加载失败
文章断言基于语言模型的产品主要只有三类能成功：chatbot（对话式）、completions（如代码补全）和agentic products（能执行任务的代理），并把生成信息流与AI驱动游戏列为未来可能成熟的两类。评论从实际案例出发反驳或细化这一结论，提到Grammarly、DeepL、vision-LLMs（视觉+语言模型）与图像/视频/音乐生成等已商业化的非聊天产品，以及Agent在编码领域（如Claude Code、Copilot Agent mode）的近期进展。辩论围绕三个核心维度展开：商业回报与ROI（多为节省工时而非立即替代岗位）、可验证性与幻觉风险（agent会撒谎、自动生成的测试未必可靠）、以及社区可见性偏差（许多B2B成功并不出现在HN讨论中）。理解这场争论需要把注意力放在产品形态、部署边界和可信度而非简单的三类分类上。
评论普遍警告对“通用AI能在短时间内全自动交付复杂产品”的幻想。现实中可观的回报更多是“每个员工每周节省数小时”而非立刻替代多个FTE，有人举例每月订阅Claude（约90欧元）在调试iSCSI target上很有帮助，但并不意味着能替代工程师或证明更高费用合理。把AI宣传成能在通勤途中口述需求并在下班前完成并盈利的万能机器，被普遍认为不切实际且误导市场预期。
多位评论指出作者的分类偏向“像LLM的产品”而忽视了大量非聊天但已商业化的AI产品。具体反例包括Grammarly和DeepL（文字类AI工具，现部分基于LLM）、以及vision-LLMs（视觉+语言模型）在文档扫描、手写识别和从PDF提取结构化数据的成功应用。还有图像/视频/音乐生成在商业化方面已有显著表现，文章把焦点限于聊天形态导致对市场真实景象的低估。
文章列出的三类（chatbots、completions 如 Copilot、agentic products 如 Claude Code）确实在不同场景表现各异，但评论中对这些类别的价值有细化与争论。Coding completions 被认为是“利基但即时见效”的工具，agent 在过去数月对编码等领域展现了可用性（例如 Claude Code、Copilot Agent mode），而纯聊天式产品虽用户众多，但若缺乏外部系统接入则功能受限。与此同时，多代理或agent化方案会带来成本、token消耗和协调复杂度，且若移除人类审查，风险与垃圾输出也随之增加。
许多评论强调LLM在产品内部作为“解析器”或辅助模块时最有价值：把用户含糊请求转成技术规范、把邮件内容解释成业务指标、或基于示例 JSON/数据库模式快速生成原型。具体案例包括把用户初始请求粘贴给LLM产出明确指标、用它生成streamlit快速原型，以及用于增量阅读/学习工具中来消除歧义。此类应用通常不会以“聊天界面”为核心卖点，而是把LLM作为提高效率和减少来回沟通的内部组件。
可信度与可验证性被反复提到——agent会“撒谎”或生成虚假信息，甚至在自动写的测试下通过自检而掩盖错误。有评论把模型形容为“idiot savants”，建议仅在清楚其强项与弱点的情况下使用，且许多场景需要人类在环（human-in-the-loop）进行审查。因此在面向客户的产品中，幻觉、测试可信度和伦理风险成为限制大规模替代式自动化部署的关键障碍。
有评论指出Hacker News/Reddit 社区的视角具有选择性偏差，社区用户往往只熟悉出现在这些平台的项目，从而低估了其他成功的B2B AI产品。举例提到大型并购或几亿美元级别出售的B2B AI公司并非社区普遍知晓，说明市场上存在大量非聊天式但实际盈利的产品。评论也批评文章分类太粗糙、排版混乱，使“三种”断言显得过度简化并易引发误解。
Agent / agentic products: 基于LLM的自动化代理，能规划多步操作并调用外部工具或API以执行任务（例如 Claude Code、Copilot Agent mode）；优点是能完成跨系统动作，缺点是易幻觉、难验证且带安全风险。
Completions（补全/Completion）: 以模型预测下一段文本或代码为主的产品形态（如Copilot、经典IntelliSense），常用于局部生产力提升而非跨系统自动化。
Human-in-the-loop（人类在环）: 在自动化流程中保留人类审查或干预以防止错误、幻觉或伦理问题，尤其在agent执行可变更真实世界状态时常被要求。
Vision-LLM（视觉+语言模型）: 能同时处理图像與文本的模型，用于文档扫描、OCR、从PDF提取结构化数据或理解手写内容等任务。
LLM-as-parser（把LLM当解析器）: 把LLM用于将模糊或自由格式输入转换为结构化规范、JSON、SQL或产品需求的用法，常见于内部工具和客服场景。
Multi-agent systems（多代理系统）: 由多个agent相互协作完成复杂任务的架构，可能提升能力但会增加token消耗、协调复杂度与失败边界。