为什么我不会在编码中使用 LLM

程序员们对是否在编写代码时使用大语言模型(LLM)存在尖锐分歧:一些人报告了巨大的生产力提升、更好的测试覆盖率以及更快交付更多功能的能力,而另一些人则看到的是更有缺陷的软件、工艺性的流失,以及对问题解决技能的令人担忧的侵蚀。许多评论把 LLM 描述为一种强大但不可靠的“初级开发者”或电动工具,仍然需要强大的人类判断,尤其是在关键系统、可维护性和长期代码质量方面。在技术争论之下,还潜藏着更广泛的担忧:工作安全、技能退化、伦理、环境影响,以及雇主最终是否会把不使用 AI 视为不专业,甚至不负责任。

采用 vs. 拒绝

  • 很多评论者认为,拒绝在编码中使用 LLM,就等同于拒绝计算器或电动工具:作为爱好尚可,但越来越不适合有偿工作。
  • 也有人为放弃使用辩护,认为这是一种正当的个人选择,尤其是为了保留“手写”编程的乐趣和认知投入。
  • 还有几条评论指出,这种立场可能只在主流行业之外才可持续,因为雇主越来越期待 AI 辅助的工作流。

生产力、质量与测试

  • 有人强烈声称,LLM 能大幅提高产出:过去要几周才能完成的功能和重构,现在几天就能做完;以前搁置几个月的工单,现在很快关闭。
  • 一些人表示,他们会发布大量由 AI 编写的改动,几乎不阅读大部分代码,而是依靠单元测试、基准测试、监控和用户反馈作为质量代理。
  • 也有人反驳:测试无法覆盖未知的失败模式;有些性能或安全回退,只有通过阅读代码才发现。
  • 还有人认为,LLM 在编写和测试代码方面,已经比许多普通或初级工程师更强;也有人称这被夸大了,或只是“虚假的生产力”。

对技能、角色和学习的影响

  • 一个反复出现的担忧是:过度依赖代理的工程师会退化技能,变成“永远学不会东西的实习生管理者”。
  • 资深工程师常把 LLM 类比为速度快、永不疲倦的初级开发者:如果你已经知道质量关键点在哪里,以及如何审查,它们就很有用。
  • 还有人担心,指导初级工程师、构建深厚的人类专业能力的激励正在消失;行业可能会收敛到“尚可但更粗糙”的代码。

认知、情感与身份问题

  • 有些人怀念解决问题和打磨优雅代码所带来的满足感;AI 让人感觉像一种提升表现的药物,淡化了来之不易的技能价值。
  • 也有人觉得获得了解放:繁琐的样板代码和辅助工具变得可行,从而释放时间给设计、产品或工作之外的生活。

环境、伦理与公司层面的担忧

  • 批评者强调能耗、数据中心以及“让人不舒服”的 AI 供应商;有人认为,即使理论上能解决,伦理问题在今天仍未解决。
  • 反方观点是:几乎所有现代工具都有外部性;许多公司正在转向本地/开源模型,以满足合规和隐私要求。

细致 / 中间立场

  • 有几条评论主张采取分层使用:用 LLM 处理样板代码、测试、胶水代码和探索;核心、关键逻辑则手写或进行严格审查。
  • 普遍共识是,即使是重度 AI 用户,代码审查和人类判断仍然是必不可少的。