第三 ，写代
但這裏有一個關鍵的多厉但错多轉變 。
寫重複性的害快樣板代碼 。數據充足 、写代
代碼語法是多厉但错多模式 ，說說想法 、害快
學習新語言和新框架。写代讓代碼"跑得快"則需要理解計算機底層的多厉但错多工作方式。不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解） 自己覺得快了 20%
，写代浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，多厉但错多 VibeCoding——這個詞後來入選了維基百科詞條 。246 個任務做下來， 如果你再仔細想想 ， 第一次看到這個係列 ？從第1篇開始最順暢 ， 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"。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 表現驚人；當你自己都沒想清楚時，但如果 AI 能寫代碼 ，模式匹配器就能發揮最大威力。都需要有人審查 。跑跑程序 、可驗證的部分交給 AI；需要理解具體場景 、而是因為 AI 寫得又快又好
。好在這方麵已經有了大量公開的研究數據 ，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" 。"通常這樣就修好了" 。寫代碼恰好就是 。不是在"理解你要什麽"。for 後麵必須跟循環變量 ，AI 生成的代碼需要大量的檢查 、他看都不看修改的內容 ，結果可驗證時 ，但讓"設計係統""判斷質量""理解需求"變得更加重要。它消滅的是"手敲代碼語法"這個動作 ， 如果覺得有意思
，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 。超過 77000 家企業和組織都在使用它 。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 ， 先看長期趨勢 ：整體需求在增長
。"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 理解他的意思後，讓我們一起認真聊聊這個問題 。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶） 在搞清楚 AI 編程能做到什麽之前 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、直接讀這篇也沒問題
。企業對財務分析的需求因此暴漲 。 編程語言不像人類語言那樣模糊 。AI 不知道這個區別 ，而是因為底層邏輯相同 。處理金額應該用整數（以"分"為單位計算） 。自 2022 年 AI 工具普及以來 ，編程中有大量高度固定的模式 ：數據庫連接 、代碼合並率提升了 11%
， 以上三個問題疊加在一起，不是因為自己不會寫 ，但處理金額時 ， 所以
，其實藏著很深的含義 。這就是 Karpathy 說的"周末項目"——快速試驗一個想法，編程真正的難點反而暴露出來了——邏輯思考 。它描述的是一種全新的編程方式：你不寫代碼
，你有一個想法，Qodo 的調查顯示 ， 光說數據可能還不夠直觀 。可以被自動化 。比幾乎任何其他領域都要豐富。" 他這句輕描淡寫的話，在農村長大
， 讓我們來看看， 曆史給了我們一個有用的類比 。 想清楚一個工具應該怎麽工作 、需要理解的部分永遠需要人 。它在 A 文件裏把日期格式定義為"2025-01-15"，它從訓練數據中匹配最常見的代碼模式
，正確的使用方式就清晰了。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，代碼提交量提升了 8.69%
，你來檢查。學會了怎麽和它一起工作 ， 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 ，結果容易驗證 。你可能會注意到一件事 ：當你清楚知道自己要什麽時，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
，而是用語音跟 AI 說話 。通常 AI 就能修好 。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 ，但邏輯錯誤也多了 75% 。讓 AI 來寫，結果是 ： 使用 AI 工具的開發者反而慢了 19% 。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）
，我花了不少時間去找到並撤銷這些改動
。需要人來做 。因為修改 B 文件時
，你不需要背誦 比如
，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 。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
。而不是最高效的方式 。你來 。即可訂閱
。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗
，這是 AI 編程最隱蔽的陷阱
。但實際測量的結果是——慢了 19%
。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
，但內在邏輯有問題 。我們不需要猜測
。不是抽象的語法說明。 業務邏輯判斷 。 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 ，得花好一會兒。任何有經驗的程序員都知道 ，開發者產生了"我變快了"的錯覺 。 AI 讓寫代碼快了 55%，AI 可以"看到"全貌 ，A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，也更難被機器替代。他們怎麽使用產品 、 這是 「AI是怎麽回事」係列的第 15 篇 。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 ，而且這些代碼中 88% 被保留在了最終版本裏
，比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ，15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25% 。直到搬到馬尼拉才第一次接觸電腦 。超過 1.5 億開發者在上麵協作
。 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 給出的東西怎麽改都不對 。模式極其明確
。 上一篇 ，邏輯有錯 這聽起來像科幻
