软件团队中的 AI 使用模式
AI 辅助编程正在重塑软件团队的工作方式，带来更多 pull request、自动化变更和代理驱动的工作流——但许多工程师表示，速度提升往往伴随着更高的评审、调试和可维护性成本。评论者质疑来自 Linear 等工具的活动指标是否真正反映客户价值或 ROI，提出对数据使用和隐私的担忧，并争论当前 LLM 究竟能否产出真正“优秀”的代码，还是只能快速生成平均质量的输出，从而转移而非消除人类工作量。
开发者对 AI 编码工具的体验
- 多位发帖者表示，他们的工作流程已经变成了“LLM 写，人类读/清理”，随后是漫长的调试和清理阶段。
- 与前沿/专有模型相比，本地 LLM 被普遍认为不太令人满意。
- 有人声称，能够访问完整代码库、类型系统和测试的高级代理，在避免运行时错误方面可以与许多人类相当，甚至更好，尽管它们未必能避免 bug 或糟糕的设计。
- 也有人分享了成功案例：自主代理在数小时内反复进行插桩、测试并修复复杂的引擎代码，最终产出了视觉上正确的结果。
代码质量、“意图”与 LLM 的局限
- 一派认为，LLM 的根本优化目标是统计模式，因此在缺乏强人类意图和约束的情况下，它们很难生成“优秀”、可扩展、可维护的代码。
- 另一些人反驳说，“意图”只是一个优化目标集合；理论上，只要规格足够明确且算力足够，约束就可以在没有类人意图的情况下得到满足。
- 关于 LLM 是否真的会收敛到“统计平均值”，还是会近似更复杂的分布，双方存在分歧。
- 还有人认为，如果用户能够清晰表达精确意图并设置检查，代理就能产出高质量代码；而“vibe-coding”式提示只会产出垃圾。
对工作流、指标与 ROI 的影响
- 评论者指出，AI 在“如何构建”（编码、研究、架构指导机器人）方面的使用远多于“构建什么”，但这可能不会体现在 Linear 的指标中。
- AI 驱动的自动化可以绕过传统工单流程，可能降低像 Linear 这类工具的 UI 的重要性。
- 更容易进行的小修小补和清理工作，使得更多 pull request 似乎是合理的；但 PR 数量增加并不等于价值增加。
- 有几条评论批评文章所用指标是在衡量容易统计的东西（PR、使用量），而不是像客户满意度这类结果，而后者是 Linear 之类的工具无法观察到的。
- 关于 ROI 的讨论很多：许多人承认 AI 有帮助，但质疑这些收益是否值得大规模基础设施投入，以及价值究竟流向工具用户还是模型提供方。
数据收集与隐私担忧
- 有些人认为，产品使用数据被挖掘并公开化是不合适的，因为这些数据属于客户，而且可能泄露流程洞察。
- 另一些人则认为，汇总后的匿名统计无害，甚至比默默出售数据更可取，不过也有人指出了商业价值上的不对称。