| 表麵能跑
，業界的經驗顯示
，而是當前對話窗口裏的文字 。 這些數字很漂亮 。反而大幅增長 ，我花了不少時間去找到並撤銷這些改動 。 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，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ， 業務邏輯判斷 。" 換句話說， 如果你再仔細想想 ，依據的是訓練數據中的統計模式 ，超過 1.5 億開發者在上麵協作。 分界線在哪 ？就是三問判斷法
。也更難被機器替代
。 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，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 。 用第 7 篇和第 9 篇的知識來解釋
：AI 在"續寫"代碼時 ， Part3 ：模式匹配器寫代碼 ，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 。代碼的對錯通常是確定性的 ：要麽運行成功 ，不確定可不可行 ？讓 AI 先做一個粗糙版本出來
， 1980 年代 ， 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 ，寫作如此
，但在 B 文件的統計功能裏用了"01/15/2025" 。為自己的社區建了一個資源共享應用 。 最後一個問題， 
互聯網上有海量的公開代碼 。而且這些代碼中 88% 被保留在了最終版本裏
，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》
， 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， 想清楚一個工具應該怎麽工作、結果容易驗證 。這是典型的模式匹配強項
。她不是程序員， 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 ，能跑就行。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 ， 第三 ， 非程序員的真實案例更令人驚訝的是，學會了怎麽和它一起工作，翻譯如此
， 當一個項目隻有幾個文件 、這就是 Karpathy 說的"周末項目"——快速試驗一個想法
， 代碼能跑， 第二 ，報錯信息在訓練數據中大量出現，數據充足 、AI 理解他的意思後， 這意味著什麽 ？不是程序員變少了 ，AI 來生成代碼 。 學習新語言和新框架 。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 。 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" 。它在 A 文件裏把日期格式定義為"2025-01-15"，會發生什麽 。比幾乎任何其他領域都要豐富
。把報錯信息複製給 AI ，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，驗證大於信任 、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" ，自 2022 年 AI 工具普及以來 ， 第一， 所以 ，幾乎所有 AI 擅長的領域都如此
。使用 AI 後
，但會計行業不僅沒有萎縮
，模式極其明確 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。很多人預言會計職業將會消亡 。兩年後的 2025 年 2 月，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，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，不是在"理解你要什麽"。做獨特判斷的部分 ， 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 。數據充足
、AI 自動化掉的永遠是那個"模式匹配"的部分
， 一句話回顧AI 讓寫代碼快了 55%
，直到搬到馬尼拉才第一次接觸電腦。實際慢了 19% 。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
。 先來拆解"滿"在哪 。所有代碼都在遵循這些規則——形成了極其規整的模式
。 AI 降低了編程的入口 ，沒有兩個項目的架構是完全相同的
，寫代碼恰好就是 。這個係列就是我的探索筆記，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） ，因為電子表格讓財務分析變得更快更便宜
，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇 ，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。 參考資料- Karpathy, A. (2023). "The hottest new programming language is English." X (Twitter). https://x.com/karpathy/status/1617979122625712128
- Karpathy, A. (2025). "There's a new kind of coding I call 'vibe coding'..." X (Twitter). https://x.com/karpathy/status/1886192184808149383
- Wikipedia. Vibe coding. https://en.wikipedia.org/wiki/Vibe_coding
- Electroiq. (2025). GitHub Statistics And Facts, By Users, Security And Repos. https://electroiq.com/stats/github-statistics/
- Quantumrun Foresight. (2026). GitHub Copilot Statistics 2026. https://www.quantumrun.com/consulting/github-copilot-statistics/
- About Chromebooks. (2026). GitHub Copilot Statistics [2026]. https://www.aboutchromebooks.com/github-copilot-statistics/
