为人而写

# 为人类而写 来源：https://newsletter.vickiboykis.com/archive/write-for-people 我最近注意到一件事：我已经没法再阅读和解析互联网上的 PR 标题与描述了。我不认为我是看不懂代码了，而是随着我们越来越多地自动生成解释性内容，而不是手动书写，以人类的身份浏览代码库正变成一种徒劳无功的事。 不只是我有这种感觉： image.png 我们已经不断淹没在技术行话中，其中很多是透过那些令人屏息的新闻标题呈现的，这些标题让我们因为五秒钟前还不知道这个术语而感到难受。 Token 只是构成单词和句子的字符组。完全智能体工作流只是模型在循环中调用外部工具而已。工具是模型可以调用的程序，比如 bash。(https://crawshaw.io/blog/programming-with-agents?utm_source=vicki&utm_medium=email&utm_campaign=write-for-people) 沙箱（理论上如此，最近实际上却未必）只是提供操作系统级隔离和安全性的计算环境。后训练只是将原本训练用于预测下一个 token（字符组）的原始模型，继续朝着特定目标进行训练的过程。目标就是人类的目标，比如摘要，或者解决数学问题。基于人类反馈的强化学习，就是让人类对模型的回答进行排序，并继续训练模型以产生最佳答案，从而对模型进行后训练。 某些行话对于同一领域、理解水平相同的人来说，是一种良好且必要的快捷方式。 但当机器为不同理解水平的人生成行话加长篇文字解释时，情况就开始变得棘手了。`升级依赖`是好的。大家都知道我们是在更新包。`作为持续维护实践的一部分，执行了计划中的依赖刷新；在依赖图（包括适用的传递依赖）上应用了次要版本和补丁级别的版本升级`是糟糕的。 你生成它的时候没读过，我读的时候也不会读。我们在生成形容词和副词，然后互相扔来扔去。这种输出是一个模型在整个技术互联网文档语料库上训练的结果，其训练目标是补全句子，而不是让人类理解。 我们应该追求简洁。如果我们做不到，可能是因为我们自己还没有足够理解问题，无法将其压缩。没关系。理解事情本来就难。命名也同样困难，原因相同。(https://vickiboykis.com/2023/06/29/naming-things/?utm_source=vicki&utm_medium=email&utm_campaign=write-for-people) 但命名应该稍微难一点。比如难 10%。我们应该比模型更累 (https://vickiboykis.com/2026/05/28/we-should-be-more-tired-than-the-model/?utm_source=vicki&utm_medium=email&utm_campaign=write-for-people)，或者至少不那么啰嗦。