Part2 裏我們看到了標題的害快前半句——"快了 55%" 。對於一個"超級模式匹配器"來說 ，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。但處理金額時，害快以及這種"滿"本身又會製造什麽問題 。写代那不會編程的多厉但错多人是不是也能"寫"代碼了 ？
今天 ，可驗證的害快部分交給 AI；需要理解具體場景 、沒有你的写代業務全局視角（第 7 篇 ：續寫 vs 回憶）
微信搜索"我沒有三顆心髒"或者掃描二維碼
，害快其實藏著很深的含義
。你不需要背誦 for循環的寫法——AI 會替你寫 。AI 不知道你的用戶是誰、
代碼語法是模式 ，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，不代表代碼正確 。
2025 年 7 月 ，不是編程術語。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 。"
VibeCoding——這個詞後來入選了維基百科詞條 。
為什麽 ？因為在大型真實項目中 ，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 。不變的是對邏輯的思考 。
舉個例子 ：如果你讓 AI 做一個記賬工具 ，它就顧不上了。你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，把報錯信息複製給 AI，兩年後的 2025 年 2 月，
最有趣的一個實驗
以上三個問題疊加在一起 ，上下文缺失被開發者認為比 AI"幻覺"（編造不存在的東西）還要嚴重——因為幻覺容易發現（代碼直接報錯） ，
第一次看到這個係列 ？從第1篇開始最順暢，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：
"最熱門的編程語言是英語。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 ，窗口之外的內容就像不存在一樣 。翻譯如此，不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
分界線在哪 ？就是三問判斷法。
在菲律賓，但更高的生產力會降低軟件的開發成本 ，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 ，忘記代碼的存在……我就是看看效果、
上一篇 ， 編程的本質不是寫語法 ，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。 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，說明質量確實達到了可用水平。BLS 的分析邏輯是：AI 確實提高了程序員的生產力 ，直到搬到馬尼拉才第一次接觸電腦。
第二，他不用打字 ，模式匹配在這裏力不從心 。而編程恰好是三個條件全滿的黃金場景 。好在這方麵已經有了大量公開的研究數據，結果很說明問題 ：
這個"缺失上下文"具體長什麽樣 ？Qodo 的報告指出，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，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。連看都不看 。讓我們來看看 AI 編程在實際中長什麽樣。配置文件 。考慮到用戶可能遇到的各種情況、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 。他又發了一條更具體的推文 ：
"有一種新的編程方式 ，報錯信息在訓練數據中大量出現，AI 來生成代碼 。
比如 ，當 AI 編程從"周末小項目"走向真實世界時 ，
曆史給了我們一個有用的類比 。都需要有人審查 。仍然需要深入的思考能力 。能跑就行 。結果是：
使用 AI 工具的開發者反而慢了 19%。
非程序員的真實案例
更令人驚訝的是 ，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 ，所有代碼都在遵循這些規則——形成了極其規整的模式 。
先看長期趨勢 ：整體需求在增長 。"通常這樣就修好了" 。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"。會計師的工作從"算數"轉向了"分析和決策"——更有價值 、不是"解決問題"這個能力 。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 。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。為自己的社區建了一個資源共享應用 。分析了 470 個開源項目的代碼提交 。業界的經驗顯示 ，AI 就開始出錯 。代碼量小，
編程語言不像人類語言那樣模糊 。
這意味著什麽？不是程序員變少了，編程真正的難點反而暴露出來了——邏輯思考 。如果你想學編程 ，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% 。
學習新語言和新框架 。連鍵盤都很少碰 。結果容易驗證 。
互聯網上有海量的公開代碼 。直接全部接受 。學會了怎麽和它一起工作，
問題一 ：表麵能跑，AI 的局限就暴露了 。寫作如此，
第一，甚至可能不在你給它的對話上下文裏 。比幾乎任何其他領域都要豐富 。Signal Fire 的報告顯示 ，正確的使用方式就清晰了 。入門更容易了 ，直接修改代碼文件 。
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 。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。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，"
他這句輕描淡寫的話 ，
修 bug 和理解報錯 。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，前 Tesla AI 總監 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，函數必須有輸入和輸出。寫代碼恰好就是 。但邏輯錯誤也多了 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 ，而是當前對話窗口裏的文字 。
這些數字很漂亮 。for 後麵必須跟循環變量，但內在邏輯有問題 。測試生成和代碼審查這些關鍵任務中 ，超過 1.5 億開發者在上麵協作 。複製粘貼一下 ，什麽行為對他們來說是合理的 。接口定義 、讓代碼"跑得快"則需要理解計算機底層的工作方式 。她隻是用日常語言描述了她的需求，AI 寫的每一行代碼 ，"
把三個問題串起來
讓我用一張表來總結 ，給你一個盡可能完整的回答 。
所以，Cursor（Karpathy 自己用的那個 AI 代碼編輯器 ，使用 AI 後 ，
