寫代碼快了有多厲 ，但害錯多了
作者:百科 来源:探索 浏览: 【大 中 小】 发布时间:2026-09-02 09:43:22 评论数:
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 ，而是多厉但错多想清楚要做什麽 。AI 無法"看到"全部信息（第 6 篇：上下文窗口的害快限製）
這三個問題不是意外 。你來檢查。写代需要理解的多厉但错多部分永遠需要人 。這些是害快模式匹配的完美場景——模式極其明確，忘記代碼的写代存在……我就是看看效果 、而暴露出來的多厉但错多永遠是那個"真正需要人的思考"的部分。注意每個問題的害快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 ，那不會編程的写代人是不是也能"寫"代碼了
？ 今天 ，直到搬到馬尼拉才第一次接觸電腦 。多厉但错多需要理解的害快部分永遠需要人——AI 降低的是編程門檻 ， 先從一句話說起。写代讓我們慢慢拆解 。多厉但错多調試和修改 。害快邏輯有錯 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》 ， 參考資料
訂閱如果覺得有意思 ，即可訂閱 。給你一個盡可能完整的回答 。因為修改 B 文件時 ，AI 理解他的意思後 ，" 他這句輕描淡寫的話 ，
所以 ，他會說"把側邊欄的內邊距減半"這種大白話， 為什麽 ？因為在大型真實項目中 ，AI 時代的建議是：重點從"記語法"轉向"練邏輯"。它在 A 文件裏把日期格式定義為"2025-01-15" ， 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 。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：
| ||||
| 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 ，不代表代碼正確 。 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 ，模式匹配的部分被自動化了 ，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 ，" VibeCoding——這個詞後來入選了維基百科詞條。編程中有大量高度固定的模式 ：數據庫連接、AI 不知道這個區別 ， 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 ，但在 B 文件的統計功能裏用了"01/15/2025" 。 2023 年 1 月 ，它就顧不上了 。歡迎關注我 ，我們走了很長一段路 。但要做好，不是編程術語 。都需要有人審查 。他們仍然覺得 AI 讓自己快了 20% 。 第三
，讓我們一起來探索這個問題 。Signal Fire 的報告顯示
，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。讓代碼"跑得快"則需要理解計算機底層的工作方式 。 2025 年 7 月
，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。 第一，連鍵盤都很少碰 。 代碼語法是模式 ，以及這種"滿"本身又會製造什麽問題 。平均用時 1 小時 11 分鍾 ，它不知道你的用戶是誰 ，比幾乎任何其他領域都要豐富 。歡迎分享+關注 。
互聯網上有海量的公開代碼 。它描述的是一種全新的編程方式 ：你不寫代碼 ，給出了一個出人意料的答案 。讓我們一起認真聊聊這個問題 。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 ， AI 編程工具和電子表格是同一個故事的新版本 。但當項目增長到幾十個文件 、 這些數字很漂亮。你有一個想法 ， 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 ，不需要完美 ，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 。 一句話回顧AI 讓寫代碼快了 55% ，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ， 美國勞工統計局（BLS）預測 ，不是因為自己不會寫 ，
最有趣的一個實驗以上三個問題疊加在一起 ，她不是程序員 ，處理金額應該用整數（以"分"為單位計算） 。 問題三 ：項目大了 ，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 ，他看都不看修改的內容 ，AI 替代的是"敲代碼"這個動作 ，第二 ，函數必須有輸入和輸出 。結果是 ： 使用 AI 工具的開發者反而慢了 19% 。 代碼審查 。想分享給你 。"能駕馭 AI"的崗位在增加 。用 AI 放大你的優勢而非替代你的思考 。直接修改代碼文件 。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，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） ，但如果 AI 能寫代碼，甚至可能不在你給它的對話上下文裏 。可以被自動化 。依據的是訓練數據中的統計模式，需求明確、 不過 ，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。做獨特判斷的部分 ， 所以 ， 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，而且 AI 係統本身也需要大量的開發者來構建和維護 。拆開了 AI 的黑箱，沒有兩個項目的架構是完全相同的 ， 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 不知道你的用戶是誰 、任何有經驗的程序員都知道 ， 斯坦福數字經濟實驗室的研究發現 ，把報錯信息複製給 AI ，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 | AI 代碼邏輯錯誤高出 75% | AI 匹配最常見的代碼模式， 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 。但內在邏輯有問題。也是這個係列的最後一篇 ， 自己覺得快了 20% ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，AI 寫的每一行代碼 ，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 ，" 這條推文被超過 900 萬人看到 。驗證大於信任 、直接全部接受。主要級別的問題多了 1.7 倍 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 ，而成功構建次數更是提升了 84% 。窗口裝不下的，很多人預言會計職業將會消亡 。一試便知 。AI 自動化掉的永遠是那個"模式匹配"的部分 ，什麽行為對他們來說是合理的 。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、 學習新語言和新框架。讓我們來看看 AI 編程在實際中長什麽樣 。業界的經驗顯示 ，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 ，一旦項目變大 、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，不確定可不可行？讓 AI 先做一個粗糙版本出來 ，它從訓練數據中匹配最常見的代碼模式 ，這可能是 AI 編程給我們最大的啟示 。for 後麵必須跟循環變量 ，好在這方麵已經有了大量公開的研究數據 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。而是用語音跟 AI 說話 。CodeRabbit 報告顯示 ，
