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》 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。害快上下文缺失被開發者認為比 AI"幻覺"（編造不存在的写代東西）還要嚴重——因為幻覺容易發現（代碼直接報錯） ，
這和人類記憶力有限是多厉但错多一個道理——隻不過 AI 的"記憶"不是真正的記憶，
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，發現了很多有意思的写代東西 ，也是多厉但错多 AI 幫不了你的部分 。這意味著 AI 的害快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。需求明確、写代我一直很好奇 AI 到底是多厉但错多怎麽工作的 ，恰好在 AI 的害快能力範圍之內 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。配置文件。不是因為自己不會寫 ，而是因為 AI 寫得又快又好 。模式匹配在這裏力不從心 。可以被自動化 。AI 來實現 。讓我們慢慢拆解。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、我查了大量數據 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。Qodo 的調查顯示 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、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 。以及這種"滿"本身又會製造什麽問題 。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 ， 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 生成的代碼改動 ？他全部直接接受 ，"通常這樣就修好了"。成為有史以來達到這個裏程碑最快的軟件產品之一 ，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"。它就不完整了。" 這條推文被超過 900 萬人看到。數據充足 、把報錯信息複製給 AI， 編程的本質不是寫語法 ，翻譯如此 ，而是當前對話窗口裏的文字。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，調試和修改 。即可訂閱 。說說想法、結果容易驗證。"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，但更高的生產力會降低軟件的開發成本，到 2025 年底估值達到約 90 億美元。那不會編程的人是不是也能"寫"代碼了 ？ 今天 ，窗口之外的內容就像不存在一樣 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力，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
，你可以告訴 AI"用 JavaScript 實現這個功能"，讓我們一起認真聊聊這個問題 。但如果 AI 能寫代碼
，他又發了一條更具體的推文
：
|
這三個問題不是意外 。246 個任務做下來 ，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 ，一旦項目變大 、AI 就開始出錯 。答案可能會出乎你的意料 。
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，代碼的對錯通常是確定性的 ：要麽運行成功 ，表現很好 。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 ，考慮到用戶可能遇到的各種情況、我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，寫作如此 ，也是這個係列的最後一篇 ，
"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 ，現在來看後半句——「錯多了 75%」
。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 ，for 後麵必須跟循環變量 ，但沒有降低編程的天花板。這個係列就是我的探索筆記
，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。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 ，讓代碼"跑得快"則需要理解計算機底層的工作方式 。對於一個"超級模式匹配器"來說 ，模式匹配的部分被自動化了，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。前 Tesla AI 總監 ，但實際測量的結果是——慢了 19% 。這不隻是頂級 AI 專家才能做的事
。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。約束和取舍
。直接讀這篇也沒問題 。在代碼重構 、主要級別的問題多了 1.7 倍
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" 。很多人預言會計職業將會消亡 。訓練數據極其充足 。
一句話回顧
AI 讓寫代碼快了 55% ，"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 、AI 不知道你的用戶是誰、想分享給你 。數據充足 、需要人來做 。
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，"
VibeCoding——這個詞後來入選了維基百科詞條 。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" 。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" ，比幾乎任何其他領域都要豐富 。可驗證的部分交給 AI；需要理解具體場景 、模式極其明確。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 。
所以 ，所有代碼都在遵循這些規則——形成了極其規整的模式 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。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，而不是對你業務的理解 。
適合交給 AI 的
原型開發和快速驗證。代碼量小，它就顧不上了。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，編程中有大量高度固定的模式 ：數據庫連接、模式匹配器就能發揮最大威力 。自 2022 年 AI 工具普及以來 ，它描述的是一種全新的編程方式 ：你不寫代碼 ，我們走了很長一段路。他們仍然覺得 AI 讓自己快了 20% 。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，
AI 編程工具和電子表格是同一個故事的新版本 。
為什麽會這樣？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼"，當 AI 編程從"周末小項目"走向真實世界時，它在 A 文件裏把日期格式定義為"2025-01-15" ，AI 替代的是"敲代碼"這個動作 ，為自己的社區建了一個資源共享應用 。
所以 ，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 ，需求變複雜 ，
AI 降低了編程的入口 ，
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 ，
第一
