匹夫無罪網害快了 ，但寫代碼有多厲錯多了
所以，写代
他們找了 16 名經驗豐富的多厉但错多開源開發者——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 。進而刺激更多的害快軟件需求——總體效果是需要更多而不是更少的開發者 。後續文章也會持續更新。写代
代碼能跑 ，多厉但错多它描述的害快是一種全新的編程方式 ：你不寫代碼 ，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 ，写代給你一個盡可能完整的多厉但错多回答。Qodo 的害快調查顯示 ，答案可能會出乎你的写代意料
。而未使用的多厉但错多對照組平均用時 2 小時 41 分鍾——快了 55% 。BLS 的害快分析邏輯是 ：AI 確實提高了程序員的生產力
，這就是写代 Karpathy 說的"周末項目"——快速試驗一個想法
，自 2022 年 AI 工具普及以來
，多厉但错多但邏輯錯誤也多了 75%。害快你不需要背誦 for循環的寫法——AI 會替你寫
。
讓我們來看看，結果是 ：
使用 AI 工具的開發者反而慢了 19% 。"
VibeCoding——這個詞後來入選了維基百科詞條 。反而大幅增長 ，給出了一個出人意料的答案 。"
他這句輕描淡寫的話，AI 的局限就暴露了 。而是用日常語言（中文或英文）告訴 AI 你想要什麽 ，
第二 ，
問題三 ：項目大了 ，"
這條推文被超過 900 萬人看到 。也是 AI 幫不了你的部分 。
先從一句話說起 。需求明確 、但處理金額時 ，軟件開發崗位到 2033 年將增長約 17% ，
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，
第三 ，會發生什麽 。要麽報錯 。而是因為 AI 寫得又快又好 。我們不需要猜測。
代碼語法是模式 ，他不用打字，這個係列就是我的探索筆記 ，讓代碼"跑得快"則需要理解計算機底層的工作方式 。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 ，這簡直是完美的工作對象 。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 。
仍然需要人做的
架構設計 。
問題一 ：表麵能跑 ，結果容易驗證。不像寫散文——好壞見仁見智。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 ，需要理解的部分永遠需要人 。需要人來做。而是想清楚要做什麽 。也是這個係列的最後一篇 ，不確定可不可行 ？讓 AI 先做一個粗糙版本出來 ，246 個任務做下來 ，
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 ，也更難被機器替代。
編程的本質不是寫語法 ，想分享給你 。不變的是對邏輯的思考 。
Part2：AI 編程到底能做到什麽——一起來看看
光說數據可能還不夠直觀。測試生成和代碼審查這些關鍵任務中 ，
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，遇到報錯？把錯誤信息直接複製給 AI ，以及這種"滿"本身又會製造什麽問題。浮點數會有精度誤差——15.1+30.2 在計算機裏可能等於 45.300000000000004 ，
為什麽？因為在大型真實項目中，
編程語言不像人類語言那樣模糊 。業界的經驗顯示 ，你可以告訴 AI"用 JavaScript 實現這個功能" ，
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，幾乎所有 AI 擅長的領域都如此 。
分界線在哪 ？就是三問判斷法。我稱之為'VibeCoding'（氛圍編程）——你完全跟著感覺走，學會了怎麽和它一起工作 ，AI 寫的每一行代碼 ，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 。
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，
美國勞工統計局（BLS）預測 ，依據的是訓練數據中的統計模式，"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、
代碼審查。那不會編程的人是不是也能"寫"代碼了 ？
今天，分析了 470 個開源項目的代碼提交。
一句話回顧
AI 讓寫代碼快了 55%，
如果你再仔細想想 ，
數字背後的驅動力，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 ，配置文件 。兩年後的 2025 年 2 月 ，它在 A 文件裏把日期格式定義為"2025-01-15"，模式極其明確 。編程真正的難點反而暴露出來了——邏輯思考 。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。但如果 AI 能寫代碼 ，
這聽起來像科幻 。然後輸出——但"最常見的模式"不等於"在你的具體場景中最正確的做法" 。
2025 年 7 月 ，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。窗口裝不下的 ，需要理解的部分永遠需要人——AI 降低的是編程門檻 ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。AI 生成的代碼改動 ？他全部直接接受 ，歡迎分享+關注。看看效果 。不是編程術語 。for 後麵必須跟循環變量 ，這是 AI 編程最隱蔽的陷阱 。而暴露出來的永遠是那個"真正需要人的思考"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 ，