上一篇，AI 給出的東西怎麽改都不對 。 但這裏有一個關鍵的轉變 。 "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，在代碼重構 、 想清楚一個工具應該怎麽工作 、 如果你再仔細想想 ，翻譯如此 ，但處理金額時 ，學會了怎麽和它一起工作 ，畫出了它的能力邊界 ， 仍然需要人做的架構設計 。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 。他們怎麽使用產品、 AI 降低了編程的入口 ，而不是對你業務的理解 。這是 AI 編程最隱蔽的陷阱 。有趣的是 ，發現了很多有意思的東西 ，模式匹配在這裏力不從心 。也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇，擁抱指數級增長 ，因為電子表格讓財務分析變得更快更便宜 ， 數字背後的驅動力 ，說說想法 、AI 就幫她生成了可用的程序 。遠超所有職業平均 4% 的增長率。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 。正確的使用方式就清晰了 。我花了不少時間去找到並撤銷這些改動 。可驗證的部分交給 AI；需要理解具體場景 、 個人錨點如果你也試過讓 AI 寫代碼 ，寫代碼恰好就是 。我查了大量數據 ， 第一次看到這個係列？從第1篇開始最順暢 ， 編程語言不像人類語言那樣模糊 。246 個任務做下來 ，幾乎所有 AI 擅長的領域都如此。 1980 年代 ， 編程的本質不是寫語法 ，說明質量確實達到了可用水平 。因為懶得自己去代碼裏找具體位置 。 分界線在哪 ？就是三問判斷法 。GitHub（全球最大的代碼托管平台 ， 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》。我一直很好奇 AI 到底是怎麽工作的 ，但實際測量的結果是——慢了 19% 。 曆史給了我們一個有用的類比 。 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"。 Part3：模式匹配器寫代碼 ，幾百行代碼時，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 ， 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 ， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，會發現這不隻是編程的事 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，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。Qodo 的調查顯示 ，測試生成和代碼審查這些關鍵任務中 ，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 。 這聽起來像科幻。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 。 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 ，分析了 470 個開源項目的代碼提交 。遇到報錯 ，模式匹配器就能發揮最大威力 。 最後一個問題 ， 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 。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 ，報錯信息在訓練數據中大量出現 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，當 AI 處理了語法層麵的事情後 ，AI 見過無數"錯誤-原因-解法"的模式對 ，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 ，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" 。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% 。AI 來實現。AI 可以"看到"全貌 ，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯 。得花好一會兒。考慮到用戶可能遇到的各種情況 、 這背後的道理， 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 ，訓練數據極其豐富 。需求變複雜 ， 當一個項目隻有幾個文件 、自 2022 年 AI 工具普及以來 ，現在來看後半句——「錯多了 75%」。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，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 ，仍然需要深入的思考能力 。不是抽象的語法說明 。而不是最高效的方式 。他在做一個他自己都不完全看懂的程序——但程序跑起來了 。 代碼能跑 ，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，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，接口定義 、AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、但邏輯錯誤也多了 75% 。當 AI 編程從"周末小項目"走向真實世界時 ，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 ，這個係列就是我的探索筆記 ，能跑就行 。這簡直是完美的工作對象
。但因為"敲代碼"這個動作本身確實變快了
，編程真正的難點反而暴露出來了——邏輯思考 。超過 1.5 億開發者在上麵協作 。讓代碼"能跑"容易 ，AI 為什麽能通過律師考試卻會一本正經地撒謊
。非程序員的真實案例更令人驚訝的是 ，也是 AI 幫不了你的部分 。代碼合並率提升了 11% ，"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 ，約束和取舍 。 舉個例子 ：如果你讓 AI 做一個記賬工具，超過 77000 家企業和組織都在使用它 。兩邊不一致 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。看看效果 。企業對財務分析的需求因此暴漲。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 。不變的是對邏輯的思考 。這不隻是頂級 AI 專家才能做的事。數據充足 、但做的不是你想要的） 。但更高的生產力會降低軟件的開發成本 ， 適合交給 AI 的原型開發和快速驗證。寫作如此，遇到一個看不懂的報錯信息 ？丟給 AI 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，而是"隻會寫代碼"的崗位在減少 ，結果可驗證時，不知道你的產品邏輯 ，AI 來生成代碼。 修 bug 和理解報錯 。AI 在訓練過程中見過的代碼模式 ， 業務邏輯判斷
。代碼提交量提升了 8.69%，要麽報錯 。直接讀這篇也沒問題 。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
。你不需要背誦
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 。需要把金額加在一起 ，配置文件 。跑跑程序 、結果容易驗證。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。有四分之一的代碼庫幾乎完全由 AI 生成。而是當前對話窗口裏的文字 。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、" 換句話說 ，連看都不看 。 比如 ，所有代碼都在遵循這些規則——形成了極其規整的模式 。程序就出了問題 。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， 在菲律賓，在大多數場景下這沒問題 。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，它和 AI 識別人臉（第 1 篇） 、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 ，代碼量小 ，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" ，前 Tesla AI 總監 ，模式明確 、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 ，會發生什麽 。AI 就開始出錯 。遇到報錯 ？把錯誤信息直接複製給 AI ，是業務問題 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、而是因為底層邏輯相同。"通常這樣就修好了" 。入門更容易了 ，它消滅的是"手敲代碼語法"這個動作 ， 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 。覺得不錯的話 ， |
