Replit（一個在線編程平台）的害快 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 ，我花了不少時間去找到並撤銷這些改動 。写代"
這條推文被超過 900 萬人看到 。多厉但错多拆開了 AI 的害快黑箱 ，AI 的写代局限就暴露了 。AI 生成的多厉但错多代碼改動 ？他全部直接接受，但在 B 文件的害快統計功能裏用了"01/15/2025" 。"修改了舊數據後要不要重新觸發校驗 ？写代""用戶刪除賬號後曆史數據保留多久 ？"——這些不是代碼問題 ，需要理解的多厉但错多部分永遠需要人 。會發現這不隻是害快編程的事 。會產生什麽效果？写代還記得 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 。得花好一會兒。多厉但错多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 不知道你的用戶是誰、Qodo 的調查顯示
，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 ，用 AI 放大你的優勢而非替代你的思考。 代碼語法是模式 ，
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。 但短期有一個值得關注的信號 ：入門級崗位在收縮
。平均用時 1 小時 11 分鍾 ，讓代碼"跑得快"則需要理解計算機底層的工作方式
。而不是對你業務的理解 。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》 ，AI 可以"看到"全貌
，答案可能會出乎你的意料 。前 Tesla AI 總監 ， 先從一句話說起 。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，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 。寫作如此 ，翻譯如此 ，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 。即可訂閱 。它就不完整了 。但更高的生產力會降低軟件的開發成本 ，不是"解決問題"這個能力。 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 ，兩邊不一致 ，比幾乎任何其他領域都要豐富 。她隻是用日常語言描述了她的需求， 不過， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，都需要有人審查 。 AI 降低了編程的入口 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、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 。會發生什麽 。 代碼能跑 ，但會計行業不僅沒有萎縮 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。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，他們怎麽使用產品 、而是"隻會寫代碼"的崗位在減少 ，兩年後的 2025 年 2 月 ，在代碼重構 、" 他這句輕描淡寫的話 ，為自己的社區建了一個資源共享應用。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 ， 數字背後的驅動力 ，編程真正的難點反而暴露出來了——邏輯思考。畫出了它的能力邊界，連看都不看 。"通常這樣就修好了"。也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇 ，他會說"把側邊欄的內邊距減半"這種大白話 ，你來 。AI 見過無數"錯誤-原因-解法"的模式對 ，代碼的對錯通常是確定性的 ：要麽運行成功 ， Part3 ：模式匹配器寫代碼 ，"VibeCoding——這個詞後來入選了維基百科詞條 。 下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，原型開發時間可以縮短 50% 到 70% 。 參考資料
訂閱如果覺得有意思 ，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 ：
上一篇 ，開發者產生了"我變快了"的錯覺 。 適合交給 AI 的原型開發和快速驗證 。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" 。 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， 修 bug 和理解報錯 。而是當前對話窗口裏的文字。遇到一個看不懂的報錯信息 ？丟給 AI 。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 ，自 2022 年 AI 工具普及以來， 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。 比如 ， 斯坦福數字經濟實驗室的研究發現 ，也是這個係列的最後一篇 ，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 ，決定不同功能之間怎麽配合、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，如果你想學編程，不像寫散文——好壞見仁見智 。"把三個問題串起來讓我用一張表來總結 ，這就是 Karpathy 說的"周末項目"——快速試驗一個想法，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 。當 AI 編程從"周末小項目"走向真實世界時，而是因為 AI 寫得又快又好 。AI 給出的東西怎麽改都不對 。讓我們一起來探索這個問題 。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 。不是編程術語 。AI 在訓練過程中見過的代碼模式 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，遇到報錯 ？把錯誤信息直接複製給 AI ，
最後一個問題 ，一旦項目變大 、連鍵盤都很少碰 。他看都不看修改的內容 ，這和第 14 篇的四條原則完全一致——不是巧合 ，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 ，而編程恰好是三個條件全滿的黃金場景 。需要把金額加在一起 ，我們走了很長一段路 。超過 1.5 億開發者在上麵協作 。你甚至不需要看懂代碼——看結果就行。
代碼審查 。
當一個項目隻有幾個文件 、它和 AI 識別人臉（第 1 篇） 、遠超所有職業平均 4% 的增長率 。看看效果。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 ，
但如果故事在這裏結束，數據充足 、
分界線在哪 ？就是三問判斷法 。窗口裝不下的 ，我們不需要猜測 。這不隻是頂級 AI 專家才能做的事 。直接讀這篇也沒問題 。說說想法 、"
換句話說 ，不是因為自己不會寫，模式匹配在這裏力不從心 。
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 ，
這些數字很漂亮 。它從訓練數據中匹配最常見的代碼模式 ，
AI 編程工具和電子表格是同一個故事的新版本 。Andrej Karpathy（OpenAI 聯合創始人 、後續文章也會持續更新 。
寫重複性的樣板代碼 。學會了怎麽和它一起工作 ，而不是精確的 45.3 。甚至可能不在你給它的對話上下文裏 。迭代而非一次到位 、模式匹配器就能發揮最大威力。其實藏著很深的含義。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 ，這些是模式匹配的完美場景——模式極其明確 ，分析了 470 個開源項目的代碼提交 。
在菲律賓 ，而成功構建次數更是提升了 84%。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑，
業務邏輯判斷。for 後麵必須跟循環變量 ，他又發了一條更具體的推文：
"有一種新的編程方式 ，數據充足 、幾乎所有 AI 擅長的領域都如此 。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 ，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 ，因為電子表格讓財務分析變得更快更便宜 ，AI 替代的是"敲代碼"這個動作 ，
2025 年 7 月，你有一個想法 ，