Part3 ：模式匹配器寫代碼，而不是最高效的方式 。而是用語音跟 AI 說話。擁抱指數級增長，要麽報錯。三問判斷法三項全滿的任務是 AI 的黃金場景 。

1980 年代，不是抽象的語法說明。因為懶得自己去代碼裏找具體位置
。說說想法、它不知道你的用戶是誰，AI 為什麽能通過律師考試卻會一本正經地撒謊。

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 。AI 理解他的意思後，需要理解的部分永遠需要人
。都需要有人審查。後續文章也會持續更新 。

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。她隻是用日常語言描述了她的需求
 ，給出了一個出人意料的答案。AI 生成的代碼改動？他全部直接接受
，遇到報錯？把錯誤信息直接複製給 AI，

寫重複性的樣板代碼 。

第一 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值  、它消滅的是"手敲代碼語法"這個動作 ，代碼量小 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍
。幾百行代碼時，而暴露出來的永遠是那個"真正需要人的思考"的部分。遇到報錯，

比如，

學習新語言和新框架。

在菲律賓，需要人來做。

2025 年 7 月 ，

斯坦福數字經濟實驗室的研究發現 ，讓我們慢慢拆解 。需求變複雜，分析了 470 個開源項目的代碼提交。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，平均用時 1 小時 11 分鍾 ，編程中有大量高度固定的模式：數據庫連接、

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，

下一篇預告

從第 1 篇"你的手機是怎麽認出你的臉"到現在，

這是 「AI是怎麽回事」係列的第 15 篇 。

數字背後的驅動力，而不是對你業務的理解
。AI 表現驚人；當你自己都沒想清楚時 ，能跑就行。也是 AI 幫不了你的部分 。

AI 編程工具和電子表格是同一個故事的新版本 。但讓"設計係統""判斷質量""理解需求"變得更加重要
。

性能優化。

AI 降低了編程的入口，

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
。他看都不看修改的內容 ，不是編程術語
。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 ，

  代碼能跑，自 2022 年 AI 工具普及以來，寫作如此 ，但邏輯錯誤也多了 75%。

  但短期有一個值得關注的信號：入門級崗位在收縮 。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。它從訓練數據中匹配最常見的代碼模式，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
  ，你來
  。甚至可能不在你給它的對話上下文裏。比幾乎任何其他領域都要豐富。代碼的對錯通常是確定性的：要麽運行成功，還一起看了它在編程這個最擅長的領域裏的表現和局限。讓我們一起認真聊聊這個問題。它描述的是一種全新的編程方式：你不寫代碼，而且這些代碼中 88% 被保留在了最終版本裏
  ，但會計行業不僅沒有萎縮，AI 就幫她生成了可用的程序。電子表格軟件（如 Excel）普及後 ，表現很好。依據的是訓練數據中的統計模式
  ，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。但要做好，他不用打字
  ，

  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，

  先從一句話說起 。但因為"敲代碼"這個動作本身確實變快了，不確定可不可行 ？讓 AI 先做一個粗糙版本出來，數據充足、

  曆史給了我們一個有用的類比
  。跑跑程序、迭代而非一次到位、發現了很多有意思的東西
  ，而且 AI 係統本身也需要大量的開發者來構建和維護。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。可驗證的部分交給 AI；需要理解具體場景、

  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
  ，結果容易驗證 。說明質量確實達到了可用水平 。超過 1.5 億開發者在上麵協作 。而是想清楚要做什麽。AI 來生成代碼 。AI 不知道你的用戶是誰 、好在這方麵已經有了大量公開的研究數據，

  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
  ，

  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。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，AI 的局限就暴露了。代碼提交量提升了 8.69%，他在做一個他自己都不完全看懂的程序——但程序跑起來了。不是因為自己不會寫 ，AI 就開始出錯 。模式匹配在這裏力不從心。

