他說 ："代碼的写代規模已經超出了我通常理解的範圍——如果要仔細讀一遍 ，"
這條推文被超過 900 萬人看到 。多厉但错多也是害快 AI 幫不了你的部分。你不需要背誦 for循環的写代寫法——AI 會替你寫
。
比如 ，多厉但错多
舉個例子 ：如果你讓 AI 做一個記賬工具 ，害快15 家最大科技公司的写代入門級招聘從 2023 到 2024 年下降了約 25%。反而大幅增長 ，多厉但错多
斯坦福數字經濟實驗室的害快研究發現 ，
AI 編程工具和電子表格是写代同一個故事的新版本 。然後它就大概能用了 。多厉但错多但處理金額時 ，害快超過 77000 家企業和組織都在使用它 。写代30 歲以下年輕程序員的多厉但错多就業率下降了約 6%；而 30 歲以上程序員的就業反而增長了 6-13% 。幾萬行代碼時——這在真實的害快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 。不需要完美，模式匹配在這裏力不從心。
如果你再仔細想想 ，"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，這和第 14 篇的四條原則完全一致——不是巧合 ，沒有你的業務全局視角（第 7 篇：續寫 vs 回憶）
代碼能跑 ，
不過 ，她隻是用日常語言描述了她的需求，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 。每種編程語言都像一本規則手冊 ，考慮到用戶可能遇到的各種情況 、恰好在 AI 的能力範圍之內 。
最有趣的一個實驗
以上三個問題疊加在一起 ，甚至可能不在你給它的對話上下文裏。有趣的是 ，實際慢了 19% 。它不知道你的用戶是誰 ，但如果 AI 能寫代碼，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、
編程的本質不是寫語法 ，不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，不是在"理解你要什麽" 。
但這裏有一個關鍵的轉變 。它從訓練數據中匹配最常見的代碼模式 ，AI 可以"看到"全貌 ，
上一篇，"通常這樣就修好了" 。
美國勞工統計局（BLS）預測 ，遇到一個看不懂的報錯信息 ？丟給 AI。遇到報錯 ，前 Tesla AI 總監 ，我花了不少時間去找到並撤銷這些改動。即可訂閱 。246 個任務做下來 ，AI 寫代碼不是什麽"魔法" 。
問題三 ：項目大了 ，模式匹配器就能發揮最大威力 。
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 ，
所以 ，
這是 「AI是怎麽回事」係列的第 15 篇 。因為修改 B 文件時 ，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。那不會編程的人是不是也能"寫"代碼了？
今天 ，當 AI 處理了語法層麵的事情後 ，AI 時代的好消息是 ：語法門檻確實大幅降低了 。代碼提交量提升了 8.69% ，需要理解的部分永遠需要人——AI 降低的是編程門檻，訓練數據極其豐富。
適合交給 AI 的
原型開發和快速驗證 。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 ，他們怎麽使用產品 、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 。歡迎分享+關注。都需要有人審查。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 ，讓我們來看看 AI 編程在實際中長什麽樣 。但邏輯錯誤也多了 75% 。通常 AI 就能修好 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。
修 bug 和理解報錯。
文章結尾留了一個懸念：寫代碼是 AI 最擅長的事之一 ，
用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時 ，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" ，需要理解的部分永遠需要人 。不是因為自己不會寫 ，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 ，而且 AI 係統本身也需要大量的開發者來構建和維護 。
問題一 ：表麵能跑 ，開發者產生了"我變快了"的錯覺。然後對照 AI 生成的代碼來學習。AI 為什麽能通過律師考試卻會一本正經地撒謊 。把報錯信息複製給 AI ，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 。
代碼審查。
性能優化 。"
把三個問題串起來
讓我用一張表來總結 ，決定不同功能之間怎麽配合 、
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 ，因為電子表格讓財務分析變得更快更便宜 ，Signal Fire 的報告顯示，我查了大量數據，而編程恰好是三個條件全滿的黃金場景 。用 AI 放大你的優勢而非替代你的思考 。
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 ，擁抱指數級增長 ，畫出了它的能力邊界，程序就出了問題 。
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 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。AI 寫的每一行代碼 ，
編程語言不像人類語言那樣模糊 。
想清楚一個工具應該怎麽工作 、
個人錨點
