LLMs 正在让我丧失技术精明
摘要
作者担心LLMs正削弱他们对动手编码和学习的热情,从而在软件开发中失去了精明。
暂无内容
查看缓存全文
缓存时间: 2026/08/29 21:38
# LLMs让我丧失了机敏性
来源:https://pgaleone.eu/ai/2026/08/29/losing-savviness/
我不知道发生了什么。我一直渴望解决问题并创造事物,但现在当我拥有了能加速整个设计开发流程的工具后……我却感到索然无味。
我再也感受不到构建的热情了,主要是因为我根本没有在构建。让他人代劳毫无手艺可言,写提示词也谈不上真正的思考或设计。工程与挑战荡然无存。只剩下:提示词、评估输出、调整、重复。这到底是怎么回事?有时我用它们来学习——但那是种截然不同的学习方式。就像阅读数学公式的概述或描述,却不加应用——相当无益。
我一直是个“创造者”——以自己的方式。我曾深入研究各种课题,耗费无数不眠之夜思考问题与解决方案。我体验过那种“绝妙主意”在无关活动中突然闪现的激动,然后冲回书桌记录并实现。那种感觉很棒——充满成就感,极具意义。我的大脑在思考,每次审视自己的创作都感到满足。或许这是五年计算机工程学习的结果,但我想不止于此,这是我一贯的做法,工程思维只是恰好契合。
多年来,我构建过各类软件:从机器学习库到网站开发工具,架设过网站,编写过无数Linux系统管理脚本,配置服务器,创建技术爱好者线上社区,设计数据库架构……还有更多——我沉醉于混合使用未知的语言和技术,只因实验的乐趣、学习的过程、自我挑战以及消遣时光。
如今,这一切似乎……消失了?我只需有个想法,让当前最热门的模型来实现——然后,哇,它就在那里。瞬间完成编写,且代码质量月月提升。如果我预先设定护栏、规则、技能和设计文档,模型生成的结果几乎与我手写无异(虽然不完全相同——但你懂我的意思)。当然,这仍取决于想法的规模与复杂度,但无论如何,快速原型制作的可能性虽好——却很糟糕?
需要澄清的是,没人强迫我在业余时间这样做。在工作中——且显然在整个企业技术领域——存在一种巨大的压力,要求使用这些工具以免“落后”。具体落后于什么?我相当确定,如果有人找到衡量软件开发生产力的真实指标,并综合考虑执行速度、技术债务、可维护性和成本——LLM将不会闪光,而不经思考(https://pgaleone.eu/ai/2026/08/29/losing-savviness/#fn:1)的引入和使用只会制造无尽的技术债务。
尽管如此,我发现自己仍在本地使用LLM,因为它们是工具。就像过去多年发现并使用任何其他工具和技术一样,我只是想使用并掌握它们。但这次使用过程确实无聊……幸运的是,在这个过程中,至少我在设置本地推理机器时找到了些乐趣。
### 意义何在?
意义从来不只是从A点到达B点。意义始终在于享受*从A点到B点的过程*,在此过程中学习新知并获得机敏性。
这正是核心问题:机敏性。而我正在失去它。
根据韦氏词典(https://www.merriam-webster.com/dictionary/savviness)的定义:
> **机敏性(savvy)**:拥有或表现出洞察力、理解力,尤其在实际问题上的精明。
机敏性对我来说是根本理念——在实践中学习。做,犯错,从错误中学习,重复,成长。
使用LLM时,每次出错我都学不到东西。我能发现错误是因为有些经验(幸好我34年前出生),我能指出错误并让LLM修正。
这里糟糕的是,LLM提供商会窃取我的机敏性来训练模型——这样我甚至再也见不到那些错误,也无法保持自己机敏性的训练。
### 所以……现在该怎么办?
我不知道。在使用LLM的过程中,我仍在学习新事物并获得乐趣——至少我设置了一台Linux机器用于本地推理,这部分很有趣。但这篇博文主要只是一次发泄,由人类撰写,将来会被某公司用于训练某个LLM,未来有人输入提示词时生成类似内容:“为因AI使用而感到无聊的软件工程师群体写一篇文章。不要出错”。
---
相似文章
LLMs正在侵蚀我的软件工程职业生涯,我不知如何是好
一位在金融和支付系统领域拥有10年经验的软件工程师反思了像ChatGPT和Claude这样的LLMs如何侵蚀他领域特定知识的价值,因为AI如今能够处理之前需要多年专业知识的复杂设计任务。
软件工程师:说正经的,你们真的从LLMs中有所收获吗?
一位软件工程师对使用本地LLM进行智能编码感到沮丧,指出诸如技术债务、忽略指令和过度生成代码等问题,质疑其有用性。
为了内容而内容
作者探讨了LLM如何影响编码和日常语言中的用词,发现LLM偏好的词汇在编程会话和Google Trends中出现的频率均有所增加,这引发了人们对人类开始采用LLM写作风格的担忧。
为什么我仍然是一个怀疑论者
作者对LLMs在软件开发中的有效性表示怀疑,指出缺乏关于生产力提升的独立研究以及AI生成代码的质量问题。
我与LLM共事的经验
一位具有编码背景的VP/PM分享了使用Claude Opus和Fable等LLM的实践经验,重点指出了模型在记忆、幻觉和原创性方面的局限,同时强调了人类直觉和领域专业知识不可替代的价值。