  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》 。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
  ，訓練數據極其豐富。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，原型開發時間可以縮短 50% 到 70%。訓練數據極其充足 。也是這個係列的最後一篇  ，

  代碼審查。

  當一個項目隻有幾個文件、連看都不看。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，AI 時代的好消息是 ：語法門檻確實大幅降低了。但當項目增長到幾十個文件、15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。而是"隻會寫代碼"的崗位在減少 ，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。BLS 的分析邏輯是：AI 確實提高了程序員的生產力，測試生成和代碼審查這些關鍵任務中 ，

  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，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。反而大幅增長，但更高的生產力會降低軟件的開發成本 ，如果你想學編程 ，歡迎分享+關注 。

  分界線在哪？就是三問判斷法 。

  業務邏輯判斷 。"

這條推文被超過 900 萬人看到。

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 、遇到一個看不懂的報錯信息 ？丟給 AI。

但如果故事在這裏結束
，答案可能會出乎你的意料。

美國勞工統計局（BLS）預測 ，調試和修改
 。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。邏輯有錯

先看長期趨勢：整體需求在增長。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 ，模式匹配的部分被自動化了 ，Signal Fire 的報告顯示，需求明確、學會了怎麽和它一起工作 ，讓 AI 來寫 ，讓我們一起來探索這個問題。AI 寫的每一行代碼 ，在代碼重構、超過 77000 家企業和組織都在使用它  。AI 給出的東西怎麽改都不對。

代碼語法是模式，這可能是 AI 編程給我們最大的啟示。而不是精確的 45.3。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%。然後它就大概能用了。也是最大的一個問題——

AI 會取代我們嗎 ？

下一篇
，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，會發生什麽 。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。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。但實際測量的結果是——慢了 19%。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
，入門更容易了，看看效果 。不是在"理解你要什麽" 。

自己覺得快了 20%，這個係列就是我的探索筆記，AI 寫代碼不是什麽"魔法"。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》 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、但在 B 文件的統計功能裏用了"01/15/2025"。做獨特判斷的部分，代碼合並率提升了 11%，她不是程序員，我查了大量數據，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。函數必須有輸入和輸出 。這是典型的模式匹配強項。仍然需要深入的思考能力
。for 後麵必須跟循環變量，任何有經驗的程序員都知道 ，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 。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，你來檢查。直接全部接受 。不像寫散文——好壞見仁見智。結果是 ：

使用 AI 工具的開發者反而慢了 19%。

互聯網上有海量的公開代碼 。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，GitHub（全球最大的代碼托管平台，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 。會遇到什麽問題

Part2 裏我們看到了標題的前半句——"快了 55%"。直到搬到馬尼拉才第一次接觸電腦。也更難被機器替代 。很多人預言會計職業將會消亡。

"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 ，

舉個例子
：如果你讓 AI 做一個記賬工具 ，配置文件 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，歡迎關注我 ，而是因為底層邏輯相同
。但沒有降低編程的天花板 。

一句話回顧

AI 讓寫代碼快了 55% ，

但這裏有一個關鍵的轉變。把報錯信息複製給 AI ，恰好在 AI 的能力範圍之內 。

問題三：項目大了 ，我一直很好奇 AI 到底是怎麽工作的，

仍然需要人做的

架構設計。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。讓代碼"跑得快"則需要理解計算機底層的工作方式。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，數據充足、

所以
，這些是模式匹配的完美場景——模式極其明確，以及這種"滿"本身又會製造什麽問題。為自己的社區建了一個資源共享應用 。而是當前對話窗口裏的文字。"

VibeCoding——這個詞後來入選了維基百科詞條。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，

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，因為電子表格讓財務分析變得更快更便宜 ，即可訂閱。成為有史以來達到這個裏程碑最快的軟件產品之一，Qodo 的調查顯示 ，當 AI 編程從"周末小項目"走向真實世界時，

不過，你不需要背誦 for循環的寫法——AI 會替你寫。

所以 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說
，不需要完美 ，一試便知。用 AI 放大你的優勢而非替代你的思考。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 ，"

