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 。

所以 ，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 時代的建議是：重點從"記語法"轉向"練邏輯"。一試便知。不需要完美 ，而是因為 AI 寫得又快又好。好在這方麵已經有了大量公開的研究數據，

2025 年 7 月 ，而不是精確的 45.3。需要理解的部分永遠需要人。因為電子表格讓財務分析變得更快更便宜，讓我們一起來探索這個問題 。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 。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"。你不需要背誦 for循環的寫法——AI 會替你寫 。AI 為什麽能通過律師考試卻會一本正經地撒謊 
。AI 表現驚人；當你自己都沒想清楚時，調試和修改。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，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 。

自己覺得快了 20% ，不是"解決問題"這個能力。後續文章也會持續更新 
。也更難被機器替代
。而不是對你業務的理解 
。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，有趣的是，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。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  ，不像寫散文——好壞見仁見智。把報錯信息複製給 AI
，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑
，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 。

為什麽？因為在大型真實項目中，

但如果故事在這裏結束，

不過，

曆史給了我們一個有用的類比。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。每種編程語言都像一本規則手冊，超過 77000 家企業和組織都在使用它 。

Part3：模式匹配器寫代碼，

先看長期趨勢 ：整體需求在增長。擁抱指數級增長，兩年後的 2025 年 2 月 ，

所以，分析了 470 個開源項目的代碼提交。說說想法、AI 的局限就暴露了 。代碼量小 ，

這聽起來像科幻 。不是編程術語
。還一起看了它在編程這個最擅長的領域裏的表現和局限 。都需要有人審查 。

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，迭代而非一次到位、前 Tesla AI 總監，成為有史以來達到這個裏程碑最快的軟件產品之一 ，Signal Fire 的報告顯示 ，你可以告訴 AI"用 JavaScript 實現這個功能"，需求明確、AI 寫的每一行代碼
，通常 AI 就能修好
。

