加载失败
这篇讨论源自一家名为 Set Studio（一个以网页设计与前端为主的独立工作室）发布的自述：他们把“不会为 AI 产品做产品营销”作为道德底线，结果今年业务和教学课程流量大幅下滑。评论区从这个具体案例展开，分歧集中在两点：一是服务性公司是否应以市场需求为先（“adapt or die”），二是大规模训练 LLM（大型语言模型）所用数据的合法性、环保与社会后果。许多技术性讨论涉及 LLM 在代码生成、教学与原型方面的生产力、其局限（如需专业校验与上下文管理），以及行业如何通过技术整合、修补 AI 产物或转向难以被替代的细分市场来应对变局。
很多评论把工作室出于“道德”拒绝为 AI 产品做营销视为自伤式决策：作者说大量来询的都是和 AI 有关的项目，但他们都拒绝，导致业务量急剧下降。反对者认为服务型公司必须顺应客户需求，否则就是“adapt or die”，市场不会为原则买单；有人承认道德立场高尚但提醒公开宣称会对销售构成实质性伤害。也有评论指出，坚持原则可以理解，但要有心理与财务准备，否则应考虑调整商业模式或转向不会被市场迅速淘汰的细分服务。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6]
大量评论集中在模型训练数据的来源与版权问题：有人指出 GitHub、公共网页与社交媒体数据被用来训练模型，创作者未获授权或报酬，形同“被掠夺”的劳动力和内容。线程引用了实际数据集构成（如 Common Crawl、GitHub、维基等）和风格被直接复制的案例，呼吁对训练数据的合法性、归属与赔偿进行规范。反驳意见认为历史上“学习他人成果”并不新鲜，但反对者强调规模化、商业化吸取他人劳动并未经同意、且难以归属，是新的伦理与法律问题。
不少有经验的开发者报告 LLM（如 Claude、Gemini）在做样板代码、快速原型、生成 PoC、教学辅导上能大幅提速，某些人甚至宣称在熟练使用下能把开发时间缩短到过去的十分之一。评论反复强调前提：只有操作者事先具备足够专业知识、能拆解任务、写好架构和 prompt（提示词），并有校验输出的能力，LLM 产出才有用；否则“多数人手里就是垃圾产出”。对复杂交互、监管约束或企业级遗留系统，LLM 仍常表现欠佳，需要人工介入与严谨验证。
评论里普遍担忧初级岗位、网页前端与编程教育会被 AI 商品化：有人报告课程销量比 2015–2021 年骤降到不到 5%，另有观点指出基本的网页/前端工作逐渐成为“可由 AI 产生的标准产物”。因此短期会产生“修复 AI 产物”的新需求，但长期可能让初级入门岗位和培训市场萎缩、薪资承压。也有人指出并非所有岗位都会消失：对老旧系统（ERP、医疗、金融）深入理解与整合的工作短期内仍难被替代。
部分评论把当前 AI 投资视为由极少数资本推高的热潮或泡沫，类比 dot‑com、NFT、Pets.com 等历史事件，警告估值与承诺可能在资金或廉价算力消退时快速崩盘。怀疑论者指出许多 AI 产品靠免费/廉价云算力撑场，若“算力水龙头”收紧，AI 优先的公司将被冲击。与此相对，另有评论指出开源/开权重模型（open‑weight models）和社区方案能在一定程度上分散风险，并且若技术真有用处某些长期价值会留下。
讨论也涵盖实操建议：有人建议把精力放在“收入中心”而非“成本中心”，优先服务直接带来营收的客户或转向整合遗留系统、自动化集成等难被 AI 替代的领域；另有人建议提供“AI 辅助但人工把关”的产品线或为客户做“修 AI 产物/校验”服务以获取新收入。具体战术包括：推出包含 AI 选项的低价入口产品、把 LLM 当作学习/教练工具、专注不可被低成本复制的高端定制或小而美的自有产品。
LLM（Large Language Model， 大型语言模型）: 以海量文本（和有时的多模态数据）训练、能生成自然语言或代码的模型类别，例如 ChatGPT、Claude、Gemini。评论中讨论其在代码生成、教学、内容创作上的效率与误差、以及训练来源带来的版权/伦理问题。
提示词工程（prompt engineering / prompting）: 为让 LLM 给出期望结果而设计和迭代输入指令与上下文的技巧。许多评论指出提示词质量直接决定 LLM 输出是否可用，且需要配套分解任务、架构文档与校验机制。
训练数据 / 数据抓取（training data / dataset scraping）: 指训练模型所用的大规模语料（如 Common Crawl、GitHub、维基、社交媒体等）。评论频繁围绕未经作者同意的抓取是否构成著作权侵害、是否应当给予补偿或法律约束展开讨论。
vibe code / vibe‑coded: HN 社区常用的非正式术语，指用 AI 快速生成“看起来不错但质量或可维护性较低”的前端/产品（通常是表面精致、内部松散的产物）。许多人担心该类产物淹没市场并带来后续维护负担。
上下文窗口（context window）: LLM 在一次推理中能考虑的输入长度限制，影响模型对长文档或多轮任务的记忆与一致性。评论中提到通过分块任务和精心组织上下文来缓解窗口大小的限制。