，但寫代碼害有多厲快了錯多了
AI 來生成代碼。写代處理金額應該用整數（以"分"為單位計算） 。多厉但错多對於一個"超級模式匹配器"來說 ，害快AI 理解他的写代意思後 ，但會計行業不僅沒有萎縮 ，多厉但错多
但如果故事在這裏結束 ，害快
代碼審查 。写代你可以告訴 AI"用 JavaScript 實現這個功能" ，多厉但错多
曆史給了我們一個有用的害快類比 。拆開了 AI 的写代黑箱 ，它不知道你的多厉但错多用戶是誰 ，開發者把自己的害快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 ，代碼的写代對錯通常是確定性的 ：要麽運行成功，和我們整個係列一直在探索的多厉但错多核心發現一致 ：模式匹配的部分可以被自動化 ，但在 B 文件的害快統計功能裏用了"01/15/2025"。
當一個項目隻有幾個文件 、其實藏著很深的含義 。for 後麵必須跟循環變量 ，把報錯信息複製給 AI ，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" 。數據充足 、AI 生成的代碼改動 ？他全部直接接受 ，
所以，
代碼能不能跑 ，這些是模式匹配的完美場景——模式極其明確 ，
這聽起來像科幻 。不代表代碼正確 。在代碼重構 、它描述的是一種全新的編程方式 ：你不寫代碼 ，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 ，但要做好，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，BLS 的分析邏輯是：AI 確實提高了程序員的生產力 ，
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》 。表現很好 。讓代碼"能跑"容易 ，
問題一 ：表麵能跑，成為有史以來達到這個裏程碑最快的軟件產品之一 ，而是因為 AI 寫得又快又好 。AI 的局限就暴露了 。AI 時代的好消息是 ：語法門檻確實大幅降低了 。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，
互聯網上有海量的公開代碼 。然後對照 AI 生成的代碼來學習 。而且這些代碼中 88% 被保留在了最終版本裏，邏輯有錯
換句話說 ，AI 寫的每一行代碼 ，但更高的生產力會降低軟件的開發成本，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 。寫代碼恰好就是 。而是用語音跟 AI 說話 。Andrej Karpathy（OpenAI 聯合創始人 、模式明確 、代碼提交量提升了 8.69%，自 2022 年 AI 工具普及以來 ，通常 AI 就能修好。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，"
這條推文被超過 900 萬人看到 。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 ， 第一，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，但讓"設計係統""判斷質量""理解需求"變得更加重要 。 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 ，模式匹配在這裏力不從心。讓代碼"跑得快"則需要理解計算機底層的工作方式。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、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，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 。需求明確 、讓我們一起認真聊聊這個問題 。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 ，AI 表現驚人；當你自己都沒想清楚時 ，任何有經驗的程序員都知道 ，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。他會說"把側邊欄的內邊距減半"這種大白話，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，超過 77000 家企業和組織都在使用它 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，結果容易驗證 。不知道你的產品邏輯 ，AI 來實現 。而且 AI 係統本身也需要大量的開發者來構建和維護。恰好在 AI 的能力範圍之內 。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 。兩年後的 2025 年 2 月，AI 替代的是"敲代碼"這個動作， 斯坦福數字經濟實驗室的研究發現，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 。你來檢查 。這不隻是頂級 AI 專家才能做的事 。
最有趣的一個實驗以上三個問題疊加在一起 ，CodeRabbit 報告顯示，使用 AI 後 ，AI 不知道這個區別 ， 個人錨點如果你也試過讓 AI 寫代碼 ， 一句話回顧AI 讓寫代碼快了 55% ，遇到報錯 ，直到搬到馬尼拉才第一次接觸電腦 。 問題三 ：項目大了 ，你有一個想法，跑跑程序 、遇到一個看不懂的報錯信息 ？丟給 AI 。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 、這是典型的模式匹配強項 。寫作如此 ，可以被自動化 。決定不同功能之間怎麽配合 、 參考資料
訂閱如果覺得有意思 ， 第二 ，她不是程序員 ，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） ，AI 在訓練過程中見過的代碼模式 ，它在 A 文件裏把日期格式定義為"2025-01-15" ，數據充足 、超過 1.5 億開發者在上麵協作 。 性能優化 。"通常這樣就修好了"。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 。結果很說明問題 ： 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，在大多數場景下這沒問題 。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 ， 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 ，結果可驗證時 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，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 ，入門更容易了， 非程序員的真實案例更令人驚訝的是，不確定可不可行
？讓 AI 先做一個粗糙版本出來 ，AI 不知道你的用戶是誰、需求變複雜 ，所有代碼都在遵循這些規則——形成了極其規整的模式
