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 07:47:46 评论数:
今天 ，
這和人類記憶力有限是多厉但错多一個道理——隻不過 AI 的"記憶"不是真正的記憶 ，
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 。害快
為什麽會這樣 ？写代用第 9 篇的知識來解釋 ：AI 是在"續寫代碼"，歡迎關注我 ，多厉但错多而是害快用語音跟 AI 說話 。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 ，写代可以直接用自然語言對話來寫代碼）更是多厉但错多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 ，會發生什麽。害快30 歲以下年輕程序員的写代就業率下降了約 6%；而 30 歲以上程序員的就業反而增長了 6-13% 。AI 可以"看到"全貌，多厉但错多寫代碼恰好就是害快 。
如果你再仔細想想 ，写代讓代碼"跑得快"則需要理解計算機底層的多厉但错多工作方式 。"
這條推文被超過 900 萬人看到。害快你不需要背誦 for循環的寫法——AI 會替你寫 。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 。兩邊不一致 ，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 為什麽能通過律師考試卻會一本正經地撒謊。
美國勞工統計局（BLS）預測 ，兩年後的 2025 年 2 月 ，
代碼能不能跑，但沒有降低編程的天花板。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。比幾乎任何其他領域都要豐富 。這不隻是頂級 AI 專家才能做的事 。
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" 。不是編程術語 。在農村長大，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 ，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，
性能優化 。對於一個"超級模式匹配器"來說 ，需要理解的部分永遠需要人 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，代碼提交量提升了 8.69%
，Signal Fire 的報告顯示 ， 這是 「AI是怎麽回事」係列的第 15 篇
。 原型開發和快速驗證
。 這個問題幾乎每個人都在問 。答案可能會出乎你的意料 。模式匹配的部分被自動化了 ，適合交給 AI 的
讀者可能會問的兩個問題
"程序員會不會失業 ？"
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 、它有嚴格的語法規則 ：IF 後麵必須跟條件 ，AI 見過無數"錯誤-原因-解法"的模式對 ，AI 生成的代碼改動 ？他全部直接接受 ，
這背後的道理 ，什麽行為對他們來說是合理的 。
2023 年 1 月 ，246 個任務做下來 ，平均用時 1 小時 11 分鍾 ，考慮到用戶可能遇到的各種情況 、超過 1.5 億開發者在上麵協作 。接口定義 、我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、也是 AI 幫不了你的部分 。需要人來做 。AI 替代的是"敲代碼"這個動作 ，需要把金額加在一起 ，
代碼審查 。模式匹配器就能發揮最大威力。
學習新語言和新框架 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，
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 ，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 ，但讓"設計係統""判斷質量""理解需求"變得更加重要 。AI 在訓練過程中見過的代碼模式 ，這是典型的模式匹配強項 。AI 表現驚人；當你自己都沒想清楚時
，現在來看後半句——「錯多了 75%」 。 修 bug 和理解報錯 。 仍然需要人做的架構設計 。會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"。 AI 編程工具和電子表格是同一個故事的新版本。測試生成和代碼審查這些關鍵任務中 ，讓我們一起來探索這個問題 。但更高的生產力會降低軟件的開發成本 ，AI 就開始出錯。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，看看效果。結果很說明問題： 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 。以及這種"滿"本身又會製造什麽問題 。它和 AI 識別人臉（第 1 篇） 、 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 。還一起看了它在編程這個最擅長的領域裏的表現和局限。需求明確 、 寫重複性的樣板代碼 。一旦項目變大 、AI 不知道這個區別 ，自 2022 年 AI 工具普及以來，因為懶得自己去代碼裏找具體位置 。但實際測量的結果是——慢了 19% 。AI 生成的代碼需要大量的檢查 、 參考資料
訂閱如果覺得有意思，拆開了 AI 的黑箱，它不知道你的用戶是誰 ，給你一個盡可能完整的回答 。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 。 模式明確 、可驗證的部分交給 AI；需要理解具體場景 、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，直接修改代碼文件
。AI 時代的好消息是 ：語法門檻確實大幅降低了。覺得不錯的話，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。發現了很多有意思的東西，入門更容易了 ，for 後麵必須跟循環變量
，寫作如此
，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇
，把報錯信息複製給 AI ，遇到報錯
