所以我想大家现在都用 LLM 来思考了

原文 ↗ Hacker News 讨论 ↗

一篇反对在业余编码和“思考”工作中使用大型语言模型（LLM）的个人博客文章，引发了更广泛的争论：人们到底该把多少脑力劳动外包给 AI。评论者一方面将 LLM 在研究和软件工程中的真实生产力提升，与其总是自信地出错、让人把理解本身都外包出去的风险，以及 AI 研发和营销的伦理问题并置；另一方面也反对他们所认为的道德说教或“真实性信号”，认为个人项目中的工具选择应当仍然是个人偏好，而不是一种美德表演。

写作风格与大小写

  • 大量子讨论在辩论作者全小写的写作风格。
  • 有些人认为这是一种刻意的不拘礼节、效率优先，或“脑内倾倒”式的风格；也有人认为这对读者不尊重，并降低了扫读性。
  • 少数人认为可读性影响不大；也有人说任何细小的退化（不用大写、拼写错误、全大写）都会增加认知负担。
  • 有些人把不使用大写解读为一种“真实性”或反 AI 信号，并将其与傲慢或矫饰联系起来；也有人认为这是对一种长期存在的互联网风格过度解读。

LLM 作为工具 vs. 思考替代品

  • 许多人区分：
    • 把 LLM 用于研究、样板代码，以及逐行编码辅助（被视为强大且能提升生产力）。
    • 把“思考”和整个代码库都外包给 LLM（被视为会产出脆弱、低质量的工作，并增加审查负担）。
  • 不少人同意，对于个人/业余项目，亲自动手而不是交给 AI，可能更有趣，也更有教育意义，即使这样做效率更低。

可靠性、“自信但错误”的行为，以及模型质量

  • 多位评论者都在表达对 LLM 自信地出错的沮丧，尤其是在专门领域或语言中。
  • 也有人反驳说更新的“前沿”模型出错频率已经低得多，但仍然会幻觉；经验、提示技巧和工具被认为非常重要。
  • 对模型到底进步了多少，以及批评者是否在用过时或低端系统作判断，存在分歧。
  • 有人指出，即便最终答案很好，CoT 推理轨迹和工具调用常常看起来毫无意义，这引发了对信任、监控和安全的担忧。

工作、生产力与职业压力

  • 有些人觉得在工作中几乎被迫使用 LLM，才能保持竞争力，即使他们自己并不想这样做。
  • 有报告称，当同事把研究和低层级编码外包出去时，生产力大幅提升；但当整个系统都交给 agent 时，质量问题则很严重。
  • 有人担心过度依赖会让工作变成“数据标注”或监督角色，并可能加速被替代。

伦理、文化与语气

  • 一条讨论线批评大规模 AI capex 和营销制造出一种社会性的“垃圾信息”和类似邪教的炒作。
  • 也有人反击他们所认为的道德表态式“我不用 AI”帖子，这类帖子在规定别人该如何把业余时间花掉。
  • 还有不少人认为，对 AI 影响的有意义辩论，需要同时有重度和轻度使用 AI 的经验，而不是只站在一边。