先從一句話說起 。写代但要做好，多厉但错多在農村長大，害快"能駕馭 AI"的写代崗位在增加。考慮到用戶可能遇到的多厉但错多各種情況 、它們是害快"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"這個產品應該解決什麽問題""這個功能的写代邊界在哪裏""這段代碼的邏輯對不對"——這些是理解，但 Karpathy 描述了自己的多厉但错多真實工作流程：他用語音輸入（一款叫 SuperWhisper 的語音工具）跟 AI 說話，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：

這三個問題不是意外 。歡迎分享+關注。因為修改 B 文件時
，

1980 年代，"

他這句輕描淡寫的話，開發者產生了"我變快了"的錯覺 。

2023 年 1 月
，就是三問判斷法：編程是 AI 最完美的應用場景之一。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"，

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，即可訂閱。

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 。用 AI 放大你的優勢而非替代你的思考。是業務問題。測試生成和代碼審查這些關鍵任務中 ，依據的是訓練數據中的統計模式 ，得花好一會兒 。它消滅的是"手敲代碼語法"這個動作，

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" 。可以被自動化。所有代碼都在遵循這些規則——形成了極其規整的模式。

自己覺得快了 20%
，但如果 AI 能寫代碼，讓我們一起來探索這個問題 。Andrej Karpathy（OpenAI 聯合創始人、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 生成的代碼需要大量的檢查
、

第二 ，函數必須有輸入和輸出
。它不知道你的用戶是誰
，而是想清楚要做什麽。原型開發時間可以縮短 50% 到 70%。

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 ，入門更容易了
，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 
，"

這條推文被超過 900 萬人看到。

想清楚一個工具應該怎麽工作
、表現很好。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。以及這種"滿"本身又會製造什麽問題。讓代碼"能跑"容易，

最後一個問題，它有嚴格的語法規則
：IF 後麵必須跟條件 ，

2025 年 7 月 ，

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，三問判斷法三項全滿的任務是 AI 的黃金場景 。他看都不看修改的內容，而且 AI 係統本身也需要大量的開發者來構建和維護
。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，

但短期有一個值得關注的信號：入門級崗位在收縮 。

先來拆解"滿"在哪。他又發了一條更具體的推文 ：

"有一種新的編程方式 ，然後它就大概能用了。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，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"。

下一篇預告

從第 1 篇"你的手機是怎麽認出你的臉"到現在，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），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，學會了怎麽和它一起工作，你來檢查 。你可以告訴 AI"用 JavaScript 實現這個功能"，遇到報錯，

所以，CodeRabbit 報告顯示，讓我們一起認真聊聊這個問題。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，這和第 14 篇的四條原則完全一致——不是巧合，遇到一個看不懂的報錯信息？丟給 AI
。要麽報錯。

分界線在哪？就是三問判斷法 。但邏輯錯誤也多了 75% 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力
，在大多數場景下這沒問題。AI 不知道這個區別 ，AI 生成的代碼改動 ？他全部直接接受 ，

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，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能
，程序就出了問題。在代碼重構 、AI 替代的是"敲代碼"這個動作
，

性能優化。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  ，這個係列就是我的探索筆記
，這是 AI 編程最隱蔽的陷阱 。報錯信息在訓練數據中大量出現
，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，而不是對你業務的理解。

學習新語言和新框架 。AI 來生成代碼。他不用打字 ，正確的使用方式就清晰了
。AI 寫代碼不是什麽"魔法"。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。需求明確
、一試便知。

代碼能不能跑，AI 理解他的意思後 ，

編程語言不像人類語言那樣模糊
。

為什麽會這樣？用第 9 篇的知識來解釋：AI 是在"續寫代碼"，

非程序員的真實案例

更令人驚訝的是
，

第一次看到這個係列？從第1篇開始最順暢 ，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，

比如，但當項目增長到幾十個文件、Signal Fire 的報告顯示，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，而不是精確的 45.3。而編程恰好是三個條件全滿的黃金場景。看看效果。遠超所有職業平均 4% 的增長率。Qodo 的調查顯示，但處理金額時
  ，GitHub（全球最大的代碼托管平台
   ，為自己的社區建了一個資源共享應用。但實際測量的結果是——慢了 19% 。因為電子表格讓財務分析變得更快更便宜，AI 給出的東西怎麽改都不對 。給你一個盡可能完整的回答。說說想法 、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 。

  

  所以，寫代碼恰好就是 。模式明確
  、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 。約束和取舍。好在這方麵已經有了大量公開的研究數據，不是編程術語。一旦項目變大、

  代碼能跑 ，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，還一起看了它在編程這個最擅長的領域裏的表現和局限 。幾百行代碼時 ，AI 不知道你的用戶是誰、但會計行業不僅沒有萎縮 ，超過 1.5 億開發者在上麵協作。什麽行為對他們來說是合理的
  。

  為什麽？因為在大型真實項目中，模式極其明確 。但內在邏輯有問題 。說明質量確實達到了可用水平
  。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，實際慢了 19%。直接讀這篇也沒問題 。

  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。

  代碼審查。"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，決定不同功能之間怎麽配合、"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、有趣的是，覺得不錯的話 ，

  業務邏輯判斷。但在 B 文件的統計功能裏用了"01/15/2025"  。會遇到什麽問題

  Part2 裏我們看到了標題的前半句——"快了 55%"
  。需要理解的部分永遠需要人
  。不是抽象的語法說明。超過 77000 家企業和組織都在使用它。平均用時 1 小時 11 分鍾，而暴露出來的永遠是那個"真正需要人的思考"的部分
  。這簡直是完美的工作對象。電子表格軟件（如 Excel）普及後 ，不變的是對邏輯的思考 。這可能是 AI 編程給我們最大的啟示。不需要完美，可驗證的部分交給 AI；需要理解具體場景 、代碼量小，

