第二，不需要完美 ，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，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
，窗口裝不下的
，依據的是訓練數據中的統計模式，也是這個係列的最後一篇 ，前 Tesla AI 總監
，把報錯信息複製給 AI ，

這些數字很漂亮 。但更高的生產力會降低軟件的開發成本，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，接口定義、AI 的局限就暴露了。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。比幾乎任何其他領域都要豐富
。不像寫散文——好壞見仁見智。它和 AI 識別人臉（第 1 篇） 、你有一個想法 ，但在 B 文件的統計功能裏用了"01/15/2025"。

學習新語言和新框架。結果容易驗證 。然後對照 AI 生成的代碼來學習
。自 2022 年 AI 工具普及以來，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、

為什麽？因為在大型真實項目中，

但這裏有一個關鍵的轉變。"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，它消滅的是"手敲代碼語法"這個動作
，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，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯。

  先從一句話說起 。

  適合交給 AI 的

  原型開發和快速驗證。能跑就行
  。

  

  我們不需要猜測 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。但實際測量的結果是——慢了 19%。寫作如此 ，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
  ，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
  。如果你想學編程，

  在菲律賓，遇到一個看不懂的報錯信息  ？丟給 AI。答案可能會出乎你的意料。就是三問判斷法 ：編程是 AI 最完美的應用場景之一。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》 ，AI 可以"看到"全貌，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 ，

  1980 年代 ，"

  把三個問題串起來

  讓我用一張表來總結，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，當 AI 處理了語法層麵的事情後 ，你來
  。

  非程序員的真實案例

  更令人驚訝的是，他在做一個他自己都不完全看懂的程序——但程序跑起來了
  。想分享給你。

  性能優化  。說明質量確實達到了可用水平 。而暴露出來的永遠是那個"真正需要人的思考"的部分 。很多人預言會計職業將會消亡。for 後麵必須跟循環變量 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，結果是
   ：

  使用 AI 工具的開發者反而慢了 19%。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。在農村長大，AI 給出的東西怎麽改都不對。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，而是當前對話窗口裏的文字。

  如果你再仔細想想 ，配置文件。而是因為底層邏輯相同 。AI 見過無數"錯誤-原因-解法"的模式對，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，

  當一個項目隻有幾個文件 、但要做好 ，

  自己覺得快了 20%，他們怎麽使用產品 、

  代碼語法是模式，"能駕馭 AI"的崗位在增加。覺得不錯的話，仍然需要深入的思考能力。Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，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 ，

  第一次看到這個係列 ？從第1篇開始最順暢，需求明確、AI 時代的建議是 ：重點從"記語法"轉向"練邏輯"
  。AI 來實現。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" 。她隻是用日常語言描述了她的需求
  ，所有代碼都在遵循這些規則——形成了極其規整的模式。你來檢查 。AI 寫的每一行代碼，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，直接修改代碼文件 。看看效果
  。AI 來生成代碼。

  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，不代表代碼正確
  。它有嚴格的語法規則：IF 後麵必須跟條件，這不隻是頂級 AI 專家才能做的事。你不需要背誦 for循環的寫法——AI 會替你寫。

  一句話回顧

  AI 讓寫代碼快了 55% ，編程真正的難點反而暴露出來了——邏輯思考。不是在"理解你要什麽"
   。

  

  上一篇 ，這和第 14 篇的四條原則完全一致——不是巧合，你可能會注意到一件事：當你清楚知道自己要什麽時
  ，在大多數場景下這沒問題。

  分界線在哪？就是三問判斷法。這是 AI 編程最隱蔽的陷阱。也更難被機器替代。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 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽
  ，AI 替代的是"敲代碼"這個動作 ，分析了 470 個開源項目的代碼提交。有趣的是 ，"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 、

  個人錨點

  如果你也試過讓 AI 寫代碼，是業務問題 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，約束和取舍
  。而是想清楚要做什麽。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
    ，然後它就大概能用了 。需求變複雜
    ，直接全部接受
     。讓我們慢慢拆解。擁抱指數級增長 ，

    代碼能跑 ，他們仍然覺得 AI 讓自己快了 20%。寫代碼恰好就是。這簡直是完美的工作對象  。忘記代碼的存在……我就是看看效果、平均用時 1 小時 11 分鍾，"

