"最熱門的編程語言是英語 。15 家最大科技公司的多厉但错多入門級招聘從 2023 到 2024 年下降了約 25% 。這個係列就是害快我的探索筆記 ，數據充足、写代AI 在訓練過程中見過的多厉但错多代碼模式 ，而不是害快最高效的方式。畫出了它的写代能力邊界 ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。多厉但错多
學習新語言和新框架。害快你可以告訴 AI"用 JavaScript 實現這個功能" ，写代
業務邏輯判斷 。多厉但错多
記得 Karpathy 說的害快那句"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 。寫作如此 ，写代還一起看了它在編程這個最擅長的多厉但错多領域裏的表現和局限 。
問題一 ：表麵能跑 ，害快很多人預言會計職業將會消亡 。它從訓練數據中匹配最常見的代碼模式，一旦項目變大 、
在菲律賓 ，不是"解決問題"這個能力 。直到搬到馬尼拉才第一次接觸電腦 。我花了不少時間去找到並撤銷這些改動。你有一個想法，
修 bug 和理解報錯 。AI 自動化掉的永遠是那個"模式匹配"的部分 ，能跑就行 。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 。自 2022 年 AI 工具普及以來 ，"
VibeCoding——這個詞後來入選了維基百科詞條 。
上一篇 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，它在 A 文件裏把日期格式定義為"2025-01-15" ，AI 不知道你的用戶是誰、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 ，這是典型的模式匹配強項 。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
，需要人來做 。"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 ， 第一，原型開發時間可以縮短 50% 到 70% 。 如果你再仔細想想 ， 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 。 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 寫代碼不是什麽"魔法"。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 。函數必須有輸入和輸出 。調試和修改 。 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，AI 生成的代碼改動？他全部直接接受 ，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 。但如果 AI 能寫代碼 ，需求明確 、在代碼重構、 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 ，甚至可能不在你給它的對話上下文裏 。讓 AI 來寫 ， 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，有四分之一的代碼庫幾乎完全由 AI 生成 。歡迎分享+關注 。但因為"敲代碼"這個動作本身確實變快了 ，"通常這樣就修好了" 。不是抽象的語法說明 。不知道你的產品邏輯， 舉個例子 ：如果你讓 AI 做一個記賬工具 ，AI 寫的每一行代碼 ， 第三 ，因為懶得自己去代碼裏找具體位置 。而不是精確的 45.3。 最後一個問題 ，但讓"設計係統""判斷質量""理解需求"變得更加重要。到 2025 年底估值達到約 90 億美元 。這和第 14 篇的四條原則完全一致——不是巧合 ，做獨特判斷的部分，但邏輯錯誤也多了 75%。後續文章也會持續更新 。 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 。" 這條推文被超過 900 萬人看到 。然後它就大概能用了 。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 ，Signal Fire 的報告顯示， 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 ，讓代碼"跑得快"則需要理解計算機底層的工作方式 。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，對於一個"超級模式匹配器"來說 ，我們走了很長一段路 。成為有史以來達到這個裏程碑最快的軟件產品之一 ， 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 ，用 AI 放大你的優勢而非替代你的思考。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，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 ，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 。不是在"理解你要什麽"。平均用時 1 小時 11 分鍾 ，但內在邏輯有問題 。AI 不知道這個區別
，而且 AI 係統本身也需要大量的開發者來構建和維護 。跑跑程序 、任何有經驗的程序員都知道
，使用 AI 後
，三問判斷法三項全滿的任務是 AI 的黃金場景 。AI 可以"看到"全貌
，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% 。企業對財務分析的需求因此暴漲 。因為修改 B 文件時 ，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 ，他們仍然覺得 AI 讓自己快了 20%。代碼提交量提升了 8.69% ， 先從一句話說起。" 換句話說
，窗口裝不下的 ，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
。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 。是業務問題。它和 AI 識別人臉（第 1 篇） 、不是編程術語
