"最熱門的編程語言是英語 。讓我們來看看 AI 編程在實際中長什麽樣 。写代幾乎所有 AI 擅長的多厉但错多領域都如此 。
讓我們來看看，害快可以被自動化 。写代這和第 14 篇的多厉但错多四條原則完全一致——不是巧合 ，A 文件可能已經超出了 AI 的害快上下文窗口——對 AI 來說 ，需要理解的写代部分永遠需要人 。但當項目增長到幾十個文件 、多厉但错多模式匹配在這裏力不從心 。害快就是写代三問判斷法：編程是 AI 最完美的應用場景之一 。因為修改 B 文件時，多厉但错多AI 無法"看到"全部信息（第 6 篇：上下文窗口的害快限製）
這三個問題不是意外。好在這方麵已經有了大量公開的研究數據 ，說明質量確實達到了可用水平 。
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 ，
數字背後的驅動力 ，不是因為自己不會寫 ，它有嚴格的語法規則 ：IF 後麵必須跟條件，
第三 ，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。軟件開發崗位到 2033 年將增長約 17% ，
想清楚一個工具應該怎麽工作、Signal Fire 的報告顯示 ，前 Tesla AI 總監，
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 表現驚人；當你自己都沒想清楚時 ，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，學會了怎麽和它一起工作 ，拆開了 AI 的黑箱，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇 ，而不是精確的 45.3 。它不知道你的用戶是誰 ，實際慢了 19% 。 比如， 學習新語言和新框架
。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》，代碼合並率提升了 11% ，數據充足
、他們怎麽使用產品
、分析了 470 個開源項目的代碼提交 。很多人預言會計職業將會消亡 。不知道你的產品邏輯 ， 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" 。在大多數場景下這沒問題 。 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 ，會發生什麽 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。 2025 年 7 月，得花好一會兒 。因為懶得自己去代碼裏找具體位置 。這簡直是完美的工作對象 。但實際測量的結果是——慢了 19% 。但在 B 文件的統計功能裏用了"01/15/2025" 。 第二
，主要級別的問題多了 1.7 倍 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 ， 這意味著什麽？不是程序員變少了， 適合交給 AI 的原型開發和快速驗證 。 當一個項目隻有幾個文件 、而是用日常語言（中文或英文）告訴 AI 你想要什麽 ， 為什麽會這樣？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼"，但如果 AI 能寫代碼，它和 AI 識別人臉（第 1 篇） 、Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ， 寫重複性的樣板代碼 。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 ，窗口裝不下的 ，這些是模式匹配的完美場景——模式極其明確， "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 ，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 。他不用打字 ，還一起看了它在編程這個最擅長的領域裏的表現和局限 。AI 來實現 。使用 AI 後 ，開發者產生了"我變快了"的錯覺 。函數必須有輸入和輸出 。 1980 年代 ，一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，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，他看都不看修改的內容 ，AI 不知道這個區別 ，她不是程序員 ，自 2022 年 AI 工具普及以來 ，代碼提交量提升了 8.69% ，超過 77000 家企業和組織都在使用它 。反而大幅增長 ，什麽行為對他們來說是合理的 。 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 ，但會計行業不僅沒有萎縮， 但這裏有一個關鍵的轉變 。你可能會注意到一件事 ：當你清楚知道自己要什麽時，讓代碼"能跑"容易， 這背後的道理， 代碼能不能跑 ， 性能優化 。不是"解決問題"這個能力 。 問題三：項目大了，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 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。Qodo 的調查顯示，想分享給你 。我查了大量數據 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。你來檢查 。業務邏輯判斷。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 ，恰好在 AI 的能力範圍之內 。 舉個例子 ：如果你讓 AI 做一個記賬工具 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、 先從一句話說起 。他們仍然覺得 AI 讓自己快了 20% 。 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 ，AI 見過無數"錯誤-原因-解法"的模式對 ，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 ，平均用時 1 小時 11 分鍾 ，編程中有大量高度固定的模式 ：數據庫連接 、 分界線在哪 ？就是三問判斷法 。而暴露出來的永遠是那個"真正需要人的思考"的部分 。也是這個係列的最後一篇， 編程語言不像人類語言那樣模糊。歡迎關注我 ，
互聯網上有海量的公開代碼 。但沒有降低編程的天花板。可驗證的部分交給 AI；需要理解具體場景 、直接修改代碼文件 。一旦項目變大、給你一個盡可能完整的回答 。有趣的是 ，讓我們一起來探索這個問題 。 2023 年 1 月 ，結果發現 ：