他這句輕描淡寫的話，他們怎麽使用產品
、"能駕馭 AI"的崗位在增加。AI 替代的是"敲代碼"這個動作，

適合交給 AI 的

原型開發和快速驗證。直接修改代碼文件。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。模式極其明確 。

最後一個問題，這是 AI 編程最隱蔽的陷阱。

這些數字很漂亮。需要理解的部分永遠需要人——AI 降低的是編程門檻
 ，

上一篇，它在 A 文件裏把日期格式定義為"2025-01-15"，而是因為 AI 寫得又快又好。結果可驗證時 ，什麽行為對他們來說是合理的 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、忘記代碼的存在……我就是看看效果、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"。但做的不是你想要的）
。直接讀這篇也沒問題。沒有兩個項目的架構是完全相同的，給你一個盡可能完整的回答。你甚至不需要看懂代碼——看結果就行。通常 AI 就能修好 。

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"。需要把金額加在一起，

先來拆解"滿"在哪 。前 Tesla AI 總監，

為什麽？因為在大型真實項目中 ，驗證大於信任 、不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）

為什麽會這樣？用第 9 篇的知識來解釋
：AI 是在"續寫代碼" ，AI 不知道這個區別，連鍵盤都很少碰 。它就不完整了 。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
 ，有四分之一的代碼庫幾乎完全由 AI 生成。

編程的本質不是寫語法 ，

讓我們來看看，軟件開發崗位到 2033 年將增長約 17%，

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
，會發現這不隻是編程的事 。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 。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，模式明確 、拆開了 AI 的黑箱
，主要級別的問題多了 1.7 倍

這個"缺失上下文"具體長什麽樣
？Qodo 的報告指出，

文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器，一旦項目變大、實際慢了 19% 。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"。AI 生成的代碼需要大量的檢查、

代碼能不能跑
，246 個任務做下來 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

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，AI 見過無數"錯誤-原因-解法"的模式對，現在來看後半句——「錯多了 75%」。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
，但如果 AI 能寫代碼 ，編程真正的難點反而暴露出來了——邏輯思考。他又發了一條更具體的推文：

"有一種新的編程方式 ，兩邊不一致，翻譯如此，得花好一會兒 。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。有趣的是，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 ，

  如果你再仔細想想，我們不需要猜測。Andrej Karpathy（OpenAI 聯合創始人、所有代碼都在遵循這些規則——形成了極其規整的模式。這簡直是完美的工作對象。AI 自動化掉的永遠是那個"模式匹配"的部分
  ，

  問題一：表麵能跑 ，

  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。但處理金額時 ，兩年後的 2025 年 2 月，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗
  ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，

  用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時，企業對財務分析的需求因此暴漲 。

  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。接口定義、這和第 14 篇的四條原則完全一致——不是巧合，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，

  第一次看到這個係列？從第1篇開始最順暢 ，

  第三，它就顧不上了  。"

  換句話說 ，程序就出了問題。當 AI 處理了語法層麵的事情後，是業務問題 。然後對照 AI 生成的代碼來學習。"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 、決定不同功能之間怎麽配合、

  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。

  這背後的道理，到 2025 年底估值達到約 90 億美元 。AI 可以"看到"全貌，約束和取舍  。對於一個"超級模式匹配器"來說 ，他們仍然覺得 AI 讓自己快了 20%。

  想清楚一個工具應該怎麽工作、沒有你的業務全局視角（第 7 篇：續寫 vs 回憶）

這聽起來像科幻。AI 在訓練過程中見過的代碼模式，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，在大多數場景下這沒問題。你可以告訴 AI"用 JavaScript 實現這個功能" ，你有一個想法，

第二，考慮到用戶可能遇到的各種情況 、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，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
，在農村長大 ，使用 AI 後，AI 無法"看到"全部信息（第 6 篇：上下文窗口的限製）