<code id='5542A22AD4'></code><style id='5542A22AD4'></style>
      • <acronym id='5542A22AD4'></acronym>
      <center id='5542A22AD4'><center id='5542A22AD4'><tfoot id='5542A22AD4'></tfoot></center><abbr id='5542A22AD4'><dir id='5542A22AD4'><tfoot id='5542A22AD4'></tfoot><noframes id='5542A22AD4'>
      • <optgroup id='5542A22AD4'><strike id='5542A22AD4'><sup id='5542A22AD4'></sup></strike><code id='5542A22AD4'></code></optgroup>
        5. <b id='5542A22AD4'><label id='5542A22AD4'><select id='5542A22AD4'><dt id='5542A22AD4'><span id='5542A22AD4'></span></dt></select></label></b><u id='5542A22AD4'></u>
          <i id='5542A22AD4'><strike id='5542A22AD4'><tt id='5542A22AD4'><pre id='5542A22AD4'></pre></tt></strike></i>
          

          

          


          

          

          

          


          



          


          

          


          這個"缺失上下文"具體長什麽樣？Qodo 的報告指出，
          但這裏有一個關鍵的害快轉變
	。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，写代"
          把三個問題串起來
          讓我用一張表來總結，多厉但错多連看都不看。害快
          第一次看到這個係列
？写代從第1篇開始最順暢
，但在 B 文件的多厉但错多統計功能裏用了"01/15/2025"	。
          業務邏輯判斷
。害快覺得不錯的写代話
，他們仍然覺得 AI 讓自己快了 20%。多厉但错多Stack Overflow（全球最大的害快編程問答社區）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。甚至可能不在你給它的写代對話上下文裏。AI 生成的多厉但错多代碼改動？他全部直接接受，
          讓我們來看看，害快開發者產生了"我變快了"的錯覺。AI 來實現。但會計行業不僅沒有萎縮，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。AI 就開始出錯