    換句話說 ，

    

    最有趣的一個實驗

    以上三個問題疊加在一起 ，"

    他這句輕描淡寫的話，但讓"設計係統""判斷質量""理解需求"變得更加重要。他會說"把側邊欄的內邊距減半"這種大白話
    ，而不是精確的 45.3
     。學會了怎麽和它一起工作 ，

    這聽起來像科幻。

    先來拆解"滿"在哪
    。它就不完整了。考慮到用戶可能遇到的各種情況 、正確的使用方式就清晰了。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。但邏輯錯誤也多了 75% 。他不用打字 ，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。它在 A 文件裏把日期格式定義為"2025-01-15" ，246 個任務做下來，

    第三，對於一個"超級模式匹配器"來說，我花了不少時間去找到並撤銷這些改動 。AI 就開始出錯。不變的是對邏輯的思考。但處理金額時
    ，遇到報錯 ？把錯誤信息直接複製給 AI  ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力，他看都不看修改的內容，那不會編程的人是不是也能"寫"代碼了？

    今天
    ，歡迎分享+關注
    。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
    ，

    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 ，用 AI 放大你的優勢而非替代你的思考  。超過 1.5 億開發者在上麵協作
    。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，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 理解他的意思後
    ，窗口之外的內容就像不存在一樣 。

    這是 「AI是怎麽回事」係列的第 15 篇 。

    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 ，

    但短期有一個值得關注的信號
    ：入門級崗位在收縮。

    寫重複性的樣板代碼 。

    為什麽會這樣
    ？用第 9 篇的知識來解釋
    ：AI 是在"續寫代碼"，後續文章也會持續更新
    。但沒有降低編程的天花板 。讓我們來看看 AI 編程在實際中長什麽樣 。

    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》 。這些是模式匹配的完美場景——模式極其明確，AI 不知道這個區別  ，每種編程語言都像一本規則手冊 ，超過 77000 家企業和組織都在使用它。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、

    參考資料

    1. Karpathy, A. (2023). "The hottest new programming language is English." X (Twitter). https://x.com/karpathy/status/1617979122625712128
    2. Karpathy, A. (2025). "There's a new kind of coding I call 'vibe coding'..." X (Twitter). https://x.com/karpathy/status/1886192184808149383
    3. Wikipedia. Vibe coding. https://en.wikipedia.org/wiki/Vibe_coding
    4. Electroiq. (2025). GitHub Statistics And Facts, By Users, Security And Repos. https://electroiq.com/stats/github-statistics/
    5. Quantumrun Foresight. (2026). GitHub Copilot Statistics 2026. https://www.quantumrun.com/consulting/github-copilot-statistics/
    6. About Chromebooks. (2026). GitHub Copilot Statistics [2026]. https://www.aboutchromebooks.com/github-copilot-statistics/
    7. Sacra. (2025). Cursor Revenue, Valuation & Funding. https://sacra.com/c/cursor/
    8. Cursor. (2025). Series D Announcement. https://cursor.com/blog/series-d
    9. Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv. https://arxiv.org/abs/2302.06590
    10. Panto. (2026). GitHub Copilot Statistics 2026: Productivity, Risk & Impact. https://www.getpanto.ai/blog/github-copilot-statistics
    11. 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/
    12. 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/
    13. 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
    14. CodeRabbit. (2025). State of AI vs Human Code Generation Report. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report
    15. Qodo. (2025). State of AI Code Quality in 2025. https://www.qodo.ai/reports/state-of-ai-code-quality/
    16. 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/
    17. 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
    18. Morgan Stanley. (2025). AI in Software Development: Creating Jobs and Redefining Roles. https://www.morganstanley.com/insights/articles/ai-software-development-industry-growth
    19. IEEE Spectrum. (2025). AI Shifts Expectations for Entry Level Jobs. https://spectrum.ieee.org/ai-effect-entry-level-jobs
    20. 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
    21. 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，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 。編程中有大量高度固定的模式：數據庫連接、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"
  ，會發生什麽 。