。你不需要背誦 業務邏輯判斷 。在農村長大 ，AI 就幫她生成了可用的程序 。一試便知 。 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 。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。AI 為什麽能通過律師考試卻會一本正經地撒謊。Qodo 的調查顯示 ，編程中有大量高度固定的模式 ：數據庫連接 、 在菲律賓 ，" 把三個問題串起來讓我用一張表來總結 ，但當項目增長到幾十個文件 、翻譯如此 ，原型開發時間可以縮短 50% 到 70%。約束和取舍 。為自己的社區建了一個資源共享應用 。 1980 年代 ， 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、幾乎所有 AI 擅長的領域都如此。說說想法、 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 。報錯信息在訓練數據中大量出現 ，調試和修改。她隻是用日常語言描述了她的需求 ，訓練數據極其充足 。"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 、結果是 ： 使用 AI 工具的開發者反而慢了 19% 。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 ，直接修改代碼文件 。 代碼語法是模式，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 。接口定義、窗口裝不下的 ，做獨特判斷的部分，企業對財務分析的需求因此暴漲 。平均用時 1 小時 11 分鍾，他看都不看修改的內容 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器，AI 寫代碼不是什麽"魔法" 。 舉個例子 ：如果你讓 AI 做一個記賬工具 ，甚至可能不在你給它的對話上下文裏 。結果發現 ：
| ||
| 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
， 數字背後的驅動力， 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 ，但內在邏輯有問題 。AI 見過無數"錯誤-原因-解法"的模式對 ，代碼量小 ，
最後一個問題 ，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，代碼合並率提升了 11% ，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% 。他又發了一條更具體的推文 ：
|
這三個問題不是意外 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，給你一個盡可能完整的回答。歡迎關注我 ，
Part3：模式匹配器寫代碼，
比如 ，
先看長期趨勢 ：整體需求在增長 。需要把金額加在一起 ，模式匹配的部分被自動化了 ，這是 AI 編程最隱蔽的陷阱 。而編程恰好是三個條件全滿的黃金場景 。
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，讓我們來看看 AI 編程在實際中長什麽樣。歡迎分享+關注。這和第 14 篇的四條原則完全一致——不是巧合，而是"隻會寫代碼"的崗位在減少 ，
為什麽 ？因為在大型真實項目中 ，用 AI 放大你的優勢而非替代你的思考。不是抽象的語法說明 。直接全部接受 。現在來看後半句——「錯多了 75%」 。驗證大於信任、不是因為自己不會寫 ，兩邊不一致，但因為"敲代碼"這個動作本身確實變快了 ，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 。
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 ，
不過 ，但處理金額時 ，依據的是訓練數據中的統計模式 ，業界的經驗顯示 ，
美國勞工統計局（BLS）預測 ，這簡直是完美的工作對象 。
先從一句話說起 。也是這個係列的最後一篇 ，AI 可以"看到"全貌，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 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，我查了大量數據 ，因為電子表格讓財務分析變得更快更便宜 ，幾百行代碼時 ，沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
AI 會取代我們嗎 ？
下一篇
，他們仍然覺得 AI 讓自己快了 20% 。編程真正的難點反而暴露出來了——邏輯思考。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"，然後它就大概能用了 。 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 ，是業務問題 。AI 生成的代碼需要大量的檢查 、 這是 「AI是怎麽回事」係列的第 15 篇
。需要理解的部分永遠需要人。 2025 年 7 月
，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、遇到報錯？把錯誤信息直接複製給 AI， 如果你再仔細想想，因為修改 B 文件時，窗口之外的內容就像不存在一樣 。 在搞清楚 AI 編程能做到什麽之前 ，但沒有降低編程的天花板 。246 個任務做下來 ，學會了怎麽和它一起工作 ， 讓我們來看看
，不像寫散文——好壞見仁見智。而是想清楚要做什麽 。也是 AI 幫不了你的部分 。它有嚴格的語法規則 ：IF 後麵必須跟條件，但實際測量的結果是——慢了 19% 。不變的是對邏輯的思考。 代碼能跑，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，模式極其明確 。但如果 AI 能寫代碼 ， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ， 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
，而成功構建次數更是提升了 84% 。 AI 編程工具和電子表格是同一個故事的新版本 。連看都不看 。AI 就開始出錯。讓我們一起來探索這個問題 。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。不是在"理解你要什麽"
。看看效果
。而是因為底層邏輯相同 。 AI 降低了編程的入口
，要麽報錯 。 這個問題幾乎每個人都在問。 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
。 原型開發和快速驗證
。模式匹配器就能發揮最大威力 。 寫重複性的樣板代碼 。後續文章也會持續更新。想分享給你
。 上一篇 下一篇Part1 ：為什麽 AI 特別擅長寫代碼
讀者可能會問的兩個問題
"程序員會不會失業 ？"
適合交給 AI 的
相关推荐