加载失败
作者写到自己为 AI 驱动的地图产品 Wanderfugl 响应朋友的强烈反感，引发对西雅图技术圈态度的讨论。评论把焦点放在企业推动 Copilot/内部 AI 工具、用 AI 作裁员借口、以及 LLM（大型语言模型）在工程实践中的局限（如 hallucination、非确定性、上下文窗口限制）上。讨论同时承认 LLM 在快速原型、一次性工具与个人求助（例如旅行或调试）上的实际价值，但强烈指出管理强推、未伴随培训或维护计划会放大负效应。地域文化差异（西雅图以大厂员工居多、旧有职业路径被侵蚀；旧金山更偏创业/投机氛围）也被多次提及以解释不同反应。
资深工程师普遍认为 LLM 生成的代码在可读性、抽象与边界处理上常常不达标：出现大量重复代码、不做工具化抽取、对性能与极端输入处理存在明显缺陷（例如 ChatGPT 给出的 quicksort 在有序数据上可导致 O(n²) 并引发栈溢出）。评论里有大量具体例子说明 AI 适合做原型或抛砖引玉，但在需要长期维护、正确性或复杂算法的场景里会增加审查与返工成本。许多工程师把 LLM 当作“橡皮鸭式”助手或检索工具，而不是可直接投产的替代品。
大量评论描述公司高层将 AI 当作策略性杠杆：内部下发 Copilot 等产品、要求员工使用并监测使用量，有的公司甚至把 AI 使用率纳入考核或列出“不合格”名单。受访者指出，这类强制落地往往没有配套培训或允许工程师修复工具缺陷，且经常与裁员、成本削减的动机交织，因而引发强烈的职业不安全感与反感。受访工程师把这种做法视为短视或道德问题，而非技术层面的合理推动。
评论也普遍承认 LLM 在某些利基场景非常有用：快速生成 throwaway UI、数据探索可视化、为单人或小团队做原型，以及作为调试/研究的第一道筛选工具。有人举例用 Claude/ChatGPT 快速生成音频插件原型、用 LLM 在旅行或紧急情况里快速查找解决方案、或生成更新编码规范的迁移脚本，这些场景节省了数小时到数天。但多数回帖同时强调边界：当产物需长期维护或涉及大规模遗留系统时，AI 产物往往需要被重写或大量修复。
讨论出现明显的两类态度：对模型内部有较深理解的工程师更容易变得谨慎或悲观，而对内部机制不了解的管理者或非专业用户更容易被宏大叙事和演示打动。多条评论提到“beginners mind”（初学者心态）可以带来创造性实验，但也指出这种实验容易被夸大成对 AI 能力的神话化判断。评论者建议把好奇与严谨结合：既鼓励探索 AI 的新用例，也用工程师的标准去识别真实可行的边界和风险。
许多评论将对 AI 的敌意归结为更广泛的社会与经济焦虑：高层把 AI 视为降本裁员的借口、大规模基础设施投资由极少数受益者承担（带来能耗、内存短缺、设备涨价等外部性），而被替代员工则面临生计风险。讨论中不仅有对个人职业前景的担忧，还有关于再分配、UBI 或制度性补偿的提议，认为技术本身带来的收益需要更公平地分配。对这些结构性问题的愤怒经常超越对具体技术局限的争论，成为拒绝在产品里“盲用”AI的重要动因。
关于 AI 是否会催生大量“shovelware”（海量低质软件）评论分歧明显：有观点认为若自动生成代码真的那么容易，应看到应用商店和游戏市场里大量廉价产出，但现实数据并不一致（提交门槛、人工审核、分发渠道改变等因素影响可见性）。同时，某些垂直产品（例如行程规划/地图类）面临数据覆盖、API 成本与变现难题，单靠在界面上“加 AI”并不保证商业成功。部分评论还指出目前投资热点已经在为大量低质量创业“输血”，短期会出现噪音但长远能分化出真正成功的用例。
多条技术性评论强调 LLM 的固有限制：推理存在非确定性（同一 prompt 多次不同输出）、厂商通常不提供精确的随机种子或可复制的推理环境，且上下文窗口和模型对大型 mono-repo 的理解能力有限，这让“把 prompt 当源码/构建”的想法在工程上难以成立。评论还指出 LLM 在生成过程中不能随意回溯修改早期 token、难以实现跨多次迭代的自动重构，因而需要更多工具链、模型版本和约束来保证可重复性与维护性。这些技术细节直接影响到把 AI 当作长期生产力工具的可行性和成本估算。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6]
LLM（Large Language Model）: 大型语言模型：基于大规模文本/多模态数据训练的概率生成模型，擅长生成类人文本和模板化代码，但会出现 hallucination（捏造事实）、上下文窗口限制与非确定性输出。
agent / agentic AI: 能在多步流程中自主调用工具、追踪状态并完成任务的 AI 代理（agents），适合将大任务分解为短时段子任务，但成本、可控性与监管风险较高。
vibe‑coding（或 throwaway code）: 用 LLM 快速生成的临时或原型代码，侧重速度与可视化验证，而非长期可维护性，常被用于一时的数据探索或演示。
shovelware: 指大量低成本、低质量的软件产品以数量取胜的现象，通常是技术能快速生成内容时市场可能出现的产物。
hallucination（幻觉）: 模型输出听起来很可信但事实错误或捏造的内容，例如编造不存在的引用、接口或行为，是 LLM 在高可信度场景的核心风险。
推理非确定性（inference nondeterminism）: 同一 prompt 在不同时间或不同部署下产生不同输出的现象，影响可复现构建、测试与将 prompt 当作“源码”保存的实践。