。AI 自動化掉的永遠是那個"模式匹配"的部分
，因為懶得自己去代碼裏找具體位置。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 。 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
，直接修改代碼文件 。為自己的社區建了一個資源共享應用。忘記代碼的存在……我就是看看效果 、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。沒有兩個項目的架構是完全相同的 ，他又發了一條更具體的推文 ： "有一種新的編程方式 ，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
。也是這個係列的最後一篇 ，很多人預言會計職業將會消亡。然後對照 AI 生成的代碼來學習 。是業務問題 。AI 來實現
。報錯信息在訓練數據中大量出現 ，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 ，表現很好 。AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、 當一個項目隻有幾個文件 、 這些數字很漂亮
。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 ，實際慢了 19% 。業界的經驗顯示 ， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時
，而是用日常語言（中文或英文）告訴 AI 你想要什麽，不是編程術語 。而是"隻會寫代碼"的崗位在減少 ， 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一
，需要理解的部分永遠需要人——AI 降低的是編程門檻 ， 修 bug 和理解報錯
。遠超所有職業平均 4% 的增長率
。寫作如此
，在代碼重構、成為有史以來達到這個裏程碑最快的軟件產品之一 ，當 AI 處理了語法層麵的事情後 ，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
，需求變複雜 ，歡迎關注我 ，三問判斷法三項全滿的任務是 AI 的黃金場景。也是最大的一個問題—— AI 會取代我們嗎
？ 下一篇 ，這些是模式匹配的完美場景——模式極其明確 ，幾乎所有 AI 擅長的領域都如此。 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
。 2023 年 1 月 ，AI 就開始出錯。窗口裝不下的
， 但如果故事在這裏結束， 斯坦福數字經濟實驗室的研究發現 ，想分享給你。覺得不錯的話 ，遇到報錯 ？把錯誤信息直接複製給 AI ，遇到一個看不懂的報錯信息
？丟給 AI 。AI 見過無數"錯誤-原因-解法"的模式對，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，現在來看後半句——「錯多了 75%」。複製粘貼一下 ，它有嚴格的語法規則 ：IF 後麵必須跟條件 ，但當項目增長到幾十個文件
、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。對於一個"超級模式匹配器"來說
， 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 。Signal Fire 的報告顯示
，要麽報錯 。BLS 的分析邏輯是：AI 確實提高了程序員的生產力，軟件開發崗位到 2033 年將增長約 17% ，然後它就大概能用了
。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍
。窗口之外的內容就像不存在一樣 。測試生成和代碼審查這些關鍵任務中，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。這不隻是頂級 AI 專家才能做的事 。AI 生成的代碼改動 ？他全部直接接受 ，但在 B 文件的統計功能裏用了"01/15/2025"。 如果你也試過讓 AI 寫代碼，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 。考慮到用戶可能遇到的各種情況 、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% 。而不是精確的 45.3 。前 Tesla AI 總監
，恰好在 AI 的能力範圍之內 。能跑就行。後續文章也會持續更新 。給你一個盡可能完整的回答
。依據的是訓練數據中的統計模式 ， 代碼能跑 ， 架構設計
。而是當前對話窗口裏的文字 。 知道了 AI 編程的優勢和局限後 ，Karpathy 自己也補了一句："用來隨手做點周末項目還不錯 。發現了很多有意思的東西，做獨特判斷的部分 ，需要把金額加在一起 ，AI 不知道你的用戶是誰
、 代碼審查。她不是程序員 ，看看效果
。結果發現 ： 原型開發和快速驗證
。我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事
、 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
，這是典型的模式匹配強項。有趣的是，畫出了它的能力邊界
， 這個問題幾乎每個人都在問
。這個係列就是我的探索筆記
，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 。也是 AI 幫不了你的部分 。 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
， 這意味著什麽
？不是程序員變少了
，需求明確 、但更高的生產力會降低軟件的開發成本， 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》 。 最後一個問題，翻譯如此 ，連看都不看。以及這種"滿"本身又會製造什麽問題
。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，還一起看了它在編程這個最擅長的領域裏的表現和局限
。會發生什麽 。你甚至不需要看懂代碼——看結果就行
。它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 。 AI 編程工具和電子表格是同一個故事的新版本。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，害快我一直很好奇 AI 到底是写代怎麽工作的 ，入門更容易了 ，多厉但错多但這一篇我們不隻是害快確認這個結論——我們要展開看 ：它到底有多滿 ， 問題三：項目大了
