AI编程真实体验：开发者亲历的能力边界与正确用法

引言：AI疲劳已变成AI过载

每天打开社交媒体，铺天盖地的AI新闻让人喘不过气来。"Claude Opus 4.5来了"、"Gemini 2.5 Pro是最好的编程AI"、"AI将在12个月内编写所有代码"——这些标题轮番轰炸着每一位开发者的神经。

一位海外开发者博主在最新视频中坦言："这已经不是AI疲劳了，而是AI过载。"他分享了自己与AI编程工具长期相处的真实经历，揭示了被过度渲染的行业泡沫，以及真正有价值的使用方式。这篇文章将深入分析他的观点，帮助开发者建立更理性的AI编程认知。

CEO们的"强故事"：AI编程为什么被过度宣传

要理解当前AI编程工具的喧嚣，首先需要理解背后的商业逻辑。从Facebook证明小团队可以创造千倍回报开始，科技行业就进入了"讲故事换投资"的循环。如今的AI时代更是如此——数百家AI创业公司达到了惊人的估值，OpenAI在极短时间内成长为超高市值的公司。

这种估值逻辑并非首次出现。2000年互联网泡沫期间，大量公司凭借"讲故事"获得天价估值，随后泡沫破裂导致纳斯达克指数下跌近80%。当前AI领域的估值逻辑与彼时高度相似：以未来潜在市场规模为依据，忽视当前盈利能力。不同之处在于，今天的AI公司确实拥有可演示的技术产品，但从"技术可行"到"商业规模化盈利"之间仍存在巨大鸿沟。正因如此，这些公司需要不断吸引投资，而要做到这一点，就必须讲一个足够有说服力的故事。即使当前在亏损，也要让投资者相信这项技术未来会无比巨大。这就是为什么我们不断听到CEO们发表不切实际的预测："AI将在3-6个月内编写90%的代码"、"AI将比所有人都聪明"。

这些言论的市场影响力是真实的。DeepSeek发布后，NVIDIA市值单日蒸发近6000亿美元；OpenAI宣布AI浏览器时，Google股价数小时内暴跌数百亿——但当人们发现那只是一个带AI功能的Chromium浏览器后，股价又迅速恢复。每一个新工具、每一句CEO的话都能引发市场巨震，这正是炒作的动力来源。

开发者就业真相：问题不在AI，在于疫情泡沫

疫情期间的科技招聘泡沫

2020年3月至2023年5月的疫情期间，一切都转移到了线上。政府大量印钞，利率极低，投资者手握大量现金涌入科技股和创业公司。企业疯狂招聘，股价飞涨，所有人都认为科技行业会永远这样增长下去。

那段时间，每个人都在问开发者："我怎么学编程？"大学纷纷开设新的计算机科学项目来满足需求。但当疫情结束，人们回归正常生活后，增长放缓了。公司发现自己为一个没有到来的未来招了太多人，于是大规模裁员开始了。

招聘数据揭示的关键事实

博主用招聘数据揭示了一个关键事实：科技泡沫在疫情初期开始膨胀，2022年达到顶峰，随后大规模裁员开始——那时候ChatGPT还没有出现。到2023年底情况开始稳定。

更重要的是，2024年Cursor等AI编程工具流行时，招聘并没有崩溃；2025年Claude Code成为新趋势时，招聘实际上还在增长；2026年的职位发布比前一年多了约10%。

当前就业市场的困难主要源于供给过剩：疫情期间入学的学生已经毕业，大量自学开发者也进入了市场，导致一个小公司的职位都能收到海量申请。这不是AI替代程序员的问题，而是之前科技炒作的后遗症。

AI编程的真实能力边界

AI写代码不是魔法，局限非常明确

要理解AI编程工具的局限，首先需要了解其底层机制。当前主流的代码生成模型（如GPT-4、Claude、Gemini）本质上是在海量代码语料上训练的大语言模型，通过统计规律预测"下一个最可能的token"。这意味着它们擅长生成"看起来合理"的代码，而非"经过验证正确"的代码。模型无法真正执行代码、理解运行时状态，也无法感知你的具体业务约束——它的训练数据来自Stack Overflow、GitHub公开仓库、Reddit、技术博客和文档，这些数据的质量参差不齐，且存在大量过时内容。

博主指出了一个核心认知：AI不会神奇地理解你的代码或以最佳方式解决问题。它的主要目标是让应用"能跑"，而不是遵循最佳实践。在提示词中写"确保避免所有安全漏洞并遵循最佳实践"，或者编写数百行AI规则，并不意味着它真的会这样做。因为AI的输出是不可预测的。

Vibe Coding的真实恐怖案例

Vibe Coding是2025年由前OpenAI研究员Andrej Karpathy提出并迅速流行的编程范式，指开发者完全依赖AI生成代码，自己几乎不阅读或理解代码细节，只关注功能是否符合预期"感觉"。这种方式极大降低了编程门槛，但也带来了严重的代码质量隐患——当AI生成的代码出现安全漏洞或性能问题时，开发者往往毫无察觉。

博主列举了多个AI编程翻车案例：

• 用户邮箱和密码被暴露
• 盲目信任AI处理安全措施导致数据丢失
• Y Combinator CEO展示的"每天37行vibe coding"项目，被其他开发者揭露存在严重的AI slop——一个博客网站有7-8千行代码，首页下载6MB数据、发起169个请求，包含重复和未优化的图片，还加载了首页根本不用的控制器和富文本编辑器

网站能跑吗？能。但这绝不是开发者应该写代码的方式。

最危险的特性：自信地犯错

AI编程工具最危险的地方在于，即使它完全不知道自己在说什么，也会表现得非常自信。如果你缺乏相关知识，就会盲目相信并直接部署未经验证的代码。

博主分享了自己的亲身经历：在开发基于Kafka的Node.js微服务系统时，AI生成的代码"完全是灾难"。这并不令人意外——Apache Kafka是专为高吞吐量、低延迟实时数据管道设计的分布式消息流平台，其配置涉及分区策略、消费者组、偏移量管理、幂等性保证等大量专业概念，高度依赖具体业务场景。互联网上的通用示例代码往往无法直接适用，而AI恰恰只能基于这些通用示例生成代码——要么过时，要么错误。当找不到解决方案时，AI会陷入重复相同错误的循环，最后只会不停地向你道歉。

AI辅助开发的正确打开方式

AI编程真正擅长的场景

尽管有诸多局限，AI确实让很多开发任务变得更简单快捷：

• 讨论想法和学习新知识：与AI对话探讨开发话题，比在网上漫无目的地搜索高效得多
• 小任务的完美代码：避免重复做已经做过千百次的事情
• 编写测试：让编写单元测试变得更轻松有趣（但不能完全放手，否则AI会找到通过所有测试的"捷径"）
• Shell脚本：生成实用的自动化脚本
• 创意项目和快速原型：快速验证想法，降低试错成本

高效使用AI编程工具的实战规则

博主总结了几条经过实践验证的规则：

1. 不要盲目接受AI的第一个方案——做研究确认它确实是最佳方法
2. 不要让AI从零生成整个项目——自己初始化应用、创建文件结构、命名规范、样式方案并安装依赖，否则AI会不断引入过时或冲突的库版本
3. 持续追问AI的决策逻辑——"你为什么做这个决定？有什么替代方案？能比较一下这两种方案吗？