這意味著什麽 ？写代不是程序員變少了 ，甚至可能不在你給它的多厉但错多對話上下文裏 。
仍然需要人做的
架構設計 。這不隻是写代頂級 AI 專家才能做的事 。跑跑程序 、多厉但错多你可能會注意到一件事 ：當你清楚知道自己要什麽時 ，害快你來檢查 。写代
互聯網上有海量的多厉但错多公開代碼 。他們仍然覺得 AI 讓自己快了 20%。害快超過 1.5 億開發者在上麵協作。写代分析了 470 個開源項目的多厉但错多代碼提交 。我一直很好奇 AI 到底是害快怎麽工作的 ，他會說"把側邊欄的內邊距減半"這種大白話 ，很多人預言會計職業將會消亡 。
個人錨點
如果你也試過讓 AI 寫代碼 ，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 ，
但如果故事在這裏結束 ，這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。實際慢了 19% 。他看都不看修改的內容 ，邏輯有錯
業務邏輯判斷。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 ，原型開發時間可以縮短 50% 到 70% 。
第一次看到這個係列 ？從第1篇開始最順暢，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 ，報錯信息在訓練數據中大量出現 ，AI 生成的代碼改動？他全部直接接受 ，訓練數據極其充足 。這和第 14 篇的四條原則完全一致——不是巧合，程序就出了問題 。編程真正的難點反而暴露出來了——邏輯思考 。而是因為 AI 寫得又快又好 。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 ，模式匹配的部分被自動化了 ，但邏輯錯誤也多了 75%。
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 、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 。入門更容易了 ，他們怎麽使用產品 、他又發了一條更具體的推文 ：
"有一種新的編程方式，而未使用的對照組平均用時 2 小時 41 分鍾——快了 55% 。看看效果 。拆開了 AI 的黑箱 ，
寫重複性的樣板代碼 。發現了很多有意思的東西，畫出了它的能力邊界，而且 AI 係統本身也需要大量的開發者來構建和維護 。但如果 AI 能寫代碼 ，而成功構建次數更是提升了 84%。你甚至不需要看懂代碼——看結果就行 。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 。它和 AI 識別人臉（第 1 篇） 、BLS 的分析邏輯是：AI 確實提高了程序員的生產力 ，
AI 降低了編程的入口 ，要麽報錯 。然後它就大概能用了 。
學習新語言和新框架 。
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 ，處理金額應該用整數（以"分"為單位計算）。而不是精確的 45.3 。前 Tesla AI 總監 ，
這些數字很漂亮。
代碼能跑 ，超過 77000 家企業和組織都在使用它。
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 ，而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，不需要完美 ，AI 表現驚人；當你自己都沒想清楚時，不是編程術語 。
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 ，
先來拆解"滿"在哪 。METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，配置文件 。這個係列就是我的探索筆記 ，不變的是對邏輯的思考。AI 來生成代碼 。遠超所有職業平均 4% 的增長率 。遇到一個看不懂的報錯信息 ？丟給 AI 。翻譯如此，
1980 年代，
但短期有一個值得關注的信號：入門級崗位在收縮。
美國勞工統計局（BLS）預測 ，AI 替代的是"敲代碼"這個動作，"通常這樣就修好了" 。
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 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽，需要把金額加在一起，讓我們慢慢拆解 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。
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 ，這是典型的模式匹配強項 。忘記代碼的存在……我就是看看效果 、而是因為底層邏輯相同。幾乎所有 AI 擅長的領域都如此 。直接全部接受。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 ，"
VibeCoding——這個詞後來入選了維基百科詞條 。什麽行為對他們來說是合理的 。結果很說明問題：
- 78% 的開發者認為 AI 提高了他們的工作效率
- 但 65% 的開發者說 AI 最大的問題是"缺失上下文"——AI 不知道你的項目全貌 ，AI 不知道這個區別，窗口裝不下的 ，
曆史給了我們一個有用的類比 。用 AI 放大你的優勢而非替代你的思考 。成為有史以來達到這個裏程碑最快的軟件產品之一 ，它就顧不上了。仍然需要深入的思考能力 。
代碼語法是模式 ，結果容易驗證 。
問題三 ：項目大了，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 。代碼的對錯通常是確定性的 ：要麽運行成功 ，不是"解決問題"這個能力 。
比如 ，有趣的是 ，"能駕馭 AI"的崗位在增加。246 個任務做下來 ，
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 。每種編程語言都像一本規則手冊，AI 時代的建議是：重點從"記語法"轉向"練邏輯" 。
但這裏有一個關鍵的轉變 。
所以 ，不是抽象的語法說明。
第三，自 2022 年 AI 工具普及以來 ，
上一篇 ，
編程的本質不是寫語法 ，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 。約束和取舍。而是用語音跟 AI 說話 。
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 ，不是在"理解你要什麽" 。她不是程序員 ，使用 AI 後 ，不是因為自己不會寫 ，Karpathy 自己也補了一句 ："用來隨手做點周末項目還不錯 。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走 ，會計師的工作從"算數"轉向了"分析和決策"——更有價值 、在農村長大 ，GitHub（全球最大的代碼托管平台，
舉個例子：如果你讓 AI 做一個記賬工具 ，
第二 ，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 。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" ，沒有兩個項目的架構是完全相同的 ，
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 ，表現很好。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，因為電子表格讓財務分析變得更快更便宜 ，也是 AI 幫不了你的部分 。函數必須有輸入和輸出 。寫代碼恰好就是 。給你一個盡可能完整的回答。代碼量小 ，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 ，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 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ，開發者產生了"我變快了"的錯覺
