用 LLM 写代码三个月后，我发现自己正在失去'悟性'：一个老开发者的无聊与焦虑

原文来源：P. Galeone — 一个老开发者发现，用 LLM 写代码之后自己在失去"悟性"：犯错不再学习，构建不再有手艺感。

一位做了十几年开发的工程师（P. Galeone，写过 ML 库、搭过网站、管理过服务器、建过技术社区）最近写了一篇很坦诚的吐槽文。标题就很直白："LLMs are making me lose my savviness"——LLM 正在让我失去"悟性"。

无聊，比焦虑更可怕

他说自己现在很无聊。不是没事做的无聊，是"拥有了一个能加速整个设计和开发过程的工具之后"的无聊。

以前他是典型的 maker：研究一个主题可以花几个小时，熬夜想问题和解决方案，在完全不相干的活动里突然冒出"这是个好主意"的灵感，冲回书桌把它写下来实现。那种感觉是 rewarding 的——脑子在转，看到自己造出来的东西会满足。

现在呢？"有个想法，问一下当月最火的模型，它帮你实现了——Wow，它就在那里了。代码质量还逐月提高。"如果提前写好 guardrails、规则、技能、设计文档，模型生成的代码"跟我自己写的差不多"。

他用了"terrible"这个词来形容这种便利。问题不在工具，在于过程被压缩没了——没有构建的手艺（craft），没有真实的思考，写 prompt 不是工程设计。那句"这到底算什么？"（What the hell is this?）是整个文章的情绪核心。

—— 广告 ——

作者也承认，没人强迫他在业余时间这么干。但工作里——"整个企业科技圈都一样"——有巨大的压力让你用这些工具，以免"被落下"。

被什么落下？他追问了一句。然后给出自己的判断：如果真有一个严肃的软件开发效率指标，把执行速度、技术债务、可维护性、成本都算进去，LLM 未必会大放异彩；无脑使用只会制造源源不断的技术债。

这句话在 HN 评论区引发了不小的共鸣。有趣的是，赞同和反对的双方其实不矛盾：反对者说"我用 AI 写出了以前写不出的东西"，赞同者说"我花在修 AI 生成的烂代码上的时间更多了"。两种体验同时为真，取决于你用它替代了什么——替代的是"查文档"还是"理解问题"。

文章最锋利的部分是对 savvy 的定义。他引用了 Merriam-Webster：savvy = 对实际事务有感知力、理解力或精明，尤其是在实践层面。

对他而言，savvy 就是做中学：做，犯错，从错误里学习，重复，成长。

问题来了：用 LLM 的时候，每次出错误，他不学习。他之所以能发现错误，是因为过去积累的经验；发现之后让 LLM 修掉，流程结束。更让他脊背发凉的是后半句：

"LLM 提供商可以偷走我的 savvy 去训练他们的模型——所以我以后连这些错误都看不到了，我没法继续训练我的 savvy。"

这是个很刁钻的观察。你犯的错、你的修正、你的判断过程，都变成了训练数据流回模型。你的经验在贬值，因为别人正在把它商品化，然后以订阅费的形式卖还给你。连"从错误中学习"这条成长路径都在被算法接管。

必须说清楚：作者不是 Luddite。他花了不少篇幅讲自己搭了一台本地推理机器，"这部分特别好玩"。他也承认用 LLM 时还在学新东西、还有乐趣。整篇文章与其说是控诉，不如说是一个意识到"某样东西正在静默流失"的人试图把它说清楚。

流失的是什么？是构建过程中的那种不确定性带来的兴奋。结果导向的效率叙事里，过程本身没有价值——但你回头看自己最有成长感的那些年，恰恰是过程最笨拙、最不确定的时期。灵感不会在"等模型返回"的时候出现，它出现在你为一个问题耗到深夜、大脑后台还在运转的时刻。

对我们这些还天天写代码的人来说，这篇文章值得当成一个提醒，而不是一个结论：

用 LLM 之前先自己犯错。至少要能解释清楚模型给出的方案为什么对/为什么错。如果你只能复述模型的输出，那你不是在用它，是在被它用。
保留一部分"不优化"的领地。个人项目、学习项目、玩具项目，刻意不用 AI 完成一部分——那里是你训练 savvy 的地方，跟健身房一样，不练就萎缩。
警惕"效率"叙事里的隐藏账单。速度提升是真的，但技术债、理解断层、技能折旧也是真的。公司用"不要被落下"施压时，问问被落下的是什么、被谁落下、落下之后谁受益。

文章结尾有个很妙的自我指涉：他预感到这篇"人类写的吐槽"会被拿去训练某个模型，未来某个 LLM 会在收到"写一篇面向对 AI 使用感到无聊的软件工程师的文章，不要犯错"的 prompt 时，生成一篇和这篇差不多的东西。到时候，连"对 AI 感到无聊"这件事，也会变成 AI 可以生成的内容。

——这大概就是 savvy 流失最彻底的形态：你连自己的厌倦，都被拿去训练替代你的东西。