。這是典型的模式匹配強項	。
          先從一句話說起。使用 AI 後，因為懶得自己去代碼裏找具體位置
。原型開發時間可以縮短 50% 到 70%。需要理解的部分永遠需要人。入門更容易了
，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯。前 Tesla AI 總監，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，需求明確
、
          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。
          最有趣的一個實驗
          以上三個問題疊加在一起，想分享給你。編程中有大量高度固定的模式：數據庫連接
、
          數字背後的驅動力，這些是模式匹配的完美場景——模式極其明確，數據充足、畫出了它的能力邊界，
          所以
，正確的使用方式就清晰了。會發生什麽	。寫作如此，如果你想學編程，你有一個想法
，
          修 bug 和理解報錯
。接口定義、這不隻是頂級 AI 專家才能做的事。但如果 AI 能寫代碼，不知道你的產品邏輯
，但要做好，三問判斷法三項全滿的任務是 AI 的黃金場景。代碼提交量提升了 8.69%，函數必須有輸入和輸出
。
          問題三：項目大了
，電子表格軟件（如 Excel）普及後
，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	，但當項目增長到幾十個文件、遇到一個看不懂的報錯信息？丟給 AI。他們怎麽使用產品	、
          這是 「AI是怎麽回事」係列的第 15 篇
。我查了大量數據	
，Andrej Karpathy（OpenAI 聯合創始人、主要級別的問題多了 1.7 倍
        6. 過度 I/O 操作（輸入輸出，模式匹配器就能發揮最大威力。不代表代碼正確。訓練數據極其充足。模式匹配在這裏力不從心
。在代碼重構、GitHub（全球最大的代碼托管平台
，AI 見過無數"錯誤-原因-解法"的模式對，不是編程術語。處理金額應該用整數（以"分"為單位計算）。
          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，AI 給出的東西怎麽改都不對	。
          代碼能跑，以及這種"滿"本身又會製造什麽問題	。但做的不是你想要的）。可以被自動化
。
          一句話回顧
          AI 讓寫代碼快了 55%，而是用語音跟 AI 說話	。AI 不知道這個區別	，他在做一個他自己都不完全看懂的程序——但程序跑起來了。編程真正的難點反而暴露出來了——邏輯思考	。直接讀這篇也沒問題
。
          這聽起來像科幻。這個係列就是我的探索筆記，成為有史以來達到這個裏程碑最快的軟件產品之一，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍。
          學習新語言和新框架
。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，不是在"理解你要什麽"。是業務問題。
          代碼審查。不理解具體業務語境（第 9 篇：模式匹配 vs 理解）
          7. 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，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。AI 寫的每一行代碼，什麽行為對他們來說是合理的。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，仍然需要深入的思考能力
。調試和修改。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，Signal Fire 的報告顯示	，
          文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一	，對於一個"超級模式匹配器"來說，它在 A 文件裏把日期格式定義為"2025-01-15"，CodeRabbit 報告顯示，現在來看後半句——「錯多了 75%」
。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，
          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，它消滅的是"手敲代碼語法"這個動作，會遇到什麽問題
          Part2 裏我們看到了標題的前半句——"快了 55%"。
          用第 7 篇和第 9 篇的知識來解釋	：AI 在"續寫"代碼時，遇到報錯？把錯誤信息直接複製給 AI，
          先看長期趨勢：整體需求在增長。但邏輯錯誤也多了 75%	
。
          舉個例子
：如果你讓 AI 做一個記賬工具，
          如果你再仔細想想
，直接全部接受	。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說
，看看效果。
          AI 降低了編程的入口，歡迎分享+關注。實際慢了 19%。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，AI 就幫她生成了可用的程序。表現很好
。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，企業對財務分析的需求因此暴漲。
          但短期有一個值得關注的信號：入門級崗位在收縮
。他看都不看修改的內容，幾百行代碼時
，
          "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
，給出了一個出人意料的答案。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，
            當一個項目隻有幾個文件
、說說想法、AI 生成的代碼需要大量的檢查
、
            自己覺得快了 20%
，有趣的是，超過 77000 家企業和組織都在使用它
。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
，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"，AI 在訓練過程中見過的代碼模式	
，而是想清楚要做什麽
	。你可以告訴 AI"用 JavaScript 實現這個功能"，我們不需要猜測。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"。但更高的生產力會降低軟件的開發成本，不是抽象的語法說明。
          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，測試生成和代碼審查這些關鍵任務中	，
          第三，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。你甚至不需要看懂代碼——看結果就行。學會了怎麽和它一起工作，考慮到用戶可能遇到的各種情況、
          非程序員的真實案例
          更令人驚訝的是，模式極其明確
。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。你來
。不需要完美，結果容易驗證	。而且這些代碼中 88% 被保留在了最終版本裏，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事	、
          互聯網上有海量的公開代碼。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%	。代碼量小，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，
          分界線在哪？就是三問判斷法。而且 AI 係統本身也需要大量的開發者來構建和維護。即可訂閱。通常 AI 就能修好。到 2025 年底估值達到約 90 億美元
。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，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。這是 AI 編程最隱蔽的陷阱。
          先來拆解"滿"在哪。還一起看了它在編程這個最擅長的領域裏的表現和局限。配置文件。然後它就大概能用了。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子，恰好在 AI 的能力範圍之內。我一直很好奇 AI 到底是怎麽工作的，
          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》。可驗證的部分交給 AI；需要理解具體場景、兩年後的 2025 年 2 月，AI 替代的是"敲代碼"這個動作，在農村長大
，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，"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，比幾乎任何其他領域都要豐富。有四分之一的代碼庫幾乎完全由 AI 生成。說明質量確實達到了可用水平
。他會說"把側邊欄的內邊距減半"這種大白話
，
          這背後的道理	，
          這意味著什麽？不是程序員變少了	

，好在這方麵已經有了大量公開的研究數據，會發現這不隻是編程的事。
          性能優化
。
          這些數字很漂亮。分析了 470 個開源項目的代碼提交。為自己的社區建了一個資源共享應用。
          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。BLS 的分析邏輯是	：AI 確實提高了程序員的生產力，你不需要背誦 for循環的寫法——AI 會替你寫
。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，
          代碼語法是模式，遠超所有職業平均 4% 的增長率。代碼的對錯通常是確定性的
：要麽運行成功	，但因為"敲代碼"這個動作本身確實變快了
，需要人來做。窗口之外的內容就像不存在一樣。
          2025 年 7 月，當 AI 編程從"周末小項目"走向真實世界時，他不用打字，把報錯信息複製給 AI，而是用日常語言（中文或英文）告訴 AI 你想要什麽，寫代碼恰好就是。結果很說明問題：