- Sacra. (2025). Cursor Revenue, Valuation & Funding. https://sacra.com/c/cursor/
- Cursor. (2025). Series D Announcement. https://cursor.com/blog/series-d
- Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv. https://arxiv.org/abs/2302.06590
- Panto. (2026). GitHub Copilot Statistics 2026: Productivity, Risk & Impact. https://www.getpanto.ai/blog/github-copilot-statistics
- Microsoft Source. (2025). Vibe coding and other ways AI is changing who can build apps and how. https://news.microsoft.com/source/features/ai/vibe-coding-and-other-ways-ai-is-changing-who-can-build-apps-and-how/
- TechCrunch. (2025). A quarter of startups in YC's current cohort have codebases that are almost entirely AI-generated. https://techcrunch.com/2025/03/06/a-quarter-of-startups-in-ycs-current-cohort-have-codebases-that-are-almost-entirely-ai-generated/
- Glance. (2025). Vibe Coding Success Stories: Real Apps Built Without Traditional Programming. https://thisisglance.com/blog/vibe-coding-success-stories-real-apps-built-without-traditional-programming
- CodeRabbit. (2025). State of AI vs Human Code Generation Report. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report
- Qodo. (2025). State of AI Code Quality in 2025. https://www.qodo.ai/reports/state-of-ai-code-quality/
- METR. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
- U.S. Bureau of Labor Statistics. (2025). AI impacts in BLS employment projections. https://www.bls.gov/opub/ted/2025/ai-impacts-in-bls-employment-projections.htm
- Morgan Stanley. (2025). AI in Software Development: Creating Jobs and Redefining Roles. https://www.morganstanley.com/insights/articles/ai-software-development-industry-growth
- IEEE Spectrum. (2025). AI Shifts Expectations for Entry Level Jobs. https://spectrum.ieee.org/ai-effect-entry-level-jobs
- FloQast. (2025). Will Robots Take Our Jobs if Accounting is Automated? https://www.floqast.com/blog/will-robots-take-our-jobs-if-accounting-is-automated
- Opsera. (2025). Cursor AI Adoption Trends: Real Data from the Fastest Growing Coding Tool. https://opsera.ai/blog/cursor-ai-adoption-trends-real-data-from-the-fastest-growing-coding-tool/
訂閱如果覺得有意思 ， 但短期有一個值得關注的信號
：入門級崗位在收縮。 個人錨點如果你也試過讓 AI 寫代碼 ，代碼量小
， 這聽起來像科幻。主要級別的問題多了 1.7 倍 過度 I/O 操作（輸入輸出 ，AI 給出的東西怎麽改都不對
。2023 年 1 月 ，你可以告訴 AI"用 JavaScript 實現這個功能"
，不變的是對邏輯的思考 。什麽行為對他們來說是合理的 。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
，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。" 他這句輕描淡寫的話 ，任何有經驗的程序員都知道，需要把金額加在一起
，代碼提交量提升了 8.69%，AI 可以"看到"全貌 ，好在這方麵已經有了大量公開的研究數據 ，Qodo 的調查顯示
，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，決定不同功能之間怎麽配合 、編程真正的難點反而暴露出來了——邏輯思考。Signal Fire 的報告顯示 ，接口定義 、它就不完整了
。拆開了 AI 的黑箱， 為什麽 ？因為在大型真實項目中，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，因為修改 B 文件時 ，仍然需要深入的思考能力 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗
，看看效果
。 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》 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器，而暴露出來的永遠是那個"真正需要人的思考"的部分 。還一起看了它在編程這個最擅長的領域裏的表現和局限 。 數字背後的驅動力 ，AI 在訓練過程中見過的代碼模式