如果你也試過讓 AI 寫代碼 ，GitHub（全球最大的代碼托管平台 ，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 ，但沒有降低編程的天花板 。可以被自動化 。依據的是訓練數據中的統計模式 ，AI 通過律師考試（第 9 篇）是同一個道理——當模式明確 、不變的是對邏輯的思考 。它在 A 文件裏把日期格式定義為"2025-01-15" ，這不隻是頂級 AI 專家才能做的事 。但因為"敲代碼"這個動作本身確實變快了 ，如果你想學編程 ，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。數據充足 、
"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 ，AI 就開始出錯 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能，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 ，約束和取舍 。
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 ，這個係列就是我的探索筆記 ，對於一個"超級模式匹配器"來說 ，為自己的社區建了一個資源共享應用。AI 給出的東西怎麽改都不對 。直到搬到馬尼拉才第一次接觸電腦 。寫作如此 ，電子表格軟件（如 Excel）普及後 ，發現了很多有意思的東西，報錯信息在訓練數據中大量出現 ，他又發了一條更具體的推文 ：
"有一種新的編程方式 ，
寫重複性的樣板代碼 。而不是精確的 45.3 。仍然需要深入的思考能力 。不是編程術語 。
自己覺得快了 20% ，代碼量小 ，這是典型的模式匹配強項 。而是當前對話窗口裏的文字 。Qodo 的調查顯示 ，一試便知。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，會發生什麽。翻譯如此，答案可能會出乎你的意料。模式匹配的部分被自動化了 ，讓我們一起來探索這個問題。
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 。就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。比幾乎任何其他領域都要豐富 。但會計行業不僅沒有萎縮，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 ，讓我們一起認真聊聊這個問題 。到 2025 年底估值達到約 90 億美元 。複製粘貼一下，有四分之一的代碼庫幾乎完全由 AI 生成 。直接讀這篇也沒問題 。不知道你的產品邏輯 ，
在菲律賓，沒有兩個項目的架構是完全相同的 ，
分界線在哪 ？就是三問判斷法 。他看都不看修改的內容 ，函數必須有輸入和輸出 。表現很好。也是這個係列的最後一篇 ，你可能會注意到一件事：當你清楚知道自己要什麽時 ，
這些數字很漂亮。
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 ，原型開發時間可以縮短 50% 到 70%。在大多數場景下這沒問題。
第一，平均用時 1 小時 11 分鍾 ，AI 自動化掉的永遠是那個"模式匹配"的部分 ，你來檢查 。業界的經驗顯示 ，不像寫散文——好壞見仁見智 。for 後麵必須跟循環變量 ，需求明確 、AI 來實現 。
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，很多人預言會計職業將會消亡 。它有嚴格的語法規則：IF 後麵必須跟條件 ，AI 生成的代碼需要大量的檢查、我們不需要猜測 。窗口之外的內容就像不存在一樣 。它就不完整了。AI 表現驚人；當你自己都沒想清楚時 ，看看效果 。"能駕馭 AI"的崗位在增加 。可驗證的部分交給 AI；需要理解具體場景 、
業務邏輯判斷 。因為懶得自己去代碼裏找具體位置 。
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，結果容易驗證。需求變複雜 ，Cursor（Karpathy 自己用的那個 AI 代碼編輯器，你甚至不需要看懂代碼——看結果就行 。
所以 ，
第一次看到這個係列 ？從第1篇開始最順暢 ，AI 替代的是"敲代碼"這個動作 ，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" 。現在來看後半句——「錯多了 75%」。
代碼語法是模式 ，
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 ，不理解具體業務語境（第 9 篇 ：模式匹配 vs 理解）
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 。配置文件 。而且這些代碼中 88% 被保留在了最終版本裏，
先看長期趨勢 ：整體需求在增長 。歡迎關注我 ，在農村長大 ，
先從一句話說起 。它就顧不上了 。
為什麽 ？因為在大型真實項目中 ，AI 不知道這個區別 ，而是"隻會寫代碼"的崗位在減少 ，他不用打字 ，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，遠超所有職業平均 4% 的增長率 。
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"。會發現這不隻是編程的事 。任何有經驗的程序員都知道，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 。想分享給你 。其實藏著很深的含義 。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 ，連看都不看 。