修 bug 和理解報錯 。我查了大量數據 ，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 。但在 B 文件的統計功能裏用了"01/15/2025" 。這是典型的模式匹配強項 。
比如 ，
為什麽會這樣 ？用第 9 篇的知識來解釋 ：AI 是在"續寫代碼" ，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%。AI 可以"看到"全貌 ，報錯信息在訓練數據中大量出現 ，因為修改 B 文件時，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 ，
斯坦福數字經濟實驗室的研究發現，不代表代碼正確 。你來檢查 。它不知道你的用戶是誰 ，
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 。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 ，
AI 降低了編程的入口，模式匹配的部分被自動化了 ，發現了很多有意思的東西 ，
"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 ，翻譯如此 ，而上下文缺失導致的錯誤往往隱藏很深（代碼能跑 ，但實際測量的結果是——慢了 19% 。沒有你的業務全局視角（第 7 篇 ：續寫 vs 回憶）
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" 。
非程序員的真實案例
更令人驚訝的是 ，METR（一家 AI 安全研究機構）發布了一項嚴格的隨機對照實驗 ，你甚至不需要看懂代碼——看結果就行 。
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 、我花了不少時間去找到並撤銷這些改動。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 ，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 。AI 代碼中的安全漏洞數量是人類代碼的 1.5 倍 。
自己覺得快了 20% ，但沒有降低編程的天花板 。這不隻是頂級 AI 專家才能做的事。
上一篇 ，AI 理解他的意思後 ，訓練數據極其豐富 。
下一篇預告
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，驗證大於信任 、可以被自動化 。入門更容易了 ，他們怎麽使用產品 、AI 自動化掉的永遠是那個"模式匹配"的部分 ，主要級別的問題多了 1.7 倍
不過 ，企業對財務分析的需求因此暴漲 。模式匹配在這裏力不從心。有趣的是 ，他看都不看修改的內容 ，畫出了它的能力邊界 ，
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 ，
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 ，好在這方麵已經有了大量公開的研究數據 ，它就顧不上了。不是"解決問題"這個能力 。平均用時 1 小時 11 分鍾 ，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 ，需要把金額加在一起 ， 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 ， 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，複製粘貼一下 ，這可能是 AI 編程給我們最大的啟示 。一位名叫 Pablo 的女士用 Microsoft PowerApps 的 AI 功能 ， 個人錨點如果你也試過讓 AI 寫代碼，超過 77000 家企業和組織都在使用它 。 文章結尾留了一個懸念 ：寫代碼是 AI 最擅長的事之一 ，數據充足 、"通常這樣就修好了" 。而且這些代碼中 88% 被保留在了最終版本裏 ，在農村長大， 舉個例子 ：如果你讓 AI 做一個記賬工具，CodeRabbit 報告顯示 ，你來 。而不是對你業務的理解 。現在來看後半句——「錯多了 75%」 。連鍵盤都很少碰 。你有一個想法， 1980 年代 ，函數必須有輸入和輸出 。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 。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 ，甚至可能不在你給它的對話上下文裏 。什麽行為對他們來說是合理的 。AI 替代的是"敲代碼"這個動作 ，" 換句話說 ， 用第 7 篇和第 9 篇的知識來解釋 ：AI 在"續寫"代碼時，把報錯信息複製給 AI ，就是三問判斷法：編程是 AI 最完美的應用場景之一 。寫作如此，而是用語音跟 AI 說話 。它消滅的是"手敲代碼語法"這個動作 ，我一直很好奇 AI 到底是怎麽工作的 ，我們總結了四條和 AI 協作的原則——讓 AI 做它擅長的事、AI 見過無數"錯誤-原因-解法"的模式對，直接修改代碼文件 。實際慢了 19% 。幾百行代碼時 ，用 AI 放大你的優勢而非替代你的思考 。但讓"設計係統""判斷質量""理解需求"變得更加重要 。這些隱性成本抵消了（甚至超過了）AI 帶來的速度提升 。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，然後它就大概能用了 。他們仍然覺得 AI 讓自己快了 20%。說明質量確實達到了可用水平。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 ， 學習新語言和新框架 。但做的不是你想要的） 。代碼的對錯通常是確定性的 ：要麽運行成功 ，會發現這不隻是編程的事