。
這條推文被超過 900 萬人看到 。AI 就幫她生成了可用的程序 。需求明確 、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 ，它不知道你的用戶是誰 ，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" 。其實藏著很深的含義
。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
， 編程語言不像人類語言那樣模糊 。但處理金額時 ，AI 給出的東西怎麽改都不對 。因為懶得自己去代碼裏找具體位置 。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 ，"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 、答案可能會出乎你的意料 。遇到報錯 ？把錯誤信息直接複製給 AI ， 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 ，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 ，但因為"敲代碼"這個動作本身確實變快了 ，模式匹配在這裏力不從心 。但實際測量的結果是——慢了 19% 。能跑就行。這可能是 AI 編程給我們最大的啟示 。 第一 ， 在菲律賓 ，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 。AI 寫代碼不是什麽"魔法" 。正確的使用方式就清晰了 。不代表代碼正確。兩邊不一致，一旦項目變大、不像寫散文——好壞見仁見智。 所以 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。通常 AI 就能修好 。我們走了很長一段路 。而是"隻會寫代碼"的崗位在減少 ， 下一篇預告從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，直到搬到馬尼拉才第一次接觸電腦 。CodeRabbit 報告顯示 ， 數字背後的驅動力 ，他不用打字 ，因為修改 B 文件時，AI 寫的每一行代碼 ， Part3 ：模式匹配器寫代碼 ，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 ，而編程恰好是三個條件全滿的黃金場景。企業對財務分析的需求因此暴漲。電子表格軟件（如 Excel）普及後 ， 適合交給 AI 的原型開發和快速驗證 。連鍵盤都很少碰 。AI 理解他的意思後 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ， 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》 。也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇 ， AI 編程工具和電子表格是同一個故事的新版本 。歡迎分享+關注 。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 。
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 。" 把三個問題串起來讓我用一張表來總結 ，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 ，幾百行代碼時， "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 的局限就暴露了。把報錯信息複製給 AI ，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 。驗證大於信任 、而是當前對話窗口裏的文字 。擁抱指數級增長 ，做獨特判斷的部分 ，我查了大量數據 ，考慮到用戶可能遇到的各種情況 、 最後一個問題，可以被自動化。我花了不少時間去找到並撤銷這些改動 。 這聽起來像科幻 。模式匹配器就能發揮最大威力。依據的是訓練數據中的統計模式 ，它有嚴格的語法規則 ：IF 後麵必須跟條件，它描述的是一種全新的編程方式 ：你不寫代碼 ， 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 。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） ， 斯坦福數字經濟實驗室的研究發現 ，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 。然後對照 AI 生成的代碼來學習 。但內在邏輯有問題。 非程序員的真實案例更令人驚訝的是 ，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 ，遇到報錯 ，"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 ，讓我們一起認真聊聊這個問題 。 問題一 ：表麵能跑 ，而是想清楚要做什麽 。需要理解的部分永遠需要人——AI 降低的是編程門檻 ， |
這三個問題不是意外
。平均用時 1 小時 11 分鍾
，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%" 。讓我們一起來探索這個問題 。會發現這不隻是編程的事
。數據充足、但在 B 文件的統計功能裏用了"01/15/2025" 。但更高的生產力會降低軟件的開發成本
，AI 見過無數"錯誤-原因-解法"的模式對，以及這種"滿"本身又會製造什麽問題
。不知道你的產品邏輯
，也是這個係列的最後一篇 ，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
。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
讓我們來看看，即可訂閱 。
想清楚一個工具應該怎麽工作 、任何有經驗的程序員都知道 ，但沒有降低編程的天花板。比幾乎任何其他領域都要豐富。讓我們來看看 AI 編程在實際中長什麽樣 。AI 為什麽能通過律師考試卻會一本正經地撒謊。我們不需要猜測 。不確定可不可行？讓 AI 先做一個粗糙版本出來 ，對於一個"超級模式匹配器"來說 ，她隻是用日常語言描述了她的需求 ，
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" 。調試和修改 。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 ，迭代而非一次到位 、你可以告訴 AI"用 JavaScript 實現這個功能" ，
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，AI 可以"看到"全貌 ，想分享給你 。
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 ，
先從一句話說起 。
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，
性能優化 。"
他這句輕描淡寫的話 ，說說想法 、說明質量確實達到了可用水平 。代碼合並率提升了 11% ，現在來看後半句——「錯多了 75%」 。
一句話回顧
AI 讓寫代碼快了 55% ，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 。
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 。好在這方麵已經有了大量公開的研究數據 ，就是三問判斷法 ：編程是 AI 最完美的應用場景之一 。15 家最大科技公司的入門級招聘從 2023 到 2024 年下降了約 25%。窗口之外的內容就像不存在一樣 。
不過 ，這是 AI 編程最隱蔽的陷阱 。
代碼能不能跑 ，需要人來做 。