非程序員的真實案例
更令人驚訝的是 ，AI 時代的建議是 ：重點從"記語法"轉向"練邏輯" 。入門更容易了，但更高的生產力會降低軟件的開發成本 ，但讓"設計係統""判斷質量""理解需求"變得更加重要 。遇到報錯 ？把錯誤信息直接複製給 AI ，幾乎所有 AI 擅長的領域都如此 。這是 AI 編程最隱蔽的陷阱 。跑跑程序 、什麽行為對他們來說是合理的。結果可驗證時 ，使用 AI 後 ，超過 1.5 億開發者在上麵協作。模式極其明確 。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 ，直接全部接受。邏輯有錯
數字背後的驅動力 ，編程中有大量高度固定的模式 ：數據庫連接 、"
他這句輕描淡寫的話 ，數據充足 、讓我們慢慢拆解 。A 文件可能已經超出了 AI 的上下文窗口——對 AI 來說 ，
1980 年代 ，而是想清楚要做什麽。結果是 ：
使用 AI 工具的開發者反而慢了 19% 。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 ，讓代碼"能跑"容易 ，需要把金額加在一起 ，
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 。它消滅的是"手敲代碼語法"這個動作 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗，不代表代碼正確 。
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》 。
這聽起來像科幻 。不是抽象的語法說明。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 ，而不是對你業務的理解 。
曆史給了我們一個有用的類比 。分析了 470 個開源項目的代碼提交。也是最大的一個問題——
AI 會取代我們嗎 ？
下一篇 ，AI 的局限就暴露了 。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，但要做好 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，直接修改代碼文件 。測試生成和代碼審查這些關鍵任務中，這些是模式匹配的完美場景——模式極其明確 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升。處理金額應該用整數（以"分"為單位計算） 。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） ，成為有史以來達到這個裏程碑最快的軟件產品之一 ，自 2022 年 AI 工具普及以來 ，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 。AI 不知道你的用戶是誰、需要人來做 。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 。是業務問題 。
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，但做的不是你想要的）。"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 、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，做獨特判斷的部分 ，他會說"把側邊欄的內邊距減半"這種大白話 ，而暴露出來的永遠是那個"真正需要人的思考"的部分 。迭代而非一次到位 、這簡直是完美的工作對象 。 先來拆解"滿"在哪。你可以告訴 AI"用 JavaScript 實現這個功能"，也更難被機器替代。驗證大於信任 、窗口裝不下的 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，AI 在訓練過程中見過的代碼模式 ，AI 理解他的意思後 ，給出了一個出人意料的答案 。模式明確 、還一起看了它在編程這個最擅長的領域裏的表現和局限 。你有一個想法 ， 這也和 Karpathy 的話完美呼應：VibeCoding 適合"周末小項目"——因為小項目模式簡單 、比翻文檔快得多——因為 AI 給你的是一個可運行的具體例子 ， 但如果故事在這裏結束， 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 ，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》 ，正確的使用方式就清晰了 。 仍然需要人做的架構設計 。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 ，而不是最高效的方式 。 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，Andrej Karpathy（OpenAI 聯合創始人、 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 。" VibeCoding——這個詞後來入選了維基百科詞條 。所有代碼都在遵循這些規則——形成了極其規整的模式 。一旦項目變大 、幾百行代碼時 ， AI 降低了編程的入口 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，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 ，這可能是 AI 編程給我們最大的啟示 。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 ：
|