。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》，調試和修改 。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" 。AI 生成的代碼需要大量的檢查 、但因為"敲代碼"這個動作本身確實變快了 ， 原型開發和快速驗證。 代碼能不能跑 ，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，當 AI 處理了語法層麵的事情後
，會遇到什麽問題 Part2 裏我們看到了標題的前半句——"快了 55%"
。讓我們來看看 AI 編程在實際中長什麽樣 。結果可驗證時 ，直到搬到馬尼拉才第一次接觸電腦 。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
。接口定義 、但更高的生產力會降低軟件的開發成本 ，任何有經驗的程序員都知道 ，得花好一會兒
。電子表格軟件（如 Excel）普及後
，這和第 14 篇的四條原則完全一致——不是巧合
， 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 ，而是因為底層邏輯相同 。跑跑程序、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。 先看長期趨勢：整體需求在增長。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 。 所以
，歡迎關注我，她不是程序員
，不是在"理解你要什麽" 。擁抱指數級增長 ，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） ， 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。讓我們一起來探索這個問題。考慮到用戶可能遇到的各種情況 、即可訂閱。一旦項目變大
、 這背後的道理，代碼合並率提升了 11% ，到 2025 年底估值達到約 90 億美元
。不知道你的產品邏輯 ，但要做好
，會計師的工作從"算數"轉向了"分析和決策"——更有價值、而是當前對話窗口裏的文字 。是業務問題 。"能駕馭 AI"的崗位在增加 。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，AI 表現驚人；當你自己都沒想清楚時，決定不同功能之間怎麽配合
、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 。連看都不看
。 曆史給了我們一個有用的類比 。GitHub（全球最大的代碼托管平台 ，一試便知 。需求變複雜 ，寫代碼恰好就是 。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，我們走了很長一段路。 這些數字很漂亮。說說想法
、能跑就行 。程序就出了問題。 性能優化 。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 ，也是最大的一個問題—— AI 會取代我們嗎 ？ 下一篇，AI 時代的好消息是：語法門檻確實大幅降低了 。但當項目增長到幾十個文件、 但這裏有一個關鍵的轉變
。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" ， "最熱門的編程語言是英語 。它就不完整了。AI 來實現 。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 ，代碼提交量提升了 8.69% ，Signal Fire 的報告顯示 ，它和 AI 識別人臉（第 1 篇）、 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，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，恰好在 AI 的能力範圍之內 。
互聯網上有海量的公開代碼。AI 給出的東西怎麽改都不對 。而是"隻會寫代碼"的崗位在減少，模式匹配器就能發揮最大威力。邏輯有錯 | AI 代碼邏輯錯誤高出 75% | AI 匹配最常見的代碼模式
，為自己的社區建了一個資源共享應用
。正確的使用方式就清晰了。而成功構建次數更是提升了 84% 。結果很說明問題：
|
這三個問題不是意外 。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，他在做一個他自己都不完全看懂的程序——但程序跑起來了 。遠超所有職業平均 4% 的增長率 。有四分之一的代碼庫幾乎完全由 AI 生成 。
這意味著什麽？不是程序員變少了 ，
第一，做獨特判斷的部分 ，成為有史以來達到這個裏程碑最快的軟件產品之一 ，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 ，遇到報錯 ，
AI 編程工具和電子表格是同一個故事的新版本 。AI 不知道你的用戶是誰、窗口之外的內容就像不存在一樣。在代碼重構、很多人預言會計職業將會消亡 。覺得不錯的話 ，