，害快如果你想學編程 ，"
參考資料
訂閱
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
，Cursor（Karpathy 自己用的那個 AI 代碼編輯器，幾百行代碼時
，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯"
。甚至可能不在你給它的對話上下文裏
。 Part1 ：為什麽 AI 特別擅長寫代碼
最有趣的一個實驗
Part2
：AI 編程到底能做到什麽——一起來看看
for循環的寫法——AI 會替你寫 。它就顧不上了 。而上下文缺失導致的錯誤往往隱藏很深（代碼能跑
，程序就出了問題 。一句話回顧
AI 代碼邏輯錯誤高出 75% AI 匹配最常見的代碼模式，有四分之一的代碼庫幾乎完全由 AI 生成
。數據充足、這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。而編程恰好是三個條件全滿的黃金場景 。就是三問判斷法
：編程是 AI 最完美的應用場景之一。約束和取舍 。他不用打字 ， 效率數據
：到底快了多少
？
這可能是 AI 編程給我們最大的啟示
。但沒有降低編程的天花板 。AI 的局限就暴露了。Karpathy 的親身描述
個人錨點
仍然需要人做的
Part4：正確的姿勢——AI 編程適合做什麽
適合交給 AI 的
讀者可能會問的兩個問題
"程序員會不會失業？"
問題二
：不理解你的業務需求
1980 年代 ，
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 ，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 ，"能駕馭 AI"的崗位在增加 。讓我們慢慢拆解。
AI 降低了編程的入口 ，
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 ，但會計行業不僅沒有萎縮 ，訓練數據極其豐富 。
編程的本質不是寫語法 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。一旦項目變大、他會說"把側邊欄的內邊距減半"這種大白話 ，拆開了 AI 的黑箱，所有代碼都在遵循這些規則——形成了極其規整的模式 。一試便知。決定不同功能之間怎麽配合 、
數字背後的驅動力 ，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" ，原型開發時間可以縮短 50% 到 70%。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 ，
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，
舉個例子 ：如果你讓 AI 做一個記賬工具 ，
你可以告訴 AI"用 JavaScript 實現這個功能" ，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 ，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 ，他們仍然覺得 AI 讓自己快了 20% 。而暴露出來的永遠是那個"真正需要人的思考"的部分 。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 。給出了一個出人意料的答案 。這和第 14 篇的四條原則完全一致——不是巧合 ，我們走了很長一段路 。不是"解決問題"這個能力 。平均用時 1 小時 11 分鍾，不變的是對邏輯的思考 。非程序員的真實案例
更令人驚訝的是 ，
不過，
互聯網上有海量的公開代碼 。
第一 ，那不會編程的人是不是也能"寫"代碼了 ？
今天 ，到 2025 年底估值達到約 90 億美元 。
但短期有一個值得關注的信號 ：入門級崗位在收縮 。
2025 年 7 月 ，"
這條推文被超過 900 萬人看到。接口定義 、它就不完整了 。把報錯信息複製給 AI，
在菲律賓 ，擁抱指數級增長，函數必須有輸入和輸出 。
為什麽 ？因為在大型真實項目中 ，而成功構建次數更是提升了 84%。
第二 ，
性能優化 。
美國勞工統計局（BLS）預測 ，
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 ，
所以 ，代碼的對錯通常是確定性的 ：要麽運行成功 ，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。不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，它和 AI 識別人臉（第 1 篇） 、我查了大量數據 ，但要做好 ，讓我們來看看 AI 編程在實際中長什麽樣 。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
，CodeRabbit 報告顯示
，"把三個問題串起來讓我用一張表來總結， 為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，模式匹配的部分被自動化了 ，說明質量確實達到了可用水平。仍然需要深入的思考能力 。但做的不是你想要的） 。" 換句話說 ，答案可能會出乎你的意料 。 分界線在哪 ？就是三問判斷法 。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 。會發現這不隻是編程的事。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，遇到報錯 ，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。而是想清楚要做什麽。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 。兩邊不一致 ，AI 在訓練過程中見過的代碼模式 ，因為電子表格讓財務分析變得更快更便宜 ，Andrej Karpathy（OpenAI 聯合創始人 、AI 就幫她生成了可用的程序 。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 ，調試和修改 。不像寫散文——好壞見仁見智 。使用 AI 後 ，結果很說明問題 ：
|