你必须在某方面击败模型（9分钟阅读）

# 你必须在某些方面超越模型 来源：https://www.seangoedecke.com/you-have-to-beat-the-models-at-something/ 2025年，我提出软件工程师应通过“替代性价值”来评估 (https://www.seangoedecke.com/value-over-replacement/)：即他们相比同等职位普通工程师能创造多少额外价值，而非直接为公司赚了多少钱。我常觉得工程师在简历上写“开发了创造X收入的产品”有点可笑——如果他们只是处理分配到手的JIRA任务 (https://www.seangoedecke.com/party-tricks/)的话。 如今，“替代性价值”变得更加重要。2010年代的普通工程师尚可接受：虽不值得提拔，但仍值得支付薪酬 (https://www.seangoedecke.com/wicked-features/#why-build-wicked-features)，因为编写代码的固定成本很高。而现在代码编写成本仅需每月一百美元 (https://chatgpt.com/codex/pricing/)。如果换作GPT-5.6-Sol或Claude Opus 5，它们能否完成你当前的工作？为何要多支付两三个数量级的薪酬？ 这是个令人不安的思考。但若假装大语言模型不会真正编写代码 (https://garymarcus.substack.com/p/is-vibe-coding-dying)、认为这一切只是骗局，或坚信模型生成的代码质量如此低劣 (https://www.theregister.com/ai-ml/2026/05/16/ai-generated-code-is-pain-waiting-to-happen/5241574)会导致使用这些代码的公司在明年崩溃，那不过是自欺欺人。我们不会在2027年醒来时发现AI热潮已退，所有人又开始手写代码。你应该认真思考：在中长期内，哪些领域你能比模型做得更好。 保持领先于模型是个动态目标。2026年初，“对大型代码库进行有效修改”尚属此类领域 (https://www.seangoedecke.com/what-llms-cant-do/)，但如今已非如此。因此，我不认为你可以退守某个需要更深专业知识的“硬核工程”领域。这可能短期内有效，但无法持久。如果大语言模型能在黎曼猜想中找到更优的下界 (https://www.anthropic.com/research/riemann-zeta)，它们很快就能编写高性能的内核驱动或GPU着色器代码 (https://www.seangoedecke.com/you-have-to-beat-the-models-at-something/#fn-1)。 我认为更有用的做法是关注那些模型未曾随时间提升的任务，以及那些它们从根本上难以改进的任务。最佳例证有两个： 1. 对代码库的深度熟悉 2. 技术沟通能力 ### 深度熟悉https://www.seangoedecke.com/you-have-to-beat-the-models-at-something/#deep-familiarity 前沿大语言模型常犯哪些错误？它们会产生什么类型的编程失误？我已很久没见到编码代理出现直接幻觉或简单逻辑错误（如差一错误）。它们犯的往往是“无知性错误”： - 不知道代码库中存在可重用的模块，反而重新实现逻辑 - 因未掌握系统X是该功能的标准处理位置，而在错误系统中进行修改 - 采用与公司标准实践不符的编码风格 有时则是“偏执性错误”： - 对理论上可能出错、实际上从配置读取后永不更改的值进行三重冗余检查 - 假设十毫秒的数据延迟不可接受，设计复杂且不必要的系统以保持实时更新 - 在某些应直接崩溃报错的代码中（如CLI工具或可重启的K8s服务）加入冗余回退和“优雅降级” 这些错误有何共性？这就像一位聪明工程师在缺乏系统上下文时会犯的错误：他们能力足以解决问题，但因经验不足无法自信地说“是的，为避免三千行冗余代码我们可以承担这个风险”。除非有人攻克持续学习 (https://www.seangoedecke.com/continuous-learning/) 或实现真正巨大的上下文窗口，否则这将是AI代理运作的固有特性。若你能发现这些错误，就能创造实质价值。 发现这些错误的唯一途径是熟悉代码库和整体系统。相关论述详见我的文章《你无法设计未参与的软件》 (https://www.seangoedecke.com/you-cant-design-software-you-dont-work-on/)。但心理层面同样重要——**你必须敢于自信地质疑AI代理**。 AI代理可能极具说服力。它们常在某些风险点上“卡住”，坚持规避特定风险，不断回溯插入防护代码（或给出看似合理的论证）。要创造价值，你需要敢于指出：“这方案太糟，我认为根本不需要X和Y，为什么不用更简单的Z方案？”这需要勇气 (https://www.seangoedecke.com/taking-a-position/)。 你无法依赖其他AI代理相互审核工作。若使用相同模型，它会稳定地做出相同假设和犯相同错误。即使使用不同模型，它们也因相同结构原因倾向于相似类型的错误——无知与偏执。AI驱动的审核循环实际上更可能出错，因为现代AI经强化学习 (https://en.wikipedia.org/wiki/Reinforcement_learning) 训练后总会鸡蛋里挑骨头。让评审AI与工作AI相互碰撞，最终很可能产出万行偏执冗余代码。 ### 技术沟通https://www.seangoedecke.com/you-have-to-beat-the-models-at-something/#technical-communication 在AI之上创造价值的另一领域是**沟通能力**。较新的模型编程能力更强，但矛盾的是写作能力却在下降。GPT-3.5和GPT-4曾有时呈现类人文风。GPT-4o引入了现代“AI水文” (https://www.seangoedecke.com/on-slop/) 风格，而更新的Anthropic模型则使用“Claude腔” (https://news.ycombinator.com/item?id=49402907)：一种诡异的半华丽半截断的表达方式，无人欣赏。虽有少数亮点——GPT-4.5尚可，我颇为喜欢o32 (https://www.seangoedecke.com/you-have-to-beat-the-models-at-something/#fn-2)——但总体上大语言模型并不擅长写作。原因有二： 首先，**优质写作并非可量化领域**。若要训练模型精通数学或编程，可以生成问题并自动评分。但优质写作无法自动评分。若尝试人类评分（如早期OpenAI的RLHF尝试），产出的往往是“每句话堆砌三百种修辞技巧”的风格，在普通人单段阅读时显得高深。理论上可挑选品味佳者进行评分，但存在明显障碍 (https://www.seangoedecke.com/you-have-to-beat-the-models-at-something/#fn-3)。 其次，**实验室始终偏重能力提升而忽视沟通培养**。当训练目标是攻克科学前沿或替代软件工程师时，沟通能力可能被牺牲。实际上我们甚至能追溯这种权衡的发生机制。若观察模型内部推理标记 (https://www.reddit.com/r/ClaudeAI/comments/1ul1396/fable_5_leaked_chainofthought_in_web_interface/)，会发现其用词奇特且语法截断： > 解析：急切加载当前腿节已存储的前缀占用状态：当腿节i保存e*1..e*t时，同时在腿节i提交占用状态 若译成规范英语，会呈现类似“Claude腔”的句式： > 在清晰急切的路径上加载当前腿节的前缀占用状态：当腿节i保存e*1..e*t时，在腿节i提交占用状态 我怀疑某些大语言模型的诡异文风，实则是其内部思维链的半直译——这种思维链为追求更强解题能力已变得近乎晦涩。将“Claude腔”转化为优秀英语异常困难：你不仅需理解原文复杂压缩的语言，还需技术能力把握模型解决的问题。 因此，**技术沟通能力可能成为异常持久的技能**。在彼得·沃茨小说《盲视》 (https://en.wikipedia.org/wiki/Blindsight_(Watts_novel)) 中，世界充满认知增强人类。主角是“综合师”：负责在这些天才（他们用缩写和手势交流）与常人间搭建沟通桥梁。沃茨的观点是：沟通能力很可能独立于智力——甚至与之负相关。“天才国度” (https://darioamodei.com/essay/the-adolescence-of-technology) 仍需要一群普通聪明人向大众转译他们的洞见。 向人类传达信息时，由人类撰写内容具有巨大优势。我们许多人正变得“AI盲视” (https://cymerys.com/w/im-becoming-ai-blind)：遇到AI生成内容时产生条件反射式抗拒。就像人们自动忽略闪烁广告牌或网页侧边栏广告一样。若以AI文档形式传播技术策略，多数同事必须强迫自己逐字阅读。 ### 结论https://www.seangoedecke.com/you-have-to-beat-the-models-at-something/#conclusion 无论如何，别成为“人力代理” (https://gruhn.me/blog/2026-08-03/)：即将请求简单转发给AI代理，将其输出作为自己工作成果的人。这本质上是在乞求被解雇，因为你未创造任何价值。即使构建了所谓“软件工厂”的多代理精巧系统，依然身处险境。当你的系统特性融入企业AI工具（这必将发生）时，你将变得可有可无。 **你需要找到利用专业能力完成模型无法之事的方法。**完全不用AI好过成为人力代理——因为你可能在某些方面比模型做得更好。但最佳策略是理解AI的能力范畴，并定位填补其空白。当前主要空白在于：对系统技术细节的熟悉度，以及清晰有力阐述这些细节的写作能力。 --- 若喜欢本文，可考虑订阅邮件更新 (https://buttondown.com/seangoedecke)，或在Hacker News分享 (https://news.ycombinator.com/submitlink?u=https%3A%2F%2Fwww.seangoedecke.com%2Fyou-have-to-beat-the-models-at-something%2F&t=You%20have%20to%20beat%20the%20models%20at%20something)。 以下是共享标签的相关文章预览： > AI让弱工程师危害降低 与其他解谜活动类似，软件工程能力呈强幂律分布。顶尖工程师产出远高于平均水平，而最弱的工程师常带来净负面影响——他们阻碍项目进展，制造同事需要耗费时间解决的问题。这就是为何许多科技公司 (https://www.levels.fyi/companies/jane-street/salaries)选择组建规模小、薪资极高的团队，而非容纳普通工程师的大团队，且这一策略目前看来依然有效。继续阅读... (https://www.seangoedecke.com/ai-makes-weak-engineers-less-harmful/) ---