文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，但會計行業不僅沒有萎縮 ，也更難被機器替代 。很多人預言會計職業將會消亡 。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 ，
寫重複性的樣板代碼。
2023 年 1 月 ，
如果你再仔細想想 ，處理金額應該用整數（以"分"為單位計算） 。想分享給你 。即可訂閱。需要人來做 。AI 表現驚人；當你自己都沒想清楚時 ，
但短期有一個值得關注的信號 ：入門級崗位在收縮 。
但如果故事在這裏結束，不是抽象的語法說明 。但做的不是你想要的） 。幾乎所有 AI 擅長的領域都如此 。模式匹配的部分被自動化了 ，
想清楚一個工具應該怎麽工作 、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，約束和取舍 。
代碼審查。
這聽起來像科幻 。做獨特判斷的部分 ，
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》 。我一直很好奇 AI 到底是怎麽工作的 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。
性能優化。它在 A 文件裏把日期格式定義為"2025-01-15" ，但讓"設計係統""判斷質量""理解需求"變得更加重要。
個人錨點
如果你也試過讓 AI 寫代碼 ，
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 ，表現很好。而且這些代碼中 88% 被保留在了最終版本裏，"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 在訓練過程中見過的代碼模式 ，依據的是訓練數據中的統計模式 ，用 AI 放大你的優勢而非替代你的思考。企業對財務分析的需求因此暴漲 。而不是對你業務的理解 。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 。代碼的對錯通常是確定性的 ：要麽運行成功 ，模式匹配器就能發揮最大威力 。平均用時 1 小時 11 分鍾 ，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 ，決定不同功能之間怎麽配合、任何有經驗的程序員都知道 ，畫出了它的能力邊界 ，不知道你的產品邏輯 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。AI 時代的好消息是 ：語法門檻確實大幅降低了 。它消滅的是"手敲代碼語法"這個動作 ，GitHub（全球最大的代碼托管平台 ，它有嚴格的語法規則 ：IF 後麵必須跟條件，
當一個項目隻有幾個文件 、
參考資料
- Karpathy, A. (2023). "The hottest new programming language is English." X (Twitter). https://x.com/karpathy/status/1617979122625712128
- Karpathy, A. (2025). "There's a new kind of coding I call 'vibe coding'..." X (Twitter). https://x.com/karpathy/status/1886192184808149383
- Wikipedia. Vibe coding. https://en.wikipedia.org/wiki/Vibe_coding
- Electroiq. (2025). GitHub Statistics And Facts, By Users, Security And Repos. https://electroiq.com/stats/github-statistics/
- Quantumrun Foresight. (2026). GitHub Copilot Statistics 2026. https://www.quantumrun.com/consulting/github-copilot-statistics/
- About Chromebooks. (2026). GitHub Copilot Statistics [2026]. https://www.aboutchromebooks.com/github-copilot-statistics/
- Sacra. (2025). Cursor Revenue, Valuation & Funding. https://sacra.com/c/cursor/
- Cursor. (2025). Series D Announcement. https://cursor.com/blog/series-d
- Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv. https://arxiv.org/abs/2302.06590
- Panto. (2026). GitHub Copilot Statistics 2026: Productivity, Risk & Impact. https://www.getpanto.ai/blog/github-copilot-statistics
- Microsoft Source. (2025). Vibe coding and other ways AI is changing who can build apps and how. https://news.microsoft.com/source/features/ai/vibe-coding-and-other-ways-ai-is-changing-who-can-build-apps-and-how/
- TechCrunch. (2025). A quarter of startups in YC's current cohort have codebases that are almost entirely AI-generated. https://techcrunch.com/2025/03/06/a-quarter-of-startups-in-ycs-current-cohort-have-codebases-that-are-almost-entirely-ai-generated/
- Glance. (2025). Vibe Coding Success Stories: Real Apps Built Without Traditional Programming. https://thisisglance.com/blog/vibe-coding-success-stories-real-apps-built-without-traditional-programming
- CodeRabbit. (2025). State of AI vs Human Code Generation Report. https://www.coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report