，邏輯有錯 換句話說
，它從訓練數據中匹配最常見的代碼模式，仍然需要深入的思考能力 。因為懶得自己去代碼裏找具體位置。 第一次看到這個係列 ？從第1篇開始最順暢 ，而不是最高效的方式
。處理金額應該用整數（以"分"為單位計算）。能跑就行 。然後對照 AI 生成的代碼來學習 。代碼提交量提升了 8.69% ，Signal Fire 的報告顯示 ，結果很說明問題 ： 用第 7 篇和第 9 篇的知識來解釋
：AI 在"續寫"代碼時
，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說
，給你一個盡可能完整的回答 。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
。 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
。因為電子表格讓財務分析變得更快更便宜
， 從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，直接全部接受。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 。其實藏著很深的含義 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能
，沒有兩個項目的架構是完全相同的 ， 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，這簡直是完美的工作對象
。她隻是用日常語言描述了她的需求 ，需要把金額加在一起
，反而大幅增長 ，這可能是 AI 編程給我們最大的啟示 。而是用語音跟 AI 說話 。覺得不錯的話 ，不是在"理解你要什麽" 。AI 時代的好消息是
：語法門檻確實大幅降低了 。 先來拆解"滿"在哪 。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶） 學習新語言和新框架 。讓 AI 來寫 ， 這意味著什麽？不是程序員變少了
，你甚至不需要看懂代碼——看結果就行。我花了不少時間去找到並撤銷這些改動。 代碼語法是模式
，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ， 第二 ， 如果覺得有意思，看看效果 。AI 自動化掉的永遠是那個"模式匹配"的部分， 如果你也試過讓 AI 寫代碼
， 以上三個問題疊加在一起 ，結果可驗證時
，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
。直到搬到馬尼拉才第一次接觸電腦 。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 。拆開了 AI 的黑箱 ，GitHub（全球最大的代碼托管平台
，他們怎麽使用產品 、 不過 ，接口定義 、讓代碼"能跑"容易 ，有四分之一的代碼庫幾乎完全由 AI 生成
。歡迎關注我 ，而且這些代碼中 88% 被保留在了最終版本裏 ，一試便知 。報錯信息在訓練數據中大量出現
，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。Andrej Karpathy（OpenAI 聯合創始人 、 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 ，說明質量確實達到了可用水平 。做獨特判斷的部分 ，跑跑程序 、她不是程序員
，AI 生成的代碼需要大量的檢查 、 舉個例子 ：如果你讓 AI 做一個記賬工具， 想清楚一個工具應該怎麽工作 、 先從一句話說起
。會發生什麽
。AI 可以"看到"全貌，複製粘貼一下 ，你來 。而是想清楚要做什麽。AI 的局限就暴露了。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
，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，"能駕馭 AI"的崗位在增加。業界的經驗顯示， 自己覺得快了 20% ，不是編程術語 。都需要有人審查。連鍵盤都很少碰
。企業對財務分析的需求因此暴漲
。 文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一 ，依據的是訓練數據中的統計模式 ，通常 AI 就能修好 。你可能會注意到一件事
：當你清楚知道自己要什麽時，我們不需要猜測 。但會計行業不僅沒有萎縮
，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。他看都不看修改的內容 ， 寫重複性的樣板代碼
。超過 77000 家企業和組織都在使用它
。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 ，不確定可不可行
？讓 AI 先做一個粗糙版本出來 ，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" 。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，但在 B 文件的統計功能裏用了"01/15/2025" 。" 他這句輕描淡寫的話
，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。 代碼能跑 ，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
。遇到報錯？把錯誤信息直接複製給 AI
，驗證大於信任 、AI 就幫她生成了可用的程序
。AI 給出的東西怎麽改都不對 。也更難被機器替代。 互聯網上有海量的公開代碼。這和第 14 篇的四條原則完全一致——不是巧合
，好在這方麵已經有了大量公開的研究數據 ， 修 bug 和理解報錯
。AI 寫代碼不是什麽"魔法"。迭代而非一次到位
、 上一篇， 1980 年代 ，分析了 470 個開源項目的代碼提交
。學會了怎麽和它一起工作， 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。電子表格軟件（如 Excel）普及後 ，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，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇 ，要麽報錯 。任何有經驗的程序員都知道 ，什麽行為對他們來說是合理的 。然後它就大概能用了 。 代碼審查。它不知道你的用戶是誰，你來檢查 。它消滅的是"手敲代碼語法"這個動作
，使用 AI 後 ， 這個問題幾乎每個人都在問
。 分界線在哪 ？就是三問判斷法 。 光說數據可能還不夠直觀
。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， 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
， 如果你再仔細想想，測試生成和代碼審查這些關鍵任務中， 在搞清楚 AI 編程能做到什麽之前 ， 但短期有一個值得關注的信號 ：入門級崗位在收縮 。需要理解的部分永遠需要人
。還一起看了它在編程這個最擅長的領域裏的表現和局限。正確的使用方式就清晰了。窗口裝不下的 ， 曆史給了我們一個有用的類比 。
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式 ，直接修改代碼文件 。" 下一篇預告
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，而暴露出來的永遠是那個"真正需要人的思考"的部分。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，這些是模式匹配的完美場景——模式極其明確
， 參考資料
訂閱
個人錨點
最有趣的一個實驗
Part3 ：模式匹配器寫代碼 ，
讀者可能會問的兩個問題
"程序員會不會失業
？"
Part2
：AI 編程到底能做到什麽——一起來看看
Part1 ：為什麽 AI 特別擅長寫代碼