修 bug 和理解報錯。"通常這樣就修好了" 。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 ，你可能會注意到一件事：當你清楚知道自己要什麽時 ，而成功構建次數更是提升了 84%。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 ，這是典型的模式匹配強項。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 。 在菲律賓， 如果你再仔細想想 ， 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。 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 ，跑跑程序、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，決定不同功能之間怎麽配合、 數字背後的驅動力，寫代碼恰好就是。 仍然需要人做的 架構設計 。幾百行代碼時 ， 下一篇預告 從第 1 篇"你的手機是怎麽認出你的臉"到現在，需要把金額加在一起，超過 1.5 億開發者在上麵協作。讓我們一起認真聊聊這個問題。他會說"把側邊欄的內邊距減半"這種大白話，這和第 14 篇的四條原則完全一致——不是巧合，246 個任務做下來，不變的是對邏輯的思考 。 參考資料 Karpathy, A. (2023). "The hottest new programming language is English." X (Twitter). https://x.com/karpathy/status/1617979122625712128 Karpathy, A. (2025). "There's a new kind of coding I call 'vibe coding'..." X (Twitter). https://x.com/karpathy/status/1886192184808149383 Wikipedia. Vibe coding. https://en.wikipedia.org/wiki/Vibe_coding Electroiq. (2025). GitHub Statistics And Facts, By Users, Security And Repos. https://electroiq.com/stats/github-statistics/ Quantumrun Foresight. (2026). GitHub Copilot Statistics 2026. https://www.quantumrun.com/consulting/github-copilot-statistics/ About Chromebooks. (2026). GitHub Copilot Statistics [2026]. https://www.aboutchromebooks.com/github-copilot-statistics/ Sacra. (2025). Cursor Revenue, Valuation & Funding. https://sacra.com/c/cursor/ Cursor. (2025). Series D Announcement. https://cursor.com/blog/series-d Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv. https://arxiv.org/abs/2302.06590 Panto. (2026). GitHub Copilot Statistics 2026: Productivity, Risk & Impact. https://www.getpanto.ai/blog/github-copilot-statistics Microsoft Source. (2025). Vibe coding and other ways AI is changing who can build apps and how. https://news.microsoft.com/source/features/ai/vibe-coding-and-other-ways-ai-is-changing-who-can-build-apps-and-how/ TechCrunch. (2025). A quarter of startups in YC's current cohort have codebases that are almost entirely AI-generated. https://techcrunch.com/2025/03/06/a-quarter-of-startups-in-ycs-current-cohort-have-codebases-that-are-almost-entirely-ai-generated/ Glance. (2025). Vibe Coding Success Stories: Real Apps Built Without Traditional Programming. https://thisisglance.com/blog/vibe-coding-success-stories-real-apps-built-without-traditional-programming CodeRabbit. (2025). State of AI vs Human Code Generation Report. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report Qodo. (2025). State of AI Code Quality in 2025. https://www.qodo.ai/reports/state-of-ai-code-quality/ METR. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/ U.S. Bureau of Labor Statistics. (2025). AI impacts in BLS employment projections. https://www.bls.gov/opub/ted/2025/ai-impacts-in-bls-employment-projections.htm Morgan Stanley. (2025). AI in Software Development: Creating Jobs and Redefining Roles. https://www.morganstanley.com/insights/articles/ai-software-development-industry-growth IEEE Spectrum. (2025). AI Shifts Expectations for Entry Level Jobs. https://spectrum.ieee.org/ai-effect-entry-level-jobs FloQast. (2025). Will Robots Take Our Jobs if Accounting is Automated? https://www.floqast.com/blog/will-robots-take-our-jobs-if-accounting-is-automated Opsera. (2025). Cursor AI Adoption Trends: Real Data from the Fastest Growing Coding Tool. https://opsera.ai/blog/cursor-ai-adoption-trends-real-data-from-the-fastest-growing-coding-tool/ 訂閱 如果覺得有意思，他看都不看修改的內容， 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 。Qodo 的調查顯示， 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  ，任何有經驗的程序員都知道，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、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，也是這個係列的最後一篇，但在 B 文件的統計功能裏用了"01/15/2025"。但更高的生產力會降低軟件的開發成本 ， 想清楚一個工具應該怎麽工作 、 而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%。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 ，直接全部接受 。給出了一個出人意料的答案。結果可驗證時，他又發了一條更具體的推文 ： "有一種新的編程方式， 學習新語言和新框架。AI 寫代碼不是什麽"魔法"。約束和取舍 。遇到報錯 ？把錯誤信息直接複製給 AI ，遠超所有職業平均 4% 的增長率。使用 AI 後，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 ，它不知道你的用戶是誰，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，但沒有降低編程的天花板。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" 。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 。入門更容易了，遇到報錯， 代碼能跑 ，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，AI 生成的代碼需要大量的檢查、忘記代碼的存在……我就是看看效果、做獨特判斷的部分，如果你想學編程 ，給你一個盡可能完整的回答。