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，讓 AI 來寫 ，多厉但错多結果發現 ：
- AI 生成的害快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 ，
這是 「AI是怎麽回事」係列的第 15 篇 。
這聽起來像科幻 。而是因為 AI 寫得又快又好 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、業界的經驗顯示 ，說明質量確實達到了可用水平。會發生什麽。訓練數據極其充足。好在這方麵已經有了大量公開的研究數據 ，但內在邏輯有問題 。跑跑程序 、比幾乎任何其他領域都要豐富。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 。結果可驗證時，
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 時代的建議是：重點從"記語法"轉向"練邏輯" 。
第三 ，編程真正的難點反而暴露出來了——邏輯思考 。
讓我們來看看 ，平均用時 1 小時 11 分鍾 ，直接修改代碼文件 。這簡直是完美的工作對象 。
數字背後的驅動力 ，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 ，
代碼審查 。不像寫散文——好壞見仁見智 。
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，不知道你的產品邏輯 ，幾乎所有 AI 擅長的領域都如此 。
個人錨點
如果你也試過讓 AI 寫代碼 ，
性能優化 。而是當前對話窗口裏的文字 。但因為"敲代碼"這個動作本身確實變快了 ，AI 寫的每一行代碼，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
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 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。給你一個盡可能完整的回答 。不代表代碼正確 。而不是最高效的方式 。但沒有降低編程的天花板 。窗口之外的內容就像不存在一樣。通常 AI 就能修好 。他們仍然覺得 AI 讓自己快了 20% 。其實藏著很深的含義 。而且這些代碼中 88% 被保留在了最終版本裏 ， 但這裏有一個關鍵的轉變 。AI 寫代碼不是什麽"魔法" 。你不需要背誦
for循環的寫法——AI 會替你寫 。答案可能會出乎你的意料。AI 來實現 。但會計行業不僅沒有萎縮 ，他會說"把側邊欄的內邊距減半"這種大白話 ，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 ，
一句話回顧
AI 讓寫代碼快了 55% ，直接讀這篇也沒問題。
當一個項目隻有幾個文件 、"
把三個問題串起來
讓我用一張表來總結 ，它不知道你的用戶是誰 ，代碼合並率提升了 11% ，我查了大量數據 ，
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 ，
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，他又發了一條更具體的推文：
"有一種新的編程方式 ，
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，
第一 ，遇到報錯 ？把錯誤信息直接複製給 AI ，驗證大於信任 、GitHub（全球最大的代碼托管平台 ，而不是精確的 45.3 。
非程序員的真實案例
更令人驚訝的是 ，到 2025 年底估值達到約 90 億美元 。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 。數據充足、AI 見過無數"錯誤-原因-解法"的模式對，電子表格軟件（如 Excel）普及後 ，
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 。代碼量小 ，但如果 AI 能寫代碼，結果容易驗證。兩年後的 2025 年 2 月 ，報錯信息在訓練數據中大量出現，AI 可以"看到"全貌，一試便知 。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，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 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。在農村長大，看看效果 。連鍵盤都很少碰 。模式匹配在這裏力不從心。可以被自動化 。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 。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 ，編程中有大量高度固定的模式 ：數據庫連接 、
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。
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 、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 ，而不是對你業務的理解 。
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 ，
修 bug 和理解報錯。你可以告訴 AI"用 JavaScript 實現這個功能"，它有嚴格的語法規則 ：IF 後麵必須跟條件 ，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 ，用 AI 放大你的優勢而非替代你的思考 。會發現這不隻是編程的事 。" VibeCoding——這個詞後來入選了維基百科詞條 。沒有兩個項目的架構是完全相同的 ，實際慢了 19%。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
，不變的是對邏輯的思考。 1980 年代 ，而編程恰好是三個條件全滿的黃金場景 。 參考資料
訂閱如果覺得有意思 ， 第二 ，超過 77000 家企業和組織都在使用它 。 先來拆解"滿"在哪 。決定不同功能之間怎麽配合 、 如果你再仔細想想 ，
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 。給出了一個出人意料的答案 。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， 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" 。歡迎關注我 ，約束和取舍 。什麽行為對他們來說是合理的。但在 B 文件的統計功能裏用了"01/15/2025" 。幾百行代碼時 ，還一起看了它在編程這個最擅長的領域裏的表現和局限 。不是在"理解你要什麽"。 編程語言不像人類語言那樣模糊 。
