LLM批评有理，但我仍在使用它们

在AI技术飞速发展的今天，大型语言模型（LLM）已成为开发者工具箱中的常客。然而，一个令人深思的现象正在技术社区中蔓延：许多开发者一边公开批评LLM的种种弊端，一边却无法离开它们。这种“认知失调”并非个例，而是广泛存在于从普通程序员到资深工程师的群体中。

近期在柏林举行的Local-First Conf上，这种矛盾表现得尤为明显。知名工程师、Flask框架创建者Armin Ronacher在演讲中展示了其新公司Earendil的产品Pi.dev——一个“开源编码代理工具”。然而，当被问及如何处理来自LLM的大量拉取请求（PR）时，他坦言公司几乎自动关闭了所有PR和问题。这位正在构建LLM工具的专家，自己却被LLM生成的代码洪流所困扰。更讽刺的是，Pi.dev的官方页面写着：“在一个冲向AI的世界里，我们相信人类是最好的代理。”这种自我矛盾令人深思。

会议现场的另一幕更加耐人寻味：当演讲者发表对LLM的尖锐批评时，台下响起了热烈的掌声。但与此同时，许多听众的屏幕上正开着Claude Code——Anthropic的编码助手。他们一边为批评鼓掌，一边依赖着被批评的工具。作者本人也承认，自己几乎同意所有对LLM的合理批评：版权问题、环境成本、伦理困境，以及围绕NVIDIA和OpenAI形成的资本泡沫。然而，他仍然每天使用LLM。

这种矛盾并非源于无知或固执。作者指出，LLM确实存在诸多问题：它们训练于大量受版权保护的资料，消耗巨大的能源，存在伦理争议，并且整个行业似乎陷入了资本驱动的狂热。这些批评都是站得住脚的，也是值得认真对待的。但问题在于，LLM在特定场景下提供的效率提升是实实在在的，尤其是对于需要快速原型验证、代码生成、文档编写和复杂问题探索的开发者而言。

作者分享了自己使用LLM的模式：首先，将LLM视为“超级实习生”，而非全能专家。它会给出初步的代码框架或思路，但最终的质量控制必须由人类完成。其次，LLM最适合处理那些“有标准答案”的任务，比如编写单元测试、生成样板代码或翻译文档。对于需要深度领域知识或创造性设计的任务，人类仍然不可替代。第三，使用LLM时，必须保持批判性思维，对输出进行严格审查，而不是盲目信任。

这种矛盾心态在社区中引发了广泛讨论。许多开发者表示，他们也有类似的感受：知道LLM不完美，甚至在某些方面有害，但无法忽视它在提升工作效率方面的价值。这种“认知失调”或许正是技术过渡期的典型特征——旧工具尚未被完全取代，新工具又带来了新的问题。

值得注意的是，这种矛盾并非消极的。它促使社区更深入地思考如何负责任地使用AI工具。一些开发者开始探索将LLM集成到工作流中的最佳实践，比如限制其使用范围、建立代码审查机制，以及关注开源替代方案。这种自我反思和批判性使用，或许正是避免被技术反噬的关键。

归根结底，LLM批评者的观点是正确的，但这并不意味着应该完全拒绝使用它们。正如一位与会者所说：“我们批评LLM，不是因为它们无用，而是因为它们太有用，以至于我们不得不警惕其副作用。”这种清醒的认知，加上对工具的合理运用，或许才是开发者面对AI浪潮时应有的态度。在技术不断演进的今天，保持批判性思维与实用主义的平衡，比盲目拥抱或彻底拒绝都更为重要。