我如何使用 AI(2026 年 10 月)

“现代 AI Agent 已经解决编程”的说法引发了激烈分歧:一些工程师从 Claude 和 Copilot 等工具中获得了巨大的生产力提升,另一些人则指出架构脆弱、细微 bug 频出,以及面向终端用户的软件质量整体正在变差。许多人认为 LLM 是很好的导师,也能加速常规编码和系统设计,但仍坚持人类判断、架构能力和谨慎审查不可或缺——尤其是在 Token 成本不断上升、且多 Agent 工作流令人精神疲惫的情况下。讨论还延伸到 AI 生成的音乐和视频:有人把它们视为合法的新创作工具,也有人认为它们只是空洞的垃圾内容,会侵蚀人类表达和训练数据质量。

AI 编程的现状(“编程已经被解决了”)

  • 有人认为,对于许多典型的软件任务,LLM 现在已经可以接收一个 Jira 工单并产出可合并的 PR,使得手工编码在很大程度上变得不再必要。
  • 也有人强烈反对“已经解决”这一说法:领域建模、架构、性能和长期可维护性仍然很难;LLM 擅长语法和样板代码,而不是深层设计。
  • 一些人指出,当项目结构良好、模式清晰时,模型表现很出色;而在混乱、自由形式或复杂的代码库中,它们的表现会更差。

Agent、工作流与疲劳

  • 一些人认为多 Agent 的“蜂群”像魔法一样提升生产力;另一些人则觉得它们昂贵、不稳定,而且让人精神疲惫。
  • 同时处理多个并发的 Agent 线程,被描述为比传统编码更令人过度兴奋、负荷更大。
  • 一个反向观点是:最前沿的实践者越来越依赖更少、对齐更好的 Agent,再配合强流程,而不是蜂群。

代码质量、审查与可靠性

  • 关于“隐蔽”错误和奇怪实现的报告(例如为了更新一行而复制整个数据库)凸显了人工审查、强测试和清晰规格的重要性。
  • 有人声称自己几乎不再读代码,而是依赖 Agent + 自动审查器 + QA 和回滚;也有人认为这种做法太冒进,并坚持认为审查生成代码仍然必不可少。
  • 人们对 AI 编写的代码是否已经比大多数人类开发者更好,还是只是更快地产生低质量“slop”,存在分歧。

经济性:Token、硬件与工作

  • 对于每月数千 Token 的高额消耗,有人认为在研究或快速产品开发中是值得的,也有人认为与其如此,不如购买本地 GPU 设备。
  • 许多人把 AI 看作强力放大器,而不是“抢工作”的工具:你仍然需要工程师来定义需求、验证结果并迭代。
  • 人们担忧程序员会“去技能化”,但也有乐观观点认为较弱的开发者会被拉升到更高的基线。

训练数据与长期质量

  • 一方担心随着越来越多 AI 生成内容充斥网络,模型训练质量会下降。
  • 另一方则反驳说,强化学习、合成数据和更好的流程可以让性能持续提升。

AI 用于艺术、音乐与视频

  • 关于这一点存在激烈争论:有人觉得 AI 音乐和图像毫无灵魂,本质上不算艺术;也有人认为艺术由人的意图和反应定义,AI 只是另一种工具。
  • 许多人鲜明地区分了对 AI 生成代码的热情,与对 AI 艺术和音乐的不适或敌意。
  • 文中举出了 AI 辅助短片和音乐的例子,称其为“真正”的创作作品,不过一些观众仍然感到那种诡异、又不像真正人类的质感。

AI 作为教师与研究辅助

  • 人们普遍强烈认同,LLM 非常适合学习以及深入研究复杂主题(例如能源政策),尤其是在它们能提供优质一手资料时。
  • 但信任仍然有限:大家强调必须核实说法,并把 AI 的解释当作起点,而不是权威。

软件质量与“泡沫”

  • 一些评论者指出,尽管有人声称 AI 已经“解决了”编程,但现代软件反而显得更加脆弱和有 bug。
  • 围绕 AI 到底是真正的生产力革命,还是另一场科技泡沫,也存在争论;有人看到的是稳步、不可否认的进步,另一些人则看到的主要是炒作以及产品质量的软性退化。