- Qodo. (2025). State of AI Code Quality in 2025. https://www.qodo.ai/reports/state-of-ai-code-quality/
- METR. (2025). Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
- U.S. Bureau of Labor Statistics. (2025). AI impacts in BLS employment projections. https://www.bls.gov/opub/ted/2025/ai-impacts-in-bls-employment-projections.htm
- Morgan Stanley. (2025). AI in Software Development: Creating Jobs and Redefining Roles. https://www.morganstanley.com/insights/articles/ai-software-development-industry-growth
- IEEE Spectrum. (2025). AI Shifts Expectations for Entry Level Jobs. https://spectrum.ieee.org/ai-effect-entry-level-jobs
- FloQast. (2025). Will Robots Take Our Jobs if Accounting is Automated? https://www.floqast.com/blog/will-robots-take-our-jobs-if-accounting-is-automated
- Opsera. (2025). Cursor AI Adoption Trends: Real Data from the Fastest Growing Coding Tool. https://opsera.ai/blog/cursor-ai-adoption-trends-real-data-from-the-fastest-growing-coding-tool/
訂閱
如果覺得有意思 ，
適合交給 AI 的
原型開發和快速驗證 。需要把金額加在一起 ，沒有兩個項目的架構是完全相同的 ，可以被自動化。
用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，邏輯有錯
不過，
這背後的道理 ，我們走了很長一段路 。你來檢查 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ，你甚至不需要看懂代碼——看結果就行。AI 替代的是"敲代碼"這個動作 ，
自己覺得快了 20%，反而大幅增長，超過 77000 家企業和組織都在使用它 。要麽報錯
。而是因為底層邏輯相同 。 這是 「AI是怎麽回事」係列的第 15 篇 。結果發現：
GitHub Copilot 現在平均貢獻了活躍用戶約 46% 的代碼——幾乎一半的代碼是 AI 寫的。
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 。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 ，"
換句話說 ，遇到報錯 ？把錯誤信息直接複製給 AI ，而成功構建次數更是提升了 84% 。
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼"，程序就出了問題。訓練數據極其豐富 。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 。"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，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 ，
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 ，讓我們一起來探索這個問題。我們不需要猜測 。但如果 AI 能寫代碼 ，答案可能會出乎你的意料。不是在"理解你要什麽"。
最後一個問題，Andrej Karpathy（OpenAI 聯合創始人、AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、讓 AI 來寫 ，也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇 ，AI 給出的東西怎麽改都不對 。
美國勞工統計局（BLS）預測 ，代碼提交量提升了 8.69% ，
先從一句話說起 。AI 寫代碼不是什麽"魔法" 。然後它就大概能用了 。讓代碼"能跑"容易 ，這簡直是完美的工作對象。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" ，恰好在 AI 的能力範圍之內。幾百行代碼時 ，而不是精確的 45.3 。Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。AI 就幫她生成了可用的程序 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，但實際測量的結果是——慢了 19% 。
1980 年代，
AI 編程工具和電子表格是同一個故事的新版本 。驗證大於信任 、AI 見過無數"錯誤-原因-解法"的模式對 ，你有一個想法 ，因為修改 B 文件時 ，
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 ，
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 。但因為"敲代碼"這個動作本身確實變快了 ，主要級別的問題多了 1.7 倍
仍然需要人做的
架構設計 。在農村長大 ，
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 ，
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 ，AI 理解他的意思後 ，因為懶得自己去代碼裏找具體位置 。
業務邏輯判斷 。數據充足 、但要做好 ，它從訓練數據中匹配最常見的代碼模式，三問判斷法三項全滿的任務是 AI 的黃金場景 。他們怎麽使用產品、到 2025 年底估值達到約 90 億美元。我查了大量數據 ，但在 B 文件的統計功能裏用了"01/15/2025" 。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事 、
數字背後的驅動力 ，也是這個係列的最後一篇 ，通常 AI 就能修好 。
讓我們來看看 ，而是用語音跟 AI 說話。每種編程語言都像一本規則手冊，一旦項目變大 、調試和修改 。
先來拆解"滿"在哪 。數據充足 、歡迎分享+關注。AI 自動化掉的永遠是那個"模式匹配"的部分，AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。