  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，不知道你的產品邏輯，模式匹配器就能發揮最大威力。

  這意味著什麽 ？不是程序員變少了，你不需要背誦 for循環的寫法——AI 會替你寫。答案可能會出乎你的意料。她不是程序員，數據充足、當 AI 編程從"周末小項目"走向真實世界時，

  

  互聯網上有海量的公開代碼。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。訓練數據極其豐富。

  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 ，需要人來做 。

  個人錨點

  如果你也試過讓 AI 寫代碼 ，也更難被機器替代。畫出了它的能力邊界 
  ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，使用 AI 後 ，不代表代碼正確 。如果你想學編程，幾乎所有 AI 擅長的領域都如此
  。遇到報錯？把錯誤信息直接複製給 AI，不是在"理解你要什麽" 。複製粘貼一下 ，沒有兩個項目的架構是完全相同的，而是因為 AI 寫得又快又好。編程真正的難點反而暴露出來了——邏輯思考 。

  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 ，但沒有降低編程的天花板。

  這背後的道理
  ，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 。代碼合並率提升了 11%，但更高的生產力會降低軟件的開發成本，我查了大量數據 ，

  讓我們來看看
  ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器，當 AI 處理了語法層麵的事情後，後續文章也會持續更新。兩邊不一致，到 2025 年底估值達到約 90 億美元。這些是模式匹配的完美場景——模式極其明確，而是用語音跟 AI 說話 。

  但這裏有一個關鍵的轉變。AI 為什麽能通過律師考試卻會一本正經地撒謊 。做獨特判斷的部分，你可能會注意到一件事：當你清楚知道自己要什麽時，AI 時代的好消息是：語法門檻確實大幅降低了。AI 的局限就暴露了。AI 在訓練過程中見過的代碼模式，它從訓練數據中匹配最常見的代碼模式，它和 AI 識別人臉（第 1 篇） 、拆開了 AI 的黑箱，自 2022 年 AI 工具普及以來，而是"隻會寫代碼"的崗位在減少，結果容易驗證 。會發生什麽。這是典型的模式匹配強項 。你有一個想法 ，我花了不少時間去找到並撤銷這些改動 。

  第一 ，

  美國勞工統計局（BLS）預測 ，"

VibeCoding——這個詞後來入選了維基百科詞條
。

寫重複性的樣板代碼。我們走了很長一段路
。AI 時代的建議是：重點從"記語法"轉向"練邏輯" 。接口定義 、但做的不是你想要的）。讓我們慢慢拆解。AI 就幫她生成了可用的程序 。模式匹配的部分被自動化了 ，成為有史以來達到這個裏程碑最快的軟件產品之一，

這聽起來像科幻。結果是 ：

使用 AI 工具的開發者反而慢了 19%。會計師的工作從"算數"轉向了"分析和決策"——更有價值  、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。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 。

編程的本質不是寫語法 ，不是"解決問題"這個能力。AI 表現驚人；當你自己都沒想清楚時 ，編程中有大量高度固定的模式 ：數據庫連接、

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 ，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 。忘記代碼的存在……我就是看看效果 、很多人預言會計職業將會消亡。"

換句話說 ，現在來看後半句——「錯多了 75%」 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、

如果你再仔細想想，前 Tesla AI 總監
，反而大幅增長 ，他們仍然覺得 AI 讓自己快了 20%。

上一篇，直到搬到馬尼拉才第一次接觸電腦。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。能跑就行。

仍然需要人做的

架構設計。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" 。對於一個"超級模式匹配器"來說 ，比幾乎任何其他領域都要豐富  。而且這些代碼中 88% 被保留在了最終版本裏 ，for 後麵必須跟循環變量，給出了一個出人意料的答案 。

"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
，

最有趣的一個實驗

以上三個問題疊加在一起 ，"

把三個問題串起來

讓我用一張表來總結  ，然後對照 AI 生成的代碼來學習。

舉個例子：如果你讓 AI 做一個記賬工具，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，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，軟件開發崗位到 2033 年將增長約 17% ，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 ，想分享給你。你來。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，也是 AI 幫不了你的部分。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，那不會編程的人是不是也能"寫"代碼了
  ？

  今天，代碼的對錯通常是確定性的：要麽運行成功，讓代碼"跑得快"則需要理解計算機底層的工作方式。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，會發現這不隻是編程的事。

  曆史給了我們一個有用的類比。

  數字背後的驅動力，

  AI 編程工具和電子表格是同一個故事的新版本。

  這些數字很漂亮。也是最大的一個問題——

  AI 會取代我們嗎？

  下一篇  ，

  AI 降低了編程的入口
  ，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》
  ，

  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，而是當前對話窗口裏的文字。仍然需要深入的思考能力 。連看都不看。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，驗證大於信任 、代碼提交量提升了 8.69%，246 個任務做下來 ，

  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 。處理金額應該用整數（以"分"為單位計算） 。

  一句話回顧

  AI 讓寫代碼快了 55%，他們怎麽使用產品、AI 寫的每一行代碼，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 。

  當一個項目隻有幾個文件
  、任何有經驗的程序員都知道
  ，窗口之外的內容就像不存在一樣。

  修 bug 和理解報錯。AI 自動化掉的永遠是那個"模式匹配"的部分
   ，