，就是三問判斷法 ：編程是 AI 最完美的應用場景之一
。 先看長期趨勢：整體需求在增長 。 
上一篇 ，AI 時代的建議是
：重點從"記語法"轉向"練邏輯"。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
，不需要完美 ，得花好一會兒
。我們不需要猜測
。開發者產生了"我變快了"的錯覺。表現很好
。不是"解決問題"這個能力 。 性能優化 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ， 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 ，配置文件 。幾百行代碼時
，要麽報錯
。 讓我們來看看
， 問題一
：表麵能跑 ，模式匹配器就能發揮最大威力。畫出了它的能力邊界 ，而編程恰好是三個條件全滿的黃金場景
。程序就出了問題 。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%
。連鍵盤都很少碰 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。可驗證的部分交給 AI；需要理解具體場景 、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
。這背後的道理 ，平均用時 1 小時 11 分鍾 ，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，後續文章也會持續更新
。你甚至不需要看懂代碼——看結果就行。但沒有降低編程的天花板
。不是抽象的語法說明 。想分享給你 。直接全部接受 。然後對照 AI 生成的代碼來學習 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確
、 寫重複性的樣板代碼 。而不是精確的 45.3
。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。 AI 寫的每一行代碼， 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 AI 處理了語法層麵的事情後 ，我查了大量數據 ，擁抱指數級增長 ，AI 就幫她生成了可用的程序 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。而是因為 AI 寫得又快又好
。 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 ， 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 ，遠超所有職業平均 4% 的增長率。但因為"敲代碼"這個動作本身確實變快了 ， 舉個例子 ：如果你讓 AI 做一個記賬工具 ，而不是對你業務的理解
。在代碼重構 、給出了一個出人意料的答案 。結果發現 ： - AI 生成的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，你不需要背誦
for循環的寫法——AI 會替你寫
。恰好在 AI 的能力範圍之內
。它消滅的是"手敲代碼語法"這個動作 ，但如果故事在這裏結束 ，AI 見過無數"錯誤-原因-解法"的模式對 ，AI 就開始出錯。用 AI 放大你的優勢而非替代你的思考
。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 ， 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
，迭代而非一次到位
、結果是
： 使用 AI 工具的開發者反而慢了 19%
。在大多數場景下這沒問題 。 "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 ，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 ，讓我們來看看 AI 編程在實際中長什麽樣。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。不是編程術語 。" 把三個問題串起來讓我用一張表來總結
， 但這裏有一個關鍵的轉變。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 ，前 Tesla AI 總監 ， 適合交給 AI 的原型開發和快速驗證。窗口裝不下的
，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、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
。AI 為什麽能通過律師考試卻會一本正經地撒謊。讓 AI 來寫 ，AI 寫代碼不是什麽"魔法"
。遇到報錯
，這不隻是頂級 AI 專家才能做的事 。以及這種"滿"本身又會製造什麽問題
。需求明確 、他們怎麽使用產品 、AI 的局限就暴露了
。而是因為底層邏輯相同 。讓代碼"能跑"容易 ，GitHub（全球最大的代碼托管平台 ，但當項目增長到幾十個文件
、三問判斷法三項全滿的任務是 AI 的黃金場景
。這可能是 AI 編程給我們最大的啟示。甚至可能不在你給它的對話上下文裏
。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
。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
| 
我要评论
近期工作安排包括自動化測試 、自動化運維 、自動化運營和安全等一些工作 。自己做產品 、自己做設計 、自己做開發 、自己驗收上線還是挺爽滴 。這其中工作簡單的就是自動化運維 。但我今天真正要講的不是做了什麽 ，或者用了2026-09-02
"測試隻能證明 bug 的存在 ，卻永遠無法證明 bug 的缺席 。"—— Edsger Dijkstra寫在前麵最近讀到一篇基於 OCaml 之父 Xavier Leroy 深度訪談的文章 ，標題叫《編程2026-09-02
同事小李用 AI 半小時拚完周報 ，會議室裏老板隻問了一句 ：「第三段數據從哪來的 ？錯了你負責嗎？」小李愣住——他隻點了發送 ，從沒點開過鏈接 。這不是 AI 不行 ，是人把「會用 AI」和「能扛事」混成了一件2026-09-02
最近在做 Code Review 的時候 ，我發現團隊裏越來越多的年輕工程師 ，開始頻繁提交一些看起來極其規整 、甚至連注釋都寫得完美無缺 ，但稍微往深了一看 ，業務邏輯根本跑不通的代碼 。問他們怎麽寫的 ，答案出2026-09-02
最新评论