beyondstars

当时的人把树都砍了拿去炼钢，就像现在资本疯狂投资 AI 数据中心，把巨量的资源投入到这种低效的推理机器的训练和部署，有人说自己一天花几十，甚至上百 USD 的 token ，表示有订阅套餐这些根本不是事，颇为洋洋自得。但反过来恰好证明了 LLM 开发方式的低效。如果同样多的内容，用自己人脑生成，可能成本只有不到 1/10 。

软件开发方式一定会被革新，只是现在说这个事还太早了，现在的 AI 的幻觉和谄媚问题很严重，使得依赖于它的工作流本身是低效的，除非你原本做的东西也就是复制粘贴的活，适合用这种狗屁不通生成工具来生成。

就是大炼钢铁，写项目有点像炼钢，当时的人都低估炼钢的难度，就像现在的人都低估开发的难度，觉得现在的模型已经很强烈，只要烧足够多的 token ，什么都能做出来。

他们甚至能做出来 C 编译器编译 Linux ，但事实证明，这只不过是过拟合的产物，有点像是临摹，这个所谓的“编译器”代码里有很多 hard-coded 的玩意，根本不是真正意义上的编译器，只是一堆随机的代码：输入 Linux 的源代码树就恰好能输出 Linux 二进制。

这种一地鸡毛的案例还有很多，很多人都清楚自己快要失业，不如就做最后的疯狂，用 LLM 快速做出一堆幼稚的 demo ，然后只管生不管养，反正没人用，也不需要维护。

这个提问和前几天那个文科生 AI 军团刷 Slop PR 位列 GitHub“全球贡献者排行榜”有得一拼

不要 auto accept ，要手动 review 每一步 breaking change

AI 可以代替手臂但是不能代替脑子，硅脑不能代替人脑

接 #8 ，或者是，我会自己定义好 golang interface ，然后写好一个 function 的输入输出，少量注释，参数用 interface 类型而非具体的 struct/struct 指针，然后 prompt 里明确说要做什么，这样效果非常好。AI 是一头猛兽，得让它以可控的、可预测的、受约束的方式工作，而不是像无头苍蝇一样乱飞乱撞。

@catazshadow 所以我现在每次只让 AI 生成具体的、一小段的代码，比如一个函数/class/一小段逻辑、有限范围且目的明确的重构，改动范围最多一两个文件。然后每次生成后都会尽量 review 一下。无法理解那种一段话让 AI 生成一整个项目，然后还嫌代码生成不够快的想法。

好日子还在后头呢，以后就不是碳基同事的代码让你发疯了，是硅基同事的代码让你发疯，而且以 10x 、20x 于现在的速度生成。

我想不通，真有人把 CoT 输出的 token 当作自己的思考过程，把看到的 completion 当作自己已经学到、内化的内容？

“赛后大家交流的也都是谁家 AI 好用，没人关心解题思路什么的了。”，典型的买椟还珠了，解题思路才是关键，模型供应可能不稳定，模型能力也在变化。