引用 Andrew Kelley

Simon Willison's Blog 新闻
llm-detection ai-assisted-coding zig andrew-kelley open-source developer-ethics agentic-coding

摘要

Zig 语言的创造者 Andrew Kelley 认为，通过独特的错误和一种“数字气味”，可以检测出由大语言模型（LLM）辅助的贡献，他将其比作在非吸烟房屋中吸烟。

暂无内容
查看原文
查看缓存全文

缓存时间: 2026/05/08 06:59

# Andrew Kelley 的一段引言 来源：https://simonwillison.net/2026/Apr/30/andrew-kelley/ 2026 年 4 月 30 日 > 人们常有一个误解，认为我们无法分辨谁在使用大语言模型（LLM），谁没有。我确信在过去几个月里，我们并没有揪出 100% 借助 LLM 提交的拉取请求（PR），但人类犯错的类型与大语言模型的幻觉有着根本性的不同，这使得它们很容易被发现。此外，那些来自智能体编程（agentic coding）领域的人身上有一种特定的*数字气味*，这种气味他们自己往往察觉不到，但对于不使用此类技术的人来说却显而易见。这就像当一个吸烟者走进房间时，所有不吸烟的人立刻就能知道。我不是在劝你戒烟，但我是在告诉你不要在我家里吸烟。 ——Andrew Kelley（https://lobste.rs/s/ifcyr1/contributor_poker_zig_s_ai_ban#c_cbtxub），Zig 语言创作者

相似文章

不仅仅是X，更是Y

Hacker News Top

本文探讨了LLM的后训练（RLHF和RLVR）如何产生诸如否定平行结构之类的语言特征，并批评了使用AI检测工具（Grammarly、Pangram）的做法，这些工具迫使写作者为了避免被误判而模仿机器语言。

信任却未验证：大型语言模型来源评估中的认知盲区

arXiv cs.LG

这篇论文识别了大型语言模型（LLM）中的一个失败模式：在综合多个来源时，模型不会验证数值统计的有效性，而是依赖分析严谨性的文体标记。作者将此称为“认知对齐”（epistemic alignment），并表明该现象在多个模型和领域中持续存在，且抵制基于提示的缓解措施。

引用布莱恩·坎特里尔

Simon Willison's Blog

布莱恩·坎特里尔批评LLM缺乏人类懒惰带来的优化约束，认为LLM会不必要地使系统复杂化而非改进，并强调人类时间限制推动了高效抽象的发展。