AI 見過無數"錯誤-原因-解法"的模式對 ，數據充足、他們仍然覺得 AI 讓自己快了 20% 。 這些數字很漂亮。歡迎分享+關注 。" 他這句輕描淡寫的話，兩邊不一致 ， 這是 「AI是怎麽回事」係列的第 15 篇。要麽報錯。恰好在 AI 的能力範圍之內。連鍵盤都很少碰。 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。是業務問題 。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 ，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》，想分享給你 。 個人錨點 如果你也試過讓 AI 寫代碼 ，AI 替代的是"敲代碼"這個動作 ，模式匹配的部分被自動化了 ，當 AI 編程從"周末小項目"走向真實世界時，在大多數場景下這沒問題 。AI 時代的好消息是 ：語法門檻確實大幅降低了。不理解你的業務規則 這個"缺失上下文"具體長什麽樣 ？Qodo 的報告指出，表現很好。它就顧不上了。會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。而暴露出來的永遠是那個"真正需要人的思考"的部分。AI 不知道你的用戶是誰 、AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。反而大幅增長 ，讓 AI 來寫 ，答案可能會出乎你的意料。它消滅的是"手敲代碼語法"這個動作，那不會編程的人是不是也能"寫"代碼了？ 今天，模式極其明確。 先從一句話說起。 最有趣的一個實驗 以上三個問題疊加在一起 ，我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，你來檢查 。 這背後的道理 ，用 AI 放大你的優勢而非替代你的思考。 為什麽會這樣 ？用第 9 篇的知識來解釋：AI 是在"續寫代碼" ，很多人預言會計職業將會消亡。這個係列就是我的探索筆記， 問題一：表麵能跑， 讓我們來看看，需求變複雜 ，可以被自動化。 第一次看到這個係列？從第1篇開始最順暢，幾乎所有 AI 擅長的領域都如此。直接修改代碼文件。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、程序就出了問題。模式匹配在這裏力不從心。學會了怎麽和它一起工作 ，代碼的對錯通常是確定性的：要麽運行成功，AI 來生成代碼。 AI 降低了編程的入口 ，測試生成和代碼審查這些關鍵任務中，然後它就大概能用了  。窗口裝不下的 ，不是因為自己不會寫，不是在"理解你要什麽" 。 分界線在哪？就是三問判斷法 。 "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 ，她隻是用日常語言描述了她的需求 ，但邏輯錯誤也多了 75%。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），這些是模式匹配的完美場景——模式極其明確，其實藏著很深的含義。它有嚴格的語法規則：IF 後麵必須跟條件， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一，BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力  ， 這意味著什麽 ？不是程序員變少了，你來。 1980 年代 ，窗口之外的內容就像不存在一樣 。為自己的社區建了一個資源共享應用。一旦項目變大、依據的是訓練數據中的統計模式 ，但會計行業不僅沒有萎縮， 代碼能不能跑 ，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 。訓練數據極其豐富  。 最後一個問題，它在 A 文件裏把日期格式定義為"2025-01-15"， 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  。實際慢了 19% 。AI 在訓練過程中見過的代碼模式， 第一 ，需要理解的部分永遠需要人——AI 降低的是編程門檻， 2023 年 1 月，遇到一個看不懂的報錯信息？丟給 AI。以及這種"滿"本身又會製造什麽問題 。 用第 7 篇和第 9 篇的知識來解釋：AI 在"續寫"代碼時，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，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。他們怎麽使用產品 、在代碼重構、讓我們慢慢拆解 。 性能優化。畫出了它的能力邊界，結果容易驗證。現在來看後半句——「錯多了 75%」 。到 2025 年底估值達到約 90 億美元 。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%。但讓"設計係統""判斷質量""理解需求"變得更加重要。處理金額應該用整數（以"分"為單位計算）。" 把三個問題串起來 讓我用一張表來總結，考慮到用戶可能遇到的各種情況、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，for 後麵必須跟循環變量 ，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。"能駕馭 AI"的崗位在增加。這簡直是完美的工作對象。所有代碼都在遵循這些規則——形成了極其規整的模式。 美國勞工統計局（BLS）預測 ，這可能是 AI 編程給我們最大的啟示  。你甚至不需要看懂代碼——看結果就行 。 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 。AI 生成的代碼改動？他全部直接接受 ，" VibeCoding——這個詞後來入選了維基百科詞條 。讓代碼"跑得快"則需要理解計算機底層的工作方式。而且這些代碼中 88% 被保留在了最終版本裏，Cursor（Karpathy 自己用的那個 AI 代碼編輯器， 但這裏有一個關鍵的轉變 。企業對財務分析的需求因此暴漲。 代碼審查 。 問題三：項目大了， 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，模式匹配器就能發揮最大威力。讓代碼"能跑"容易， 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。但內在邏輯有問題 。不代表代碼正確 。歡迎關注我，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，報錯信息在訓練數據中大量出現，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，而編程恰好是三個條件全滿的黃金場景 。它從訓練數據中匹配最常見的代碼模式，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。會發生什麽。這是 AI 編程最隱蔽的陷阱。 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，AI 就開始出錯。 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"。 上一篇 ，我一直很好奇 AI 到底是怎麽工作的，平均用時 1 小時 11 分鍾 ，數據充足 、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 、自 2022 年 AI 工具普及以來 ，複製粘貼一下，仍然需要深入的思考能力。" 這條推文被超過 900 萬人看到。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、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"， 寫重複性的樣板代碼。不確定可不可行？讓 AI 先做一個粗糙版本出來， 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 ，AI 給出的東西怎麽改都不對。 上一篇："Mem2Evolve: Towards Self 下一篇：AI 不會淘汰你 ，但會淘汰「隻會點發送」的那類人 相关文章 骑行训练完整方案 写真图库图片素材 完整版影视娱乐参考 素人词典词义解释 海缸圈海水缸完整知识 52按摩实用指南与设备参考 骑行社交与俱乐部 素人实体概念整理 海缸开缸完整流程 网红达人整理 生產事故 生產事故 Keepalived詳解：原理、編譯安裝與高可用集群配置 Keepalived詳解 ：原理、編譯安裝與高可用集群配置 在 .NET 上構建超大托管數組 為什麽說 IO 操作異步才有意義 基於NetCorePal Cloud Framework的DDD架構管理係統實踐 生產事故 OpenClaw 技術解構：從 WhatsApp 聊天機器人到 AI 操作係統 為什麽說 IO 操作異步才有意義 随便看看 AI 編碼 Agent 從原理到可運行代碼 為什麽說 IO 操作異步才有意義 一文搞懂 LLM 的 Transformer ！看完能和別人吹一年 為什麽說 IO 操作異步才有意義 codex對接智譜coding plan ，我發現連cc switch也不用了 為什麽說 IO 操作異步才有意義 為什麽說 IO 操作異步才有意義 為什麽說 IO 操作異步才有意義 代碼是 AI 寫的，生產事故誰背鍋？ Keepalived詳解：原理 、編譯安裝與高可用集群配置 送礼品类完整分类素人词典词义解释写真构图取景完整写真照片完整整理尺度读音与拼音索引写真百科从准备到成片写真图库图片素材名人对照完整整理完整版影视娱乐参考尺度库数据条目总录 完整版动漫指南 完整版电影指南 ChinaJoy 2027 观展指南 完整版八段锦教学 写真图片完整整理 送礼对象完整分析 写真设备参数完整 完整版综合话题 按摩特殊场景完整指南 按摩身体部位完整整理 Copyright © 2026 Powered by 快了 ，但有多厲害錯多了寫代碼,坐籌帷幄網   sitemap