问 HN：你在 GenAI 上的“卧槽”时刻是什么？

变革性的实际用例

• 许多人描述了那种“卧槽”时刻：GenAI 将原本需要数周/数月的工作压缩到了数小时内：
  • 重构大型代码库、迁移数据拓扑、移植应用（例如，PL/SQL → Django、Oracle Apex → 新技术栈、NES 模拟器 JS → Rust）。
  • 自动生成基础设施（Terraform/HCL、AWS 配置、多服务仪表盘）。
  • 通过 Ghidra 和相关工具对固件、专有协议和老旧硬件（音乐设备、打印机、钢琴、示波器、Firestick、测试设备）进行逆向工程。
  • 将成堆的法律/金融/技术 PDF 变成经过 OCR、翻译、标准化和摘要处理的输出。
  • 几乎完全通过 agent 构建端到端应用（Web、移动端、交易机器人、游戏模组、Git 客户端）。

编码与软件工程

• 热情很高：这些 agent 能阅读整个仓库、调试竞态条件、分析 diff 日志、反编译 VSIX/.NET、生成测试、进行代码审查，并维护复杂架构。
• 有些人把它们当作“初级开发者”，可以自主探索、重构，甚至创建辅助工具（活动追踪器、语义搜索）。
• 也有人觉得它们很令人沮丧：设计冗长或天真、缺乏大规模架构能力、在大型遗留代码库中维护脆弱，以及只会“刷覆盖率”的“AI slop” PR 和单元测试。

非技术和日常用途

• 经常出现的“哇”时刻来自：
  • 通过照片/视频和接线图诊断 HVAC、烘干机、炉子、锦鲤池水泵，以及汽车/空调问题。
  • 规划旅行、太阳能安装、家庭能源仪表盘、厨房建造、遗产文件，以及从房源照片出发进行类似房地产或验房风格的审查。
  • 在烹饪、绘画、数学、解剖学和与孩子一起做科学实验方面提供辅导。
  • 创意任务：带押韵/格律的诗歌翻译、写歌、艺术、播客、互动小说，以及风格化的房地产房源文案。

怀疑、局限与失败

• 有些人从未有过正面时刻；他们把 LLM 看作“花哨的自动补全”或玩具，无法回答“真正有趣”或新颖的问题。
• 反复出现的问题：
  • 幻觉出的 API、CLI 标志、PowerShell cmdlet、科学解释，以及小众领域分析（地球物理、遥感、专业数学）。
  • 对简单事实/逻辑问题的回答不一致；虽然低层代码写得不错，但在高层愿景和策略上却很吃力。
  • 有些模型似乎退步了（例如，后来的版本在方案设计上比早期版本更差）。

安全、伦理与滥用

• 担忧包括：
  • 危险建议（例如，涉及一氧化碳风险的炉子故障排查）。
  • 在没有专业人士参与的情况下用于法律和医疗；AI 聊天没有特权保护；法院已经开始看到 AI 生成的诉讼文件。
  • 能够武器化漏洞、生成许可证密钥、破解验证码、在游戏中作弊或删除数据库的 agent。
  • 大规模逆向工程和固件补丁，以及深度伪造色情、错误信息和难以追踪的“AI 死亡”的潜在风险。

对工作、学习与社会的影响

• 观点分裂：
  • 有些人感觉自己像“超级英雄”或“带团队的 CTO”，改变了他们思考问题的方式，并将注意力转向更高层的设计。
  • 另一些人担心技能退化、代码审查质量下降、初级开发者成长受阻，以及自己被取代或沦为“prompt jockeys”。
• 对炒作的争论：
  • 有人认为 GenAI 被过度承诺，正在把 Web 和工具“烂化”，推动不透明的数据中心扩张，并助长不理性的企业支出。
  • 反方则声称我们仍处于早期；能力分布参差不齐（有些方面极强，有些方面极差），而提示词与工具使用是一项真正的技能。

元话题：提示、工具与炒作周期

• 许多人指出：
  • 结果很大程度上取决于清晰的问题定义、良好的支架（编辑器、MCP/工具、CLAUDE.md 风格的说明），以及用于验证输出的领域专业知识。
  • 人们往往不擅长准确表达自己想要什么；有些人会带着偏见接触 AI，或者第一次失败后就放弃。
  • 炒作会产生交替出现的“哇”和“什么都没变”循环，让一些人疲惫不堪，但另一些人则不断尝试。