| ||
| 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 ， 修 bug 和理解報錯 。驗證大於信任 、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 。 曆史給了我們一個有用的類比 。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%。通常 AI 就能修好。
上一篇， 第一 ，要麽報錯 。BLS 的分析邏輯是 ：AI 確實提高了程序員的生產力 ，你來 。" 換句話說，而是當前對話窗口裏的文字 。 這些數字很漂亮 。在農村長大 ，我一直很好奇 AI 到底是怎麽工作的 ，也更難被機器替代。而是"隻會寫代碼"的崗位在減少 ，這不隻是頂級 AI 專家才能做的事 。而且這些代碼中 88% 被保留在了最終版本裏 ，到 2025 年底估值達到約 90 億美元。連鍵盤都很少碰 。迭代而非一次到位 、 編程的本質不是寫語法 ， AI 編程工具和電子表格是同一個故事的新版本。 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 。 非程序員的真實案例更令人驚訝的是 ，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。代碼的對錯通常是確定性的 ：要麽運行成功 ，而不是最高效的方式 。後續文章也會持續更新 。如果你想學編程 ，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 。他會說"把側邊欄的內邊距減半"這種大白話，AI 的局限就暴露了。我花了不少時間去找到並撤銷這些改動 。處理金額應該用整數（以"分"為單位計算） 。你可以告訴 AI"用 JavaScript 實現這個功能" ，當 AI 編程從"周末小項目"走向真實世界時 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。 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 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，" 把三個問題串起來讓我用一張表來總結 ，電子表格軟件（如 Excel）普及後 ，直接讀這篇也沒問題 。給出了一個出人意料的答案 。超過 1.5 億開發者在上麵協作 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，246 個任務做下來，配置文件 。每種編程語言都像一本規則手冊 ，也是 AI 幫不了你的部分 。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 。把報錯信息複製給 AI ， 最後一個問題 ，結果容易驗證。 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 。不變的是對邏輯的思考 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法 ，AI 在訓練過程中見過的代碼模式 ，AI 就幫她生成了可用的程序。模式匹配器就能發揮最大威力 。AI 替代的是"敲代碼"這個動作，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" ，GitHub（全球最大的代碼托管平台 ，歡迎分享+關注 。複製粘貼一下 ，直到搬到馬尼拉才第一次接觸電腦。它就不完整了 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、所有代碼都在遵循這些規則——形成了極其規整的模式。連看都不看 。它在 A 文件裏把日期格式定義為"2025-01-15" ，成為有史以來達到這個裏程碑最快的軟件產品之一 ，AI 不知道你的用戶是誰 、用 AI 放大你的優勢而非替代你的思考 。比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子， 代碼能跑 ，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。模式明確 、 如果你再仔細想想 ，決定不同功能之間怎麽配合 、報錯信息在訓練數據中大量出現，需求變複雜 ，現在來看後半句——「錯多了 75%」 。 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》 。寫代碼恰好就是 。跑跑程序 、"能駕馭 AI"的崗位在增加 。做獨特判斷的部分 ， 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 ，"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 ，依據的是訓練數據中的統計模式 ，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 ，它從訓練數據中匹配最常見的代碼模式，AI 來生成代碼。AI 時代的建議是
：重點從"記語法"轉向"練邏輯"
。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 ，這可能是 AI 編程給我們最大的啟示
。你不需要背誦 仍然需要人做的架構設計。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 ，讓我們一起認真聊聊這個問題 。 一句話回顧AI 讓寫代碼快了 55% ，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 ，然後對照 AI 生成的代碼來學習。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 ，訓練數據極其充足 。為自己的社區建了一個資源共享應用 。當 AI 處理了語法層麵的事情後 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，比幾乎任何其他領域都要豐富 。數據充足 、我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、讓代碼"跑得快"則需要理解計算機底層的工作方式 。 這聽起來像科幻 。都需要有人審查。但做的不是你想要的） 。不是編程術語。 先看長期趨勢
：整體需求在增長 。因為電子表格讓財務分析變得更快更便宜
，
|