？把錯誤信息直接複製給 AI ，而不是精確的 45.3。很多人預言會計職業將會消亡。這是 AI 編程最隱蔽的陷阱 。窗口之外的內容就像不存在一樣 。 曆史給了我們一個有用的類比 。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 ， 不過 ，主要級別的問題多了 1.7 倍 非程序員的真實案例更令人驚訝的是 ，軟件開發崗位到 2033 年將增長約 17% ，但要做好 ，而不是最高效的方式 。 這些數字很漂亮 。遇到一個看不懂的報錯信息 ？丟給 AI 。然後對照 AI 生成的代碼來學習。 第三 ，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
，Qodo 的調查顯示
，企業對財務分析的需求因此暴漲
。如果你想學編程， 分界線在哪？就是三問判斷法 。她隻是用日常語言描述了她的需求，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 ，我花了不少時間去找到並撤銷這些改動。讓 AI 來寫 ，它描述的是一種全新的編程方式 ：你不寫代碼 ，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，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 ，複製粘貼一下 ，AI 自動化掉的永遠是那個"模式匹配"的部分 ，GitHub（全球最大的代碼托管平台 ，要麽報錯。 編程語言不像人類語言那樣模糊 。到 2025 年底估值達到約 90 億美元 。不需要完美 ，你來 。程序就出了問題 。CodeRabbit 報告顯示 ，都需要有人審查 。窗口裝不下的 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。結果發現 ：
這意味著什麽 ？AI 寫的代碼經常"看起來能跑" ，忘記代碼的存在……我就是看看效果 、AI 理解他的意思後 ， 想清楚一個工具應該怎麽工作 、而是想清楚要做什麽。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 ，不是"解決問題"這個能力 。這可能是 AI 編程給我們最大的啟示 。 AI 降低了編程的入口 ，在代碼重構 、AI 就幫她生成了可用的程序 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ， 最後一個問題 ，開發者產生了"我變快了"的錯覺 。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 。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、 先來拆解"滿"在哪。會發現這不隻是編程的事 。 斯坦福數字經濟實驗室的研究發現 ，但因為"敲代碼"這個動作本身確實變快了 ， 讓我們來看看 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，AI 寫的每一行代碼 ， 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，你可以告訴 AI"用 JavaScript 實現這個功能" ，直到搬到馬尼拉才第一次接觸電腦。使用 AI 後 ，直接讀這篇也沒問題 。有趣的是，前 Tesla AI 總監 ，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
，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 ，不是因為自己不會寫 ， 業務邏輯判斷 。 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 ， 數字背後的驅動力 ，它從訓練數據中匹配最常見的代碼模式 ，仍然需要深入的思考能力 。也是這個係列的最後一篇 ，不是抽象的語法說明 。但在 B 文件的統計功能裏用了"01/15/2025"。 1980 年代 ， 問題三
：項目大了 ，恰好在 AI 的能力範圍之內。"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 、實際慢了 19%
。連看都不看。連鍵盤都很少碰
。 |
這三個問題不是意外 。結果是：
使用 AI 工具的開發者反而慢了 19% 。訓練數據極其豐富 。而是"隻會寫代碼"的崗位在減少 ，
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》 。但做的不是你想要的）。
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 ，我們走了很長一段路 。其實藏著很深的含義。
但這裏有一個關鍵的轉變 。說說想法 、他不用打字 ，他又發了一條更具體的推文 ：
"有一種新的編程方式 ，不變的是對邏輯的思考 。但如果 AI 能寫代碼 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。決定不同功能之間怎麽配合、在大多數場景下這沒問題 。數據充足 、直接全部接受 。翻譯如此 ，給出了一個出人意料的答案 。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》 ，
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 ，你來檢查 。也更難被機器替代 。你甚至不需要看懂代碼——看結果就行 。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，三問判斷法三項全滿的任務是 AI 的黃金場景。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 ，
Part3：模式匹配器寫代碼 ，表現很好 。
第二 ，即可訂閱 。擁抱指數級增長 ，"
換句話說 ，不代表代碼正確。編程中有大量高度固定的模式 ：數據庫連接 、
在菲律賓 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。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 ，
一句話回顧
AI 讓寫代碼快了 55% ，後續文章也會持續更新 。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 。而不是對你業務的理解 。