必須跟條件 ，
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，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 ，
代碼語法是模式 ，AI 時代的好消息是：語法門檻確實大幅降低了 。兩邊不一致 ，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 ，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% 。到 2025 年底估值達到約 90 億美元。
互聯網上有海量的公開代碼 。它消滅的是"手敲代碼語法"這個動作 ，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 ，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，"通常這樣就修好了" 。迭代而非一次到位 、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 ，
第三，而且這些代碼中 88% 被保留在了最終版本裏 ，配置文件 。結果是 ：
使用 AI 工具的開發者反而慢了 19%。但如果 AI 能寫代碼 ，而不是最高效的方式 。軟件開發崗位到 2033 年將增長約 17% ，我一直很好奇 AI 到底是怎麽工作的 ，不是編程術語 。
舉個例子 ：如果你讓 AI 做一個記賬工具，把報錯信息複製給 AI ，後續文章也會持續更新 。為自己的社區建了一個資源共享應用 。可驗證的部分交給 AI；需要理解具體場景、
所以 ，
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 ，這可能是 AI 編程給我們最大的啟示 。
相关文章
別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞 ！
注 ：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結，有趣的是在寫這篇文章過程中 ，查到一個很好玩的資料，就是 Vibe Coding 這個詞的發明者 Andrej KarpathyOp2026-09-02別再吹牛了 ，100% Vibe Coding 存在無法自洽的邏輯漏洞！
注 ：本文是親身經曆企業級的 Vibe coding 項目後的經驗總結 ，有趣的是在寫這篇文章過程中 ，查到一個很好玩的資料 ，就是 Vibe Coding 這個詞的發明者 Andrej KarpathyOp2026-09-02
最新评论