互聯網上有海量的公開代碼 。不是抽象的語法說明 。"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 ， AI 降低了編程的入口 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，配置文件 。當 AI 編程從"周末小項目"走向真實世界時 ，主要級別的問題多了 1.7 倍 AI 會取代我們嗎 ？ 下一篇 ，可驗證的部分交給 AI；需要理解具體場景、AI 在訓練過程中見過的代碼模式 ，很多人預言會計職業將會消亡 。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） ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。在代碼重構 、然後對照 AI 生成的代碼來學習 。每種編程語言都像一本規則手冊 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走， 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 。所有代碼都在遵循這些規則——形成了極其規整的模式 。不確定可不可行 ？讓 AI 先做一個粗糙版本出來，覺得不錯的話 ，AI 就開始出錯 。" 換句話說 ，原型開發時間可以縮短 50% 到 70% 。Karpathy 自己也補了一句："用來隨手做點周末項目還不錯 。寫作如此，那不會編程的人是不是也能"寫"代碼了？ 今天 ，翻譯如此 ，如果你想學編程 ， 代碼能跑 ，需要人來做 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。這些是模式匹配的完美場景——模式極其明確 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、得花好一會兒 。 先看長期趨勢：整體需求在增長 。這個係列就是我的探索筆記，讓代碼"能跑"容易 ，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 ， 舉個例子 ：如果你讓 AI 做一個記賬工具 ，正確的使用方式就清晰了 。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
， 斯坦福數字經濟實驗室的研究發現，在大多數場景下這沒問題。 先從一句話說起 。 這些數字很漂亮 。你甚至不需要看懂代碼——看結果就行 。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 ：
這條推文被超過 900 萬人看到 。因為電子表格讓財務分析變得更快更便宜 ，連看都不看 。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 ， 代碼能不能跑 ， 所以 ，它描述的是一種全新的編程方式 ：你不寫代碼 ，遇到一個看不懂的報錯信息 ？丟給 AI 。 這背後的道理，能跑就行。 但如果故事在這裏結束 ，有趣的是 ，為自己的社區建了一個資源共享應用 。它在 A 文件裏把日期格式定義為"2025-01-15" ，而暴露出來的永遠是那個"真正需要人的思考"的部分 。窗口裝不下的，成為有史以來達到這個裏程碑最快的軟件產品之一，直接全部接受 。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 ，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 ，讓我們慢慢拆解。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》 ，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，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。 學習新語言和新框架 。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 。結果是 ： 使用 AI 工具的開發者反而慢了 19% 。都需要有人審查 。
上一篇， 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 ，代碼提交量提升了 8.69%，for 後麵必須跟循環變量 ，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，寫代碼恰好就是 。 2025 年 7 月 ，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 ，AI 替代的是"敲代碼"這個動作 ， 為什麽 ？因為在大型真實項目中 ，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 。即可訂閱 。他不用打字 ，有四分之一的代碼庫幾乎完全由 AI 生成。而且 AI 係統本身也需要大量的開發者來構建和維護 。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 。程序就出了問題 。接口定義、自 2022 年 AI 工具普及以來 ，但要做好 ， 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 ，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" ，遠超所有職業平均 4% 的增長率。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 。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 ， 不過 ， 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》 。模式明確 、我一直很好奇 AI 到底是怎麽工作的，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，需求變複雜 ，直到搬到馬尼拉才第一次接觸電腦 。 適合交給 AI 的原型開發和快速驗證。遇到報錯 ，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% 。一旦項目變大、浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，結果很說明問題：
|
最新评论