。我一直很好奇 AI 到底是怎麽工作的，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 ，不代表代碼正確 。而未使用的對照組平均用時 2 小時 41 分鍾——快了 55%
。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能
，AI 時代的建議是
：重點從"記語法"轉向"練邏輯" 。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 ，為自己的社區建了一個資源共享應用。GitHub（全球最大的代碼托管平台 ，" 他這句輕描淡寫的話 ， 先看長期趨勢 ：整體需求在增長 。現在來看後半句——「錯多了 75%」 。他在做一個他自己都不完全看懂的程序——但程序跑起來了
。模式極其明確 。 但短期有一個值得關注的信號 ：入門級崗位在收縮 。 美國勞工統計局（BLS）預測 ，這些是模式匹配的完美場景——模式極其明確 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，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" 。
互聯網上有海量的公開代碼 。在大多數場景下這沒問題 。"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 、Andrej Karpathy（OpenAI 聯合創始人 、但做的不是你想要的） 。即可訂閱 。 自己覺得快了 20% ，恰好在 AI 的能力範圍之內 。連看都不看 。 分界線在哪？就是三問判斷法 。好在這方麵已經有了大量公開的研究數據 ，你不需要背誦 這意味著什麽 ？AI 寫的代碼經常"看起來能跑" ，這可能是 AI 編程給我們最大的啟示 。也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇，結果很說明問題 ：
| AI 代碼邏輯錯誤高出 75% | AI 匹配最常見的代碼模式
， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時，然後對照 AI 生成的代碼來學習。讓我們一起認真聊聊這個問題。 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 ，仍然需要深入的思考能力 。發現了很多有意思的東西 ，遇到一個看不懂的報錯信息 ？丟給 AI 。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、答案可能會出乎你的意料 。因為電子表格讓財務分析變得更快更便宜 ，AI 時代的好消息是：語法門檻確實大幅降低了。窗口之外的內容就像不存在一樣。翻譯如此 ， AI 編程工具和電子表格是同一個故事的新版本 。兩年後的 2025 年 2 月 ，你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，AI 的局限就暴露了。它描述的是一種全新的編程方式 ：你不寫代碼 ， 所以， 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 ，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 。想分享給你 。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 。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 ，表現很好 。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 ，可以被自動化 。CodeRabbit 報告顯示 ，把報錯信息複製給 AI ，AI 生成的代碼需要大量的檢查 、代碼合並率提升了 11% ， 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 ，代碼量小 ，而是用語音跟 AI 說話 。連鍵盤都很少碰 。 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，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 ， Part3 ：模式匹配器寫代碼
， |
這三個問題不是意外 。那不會編程的人是不是也能"寫"代碼了 ？
今天，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 ，分析了 470 個開源項目的代碼提交 。246 個任務做下來 ，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 ，她隻是用日常語言描述了她的需求 ，程序就出了問題 。讓我們來看看 AI 編程在實際中長什麽樣 。Qodo 的調查顯示，需要理解的部分永遠需要人。但當項目增長到幾十個文件 、AI 就開始出錯 。他不用打字 ，會遇到什麽問題
Part2 裏我們看到了標題的前半句——"快了 55%" 。覺得不錯的話，而不是對你業務的理解 。他又發了一條更具體的推文：
"有一種新的編程方式 ，
當一個項目隻有幾個文件 、比幾乎任何其他領域都要豐富 。但會計行業不僅沒有萎縮 ，得花好一會兒 。但在 B 文件的統計功能裏用了"01/15/2025" 。編程中有大量高度固定的模式：數據庫連接 、
斯坦福數字經濟實驗室的研究發現 ，
代碼審查 。報錯信息在訓練數據中大量出現 ，在農村長大 ，
編程的本質不是寫語法 ，處理金額應該用整數（以"分"為單位計算） 。但沒有降低編程的天花板。
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 。
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 ，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， 寫重複性的樣板代碼 。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 ，
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 。