  數字背後的驅動力 
  ，

  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 
  。而不是對你業務的理解 。得花好一會兒。

  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，你甚至不需要看懂代碼——看結果就行。

  讓我們來看看 ，好在這方麵已經有了大量公開的研究數據，實際慢了 19% 。

  但如果故事在這裏結束，說說想法、什麽行為對他們來說是合理的 。

  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 ，也是 AI 幫不了你的部分。因為電子表格讓財務分析變得更快更便宜
  ，但當項目增長到幾十個文件、幾乎所有 AI 擅長的領域都如此 。

  代碼審查。AI 時代的好消息是：語法門檻確實大幅降低了
  。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%
  。"通常這樣就修好了"。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"。模式匹配器就能發揮最大威力。要麽報錯。

  編程的本質不是寫語法 ，

  代碼能不能跑，開發者產生了"我變快了"的錯覺
   。幾百行代碼時，讓 AI 來寫，一旦項目變大  、成為有史以來達到這個裏程碑最快的軟件產品之一，我查了大量數據，畫出了它的能力邊界，

  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，

  先看長期趨勢 ：整體需求在增長 。"

  這條推文被超過 900 萬人看到 。讓代碼"跑得快"則需要理解計算機底層的工作方式
  。它描述的是一種全新的編程方式 ：你不寫代碼
  ，

  曆史給了我們一個有用的類比 。因為懶得自己去代碼裏找具體位置
   。甚至可能不在你給它的對話上下文裏。需要理解的部分永遠需要人——AI 降低的是編程門檻，但因為"敲代碼"這個動作本身確實變快了，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，當 AI 編程從"周末小項目"走向真實世界時
   ，而是用語音跟 AI 說話。

  Part3：模式匹配器寫代碼 ，

  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 。代碼量小，程序就出了問題。我一直很好奇 AI 到底是怎麽工作的，連鍵盤都很少碰。AI 表現驚人；當你自己都沒想清楚時，需要把金額加在一起 ，需要人來做。讓我們一起認真聊聊這個問題。

  2025 年 7 月，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 。訓練數據極其充足 。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 。"

  VibeCoding——這個詞後來入選了維基百科詞條 。主要級別的問題多了 1.7 倍

• 過度 I/O 操作（輸入輸出 ，讓代碼"能跑"容易
  ，而成功構建次數更是提升了 84%。為自己的社區建了一個資源共享應用 。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
  ，Signal Fire 的報告顯示 
  ，業界的經驗顯示 ，而是因為 AI 寫得又快又好 。她不是程序員 ，

  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，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、而編程恰好是三個條件全滿的黃金場景。

  這背後的道理，

  用第 7 篇和第 9 篇的知識來解釋 
  ：AI 在"續寫"代碼時 ，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，AI 在訓練過程中見過的代碼模式 ，不知道你的產品邏輯 ，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，會遇到什麽問題

  Part2 裏我們看到了標題的前半句——"快了 55%" 。

  問題三：項目大了 ，

  編程語言不像人類語言那樣模糊 。任何有經驗的程序員都知道，

  2023 年 1 月，函數必須有輸入和輸出 
  。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，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 。現在來看後半句——「錯多了 75%」 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。發現了很多有意思的東西
  ，也是最大的一個問題——

  AI 會取代我們嗎？

  下一篇 ，

  不過，不是因為自己不會寫，這可能是 AI 編程給我們最大的啟示。不是"解決問題"這個能力。企業對財務分析的需求因此暴漲。但內在邏輯有問題。這是典型的模式匹配強項 。數據充足、

  斯坦福數字經濟實驗室的研究發現
  ，可驗證的部分交給 AI；需要理解具體場景、他又發了一條更具體的推文：

  "有一種新的編程方式，

  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
  ，

  AI 降低了編程的入口，軟件開發崗位到 2033 年將增長約 17%，

  AI 編程工具和電子表格是同一個故事的新版本。

  業務邏輯判斷
  。表現很好
  。Andrej Karpathy（OpenAI 聯合創始人、不確定可不可行？讓 AI 先做一個粗糙版本出來
  ，而且這些代碼中 88% 被保留在了最終版本裏，做獨特判斷的部分 ，

  美國勞工統計局（BLS）預測
  ，遠超所有職業平均 4% 的增長率。決定不同功能之間怎麽配合、

  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。

  "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，AI 無法"看到"全部信息（第 6 篇：上下文窗口的限製）