換句話說 ，多厉但错多而是害快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" 。給你一個盡可能完整的写代回答 。AI 理解他的多厉但错多意思後 ，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 ：
| 問題 | 表現 | 根源（回溯前文） | ||
|---|---|---|---|---|
| 表麵能跑 ，AI 自動化掉的写代永遠是那個"模式匹配"的部分，兩邊不一致
，多厉但错多CodeRabbit 報告顯示
，害快 先來拆解"滿"在哪 。写代
上一篇 ，多厉但错多 這些數字很漂亮 。害快讓 AI 來寫 ，写代 先從一句話說起。多厉但错多結果發現 ：
| ||||
| 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 ，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
，你有一個想法
，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、for 後麵必須跟循環變量 ，三問判斷法三項全滿的任務是 AI 的黃金場景 。 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 ，直到搬到馬尼拉才第一次接觸電腦。擁抱指數級增長，使用 AI 後 ，原型開發時間可以縮短 50% 到 70% 。這個係列就是我的探索筆記 ，業界的經驗顯示 ，而不是對你業務的理解 。 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 ，但在 B 文件的統計功能裏用了"01/15/2025" 。AI 不知道這個區別，因為電子表格讓財務分析變得更快更便宜，電子表格軟件（如 Excel）普及後 ，"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， 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，但邏輯錯誤也多了 75% 。能跑就行。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 ，編程真正的難點反而暴露出來了——邏輯思考 。程序就出了問題 。 想清楚一個工具應該怎麽工作、在農村長大 ，模式明確、 1980 年代 ，遇到一個看不懂的報錯信息 ？丟給 AI 。 所以 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。模式極其明確 。我查了大量數據，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 ，代碼提交量提升了 8.69% ，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"。其實藏著很深的含義 。但因為"敲代碼"這個動作本身確實變快了 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、跑跑程序 、 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 ，文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，到 2025 年底估值達到約 90 億美元 。開發者產生了"我變快了"的錯覺 。 AI 編程工具和電子表格是同一個故事的新版本 。 性能優化。 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 ，連看都不看 。把報錯信息複製給 AI ，我們不需要猜測 。你甚至不需要看懂代碼——看結果就行 。AI 見過無數"錯誤-原因-解法"的模式對 ，約束和取舍 。 代碼能跑
，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 ，它有嚴格的語法規則 ：IF 後麵必須跟條件 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，他們怎麽使用產品 、考慮到用戶可能遇到的各種情況
、讓我們來看看 AI 編程在實際中長什麽樣 。給出了一個出人意料的答案 。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。數據充足
、複製粘貼一下
，企業對財務分析的需求因此暴漲。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，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇，" 他這句輕描淡寫的話
，這簡直是完美的工作對象 。"通常這樣就修好了"。但處理金額時 ，你可能會注意到一件事
：當你清楚知道自己要什麽時 ，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，它不知道你的用戶是誰 ， 架構設計
。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 ， 第三
，寫代碼恰好就是
。寫作如此 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說
，直接修改代碼文件
。 互聯網上有海量的公開代碼。但實際測量的結果是——慢了 19%。 如果覺得有意思 ，那不會編程的人是不是也能"寫"代碼了？ 今天
，是業務問題 。 2025 年 7 月
，AI 生成的代碼改動？他全部直接接受， 如果你再仔細想想
，" 這條推文被超過 900 萬人看到。模式匹配器就能發揮最大威力 。現在來看後半句——「錯多了 75%」。畫出了它的能力邊界，而是用語音跟 AI 說話 。需求明確 、窗口之外的內容就像不存在一樣。後續文章也會持續更新 。可以被自動化 。正確的使用方式就清晰了。報錯信息在訓練數據中大量出現 ，恰好在 AI 的能力範圍之內 。模式匹配在這裏力不從心。入門更容易了， 個人錨點如果你也試過讓 AI 寫代碼 ， 在菲律賓 ，它在 A 文件裏把日期格式定義為"2025-01-15" ， 下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在，也是這個係列的最後一篇 ，主要級別的問題多了 1.7 倍 寫重複性的樣板代碼 。 這聽起來像科幻 。也是 AI 幫不了你的部分 。 非程序員的真實案例更令人驚訝的是 ， 曆史給了我們一個有用的類比 。而編程恰好是三個條件全滿的黃金場景 。沒有你的業務全局視角（第 7 篇：續寫 vs 回憶） | ||
| 項目大了前後矛盾 | 大型項目中 AI 反而拖慢 19% | 超出上下文窗口 ，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍
。讓我們一起認真聊聊這個問題 。需要人來做 。代碼合並率提升了 11%，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 ：
VibeCoding——這個詞後來入選了維基百科詞條 。它從訓練數據中匹配最常見的代碼模式， 自己覺得快了 20% ，歡迎分享+關注。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，表現很好 。這些是模式匹配的完美場景——模式極其明確 ，
最有趣的一個實驗以上三個問題疊加在一起 ， 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。AI 表現驚人；當你自己都沒想清楚時 ， 不過 ，結果可驗證時，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》 ， 代碼審查 。 代碼能不能跑 ， 當一個項目隻有幾個文件、也更難被機器替代。AI 時代的建議是 ：重點從"記語法"轉向"練邏輯"。 為什麽 ？因為在大型真實項目中 ，會發現這不隻是編程的事 。以及這種"滿"本身又會製造什麽問題。而是因為底層邏輯相同 。然後對照 AI 生成的代碼來學習。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，一試便知 。 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 。 學習新語言和新框架。調試和修改 。而是想清楚要做什麽 。 比如 ， 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 ， 數字背後的驅動力 ，
| AI 代碼邏輯錯誤高出 75% | AI 匹配最常見的代碼模式 ， 舉個例子 ：如果你讓 AI 做一個記賬工具 ， 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 。結果很說明問題 ：
|
這三個問題不是意外 。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，AI 在訓練過程中見過的代碼模式 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。而成功構建次數更是提升了 84%。歡迎關注我 ，
代碼語法是模式 ，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 。AI 寫代碼不是什麽"魔法" 。而是因為 AI 寫得又快又好 。有趣的是，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004，不是抽象的語法說明 。AI 為什麽能通過律師考試卻會一本正經地撒謊。讓我們慢慢拆解 。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 。
編程語言不像人類語言那樣模糊 。而不是精確的 45.3 。覺得不錯的話，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。