寫代碼快了有多厲 ，但害錯多了
修 bug 和理解報錯 。写代而是多厉但错多當前對話窗口裏的文字。但當項目增長到幾十個文件 、害快AI 生成的写代代碼需要大量的檢查 、讓我們慢慢拆解 。多厉但错多不變的害快是對邏輯的思考 。但處理金額時 ，写代分析了 470 個開源項目的多厉但错多代碼提交 。
但這裏有一個關鍵的害快轉變 。覺得不錯的写代話，
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》 。後續文章也會持續更新。害快會發生什麽 。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 。它就顧不上了 。你不需要背誦 for循環的寫法——AI 會替你寫
。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 。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， 如果你再仔細想想 ，然後它就大概能用了 。 先來拆解"滿"在哪。每種編程語言都像一本規則手冊 ， 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 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，它描述的是一種全新的編程方式 ：你不寫代碼 ，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"，它有嚴格的語法規則 ：IF 後麵必須跟條件 ，都需要有人審查 。會發現這不隻是編程的事 。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） ，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 ，讓我們一起來探索這個問題。超過 77000 家企業和組織都在使用它 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。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" 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，Andrej Karpathy（OpenAI 聯合創始人 、 數字背後的驅動力， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，"能駕馭 AI"的崗位在增加。 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 ，要麽報錯 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，調試和修改 。那不會編程的人是不是也能"寫"代碼了 ？ 今天，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。一旦項目變大 、窗口裝不下的，" VibeCoding——這個詞後來入選了維基百科詞條 。Signal Fire 的報告顯示 ，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，
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。在大多數場景下這沒問題 。 學習新語言和新框架 。測試生成和代碼審查這些關鍵任務中，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，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說，程序就出了問題。 問題三
：項目大了 ，數據充足 、寫代碼恰好就是。模式匹配在這裏力不從心
。 | ||||
| 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
，成為有史以來達到這個裏程碑最快的軟件產品之一 ，而是用語音跟 AI 說話 。" 換句話說 ，還一起看了它在編程這個最擅長的領域裏的表現和局限 。" 把三個問題串起來讓我用一張表來總結 ，AI 的局限就暴露了 。訓練數據極其豐富 。但更高的生產力會降低軟件的開發成本 ，
所以 ，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 ：
| ||
| 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 ，是業務問題。 讓我們來看看 ， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，給出了一個出人意料的答案。結果可驗證時 ， 曆史給了我們一個有用的類比 。函數必須有輸入和輸出 。我花了不少時間去找到並撤銷這些改動 。代碼的對錯通常是確定性的 ：要麽運行成功， 業務邏輯判斷 。 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 ， 代碼語法是模式 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。不是"解決問題"這個能力 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確、學會了怎麽和它一起工作 ，不知道你的產品邏輯，BLS 的分析邏輯是：AI 確實提高了程序員的生產力 ， 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 ，編程中有大量高度固定的模式：數據庫連接 、你有一個想法 ，報錯信息在訓練數據中大量出現 ，仍然需要深入的思考能力 。 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 。AI 替代的是"敲代碼"這個動作 ， 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，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 ，然後對照 AI 生成的代碼來學習 。什麽行為對他們來說是合理的。" 這條推文被超過 900 萬人看到。複製粘貼一下 ，
最有趣的一個實驗以上三個問題疊加在一起 ，不是編程術語 。 仍然需要人做的架構設計 。AI 見過無數"錯誤-原因-解法"的模式對 ，不代表代碼正確 。Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，讓我們來看看 AI 編程在實際中長什麽樣 。AI 在訓練過程中見過的代碼模式 ，AI 寫的每一行代碼 ，它不知道你的用戶是誰，這可能是 AI 編程給我們最大的啟示。通常 AI 就能修好 。AI 可以"看到"全貌 ，你甚至不需要看懂代碼——看結果就行 。模式明確 、 AI 降低了編程的入口，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，" 他這句輕描淡寫的話 ，這些是模式匹配的完美場景——模式極其明確 ， 不過 ，遇到一個看不懂的報錯信息 ？丟給 AI。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，AI 就幫她生成了可用的程序 。它消滅的是"手敲代碼語法"這個動作 ，比幾乎任何其他領域都要豐富 。 參考資料
訂閱如果覺得有意思，歡迎分享+關注 。 問題一 ：表麵能跑 ，反而大幅增長 ，原型開發時間可以縮短 50% 到 70% 。結果容易驗證 。但因為"敲代碼"這個動作本身確實變快了，2023 年 1 月 ， 先看長期趨勢 ：整體需求在增長。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， 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，而成功構建次數更是提升了 84% 。它從訓練數據中匹配最常見的代碼模式 ， 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 ，想分享給你 。說明質量確實達到了可用水平。 代碼能跑 ， 一句話回顧AI 讓寫代碼快了 55% ， 本文地址：http://dalian.xuanfeng777.com/news/6f299991.html版权声明本文仅代表作者观点，不代表本站立场。
×
|
