这一年，我完全生活在 LLM 的包围圈中。无论是工作流还是日常生活，它已无处不在。

半年前，我曾在博客中告诫要“理性看待 LLM”，而如今它的进化速度远超预期。但在惊叹之余，我也观测到了一些荒诞的怪象。最近的一期播客恰好聊到了 LLM 与定义权，这场对话敲开了我的脑壳——那些观点与我的实际观测不谋而合。于是打开编辑器，整理记录当下的思考。

本人的使用

这一年，LLM 的生态从单纯的文字对话演化出了各式各样的 Agent 和 Skills；从蹩脚的修图进化到了令人惊艳的视频生成。

但我本人的代码编辑器依然维持在朴素的 Ask 模式（以 Claude 为主力）。我对 Agent 的使用极其克制，这并非排斥新事物，而是出于安全层面的零信任原则。Agent 索要的权限过大，它让入侵行为变得前所未有的简单——将所有钥匙交给 AI，本质上是在赌开发者的道德水平。虽然大多数人是善意的，但利用漏洞获利的群体永远存在。

就目前的体验而言，LLM 呈现出一种鲜明的遇强则强特质：

• 专家模式：当你能准确提供上下文和问题定义时，它是算法实现的顶级专家。
• 良师模式：以日常对话切入，即便上下文不足，它也是一位合格的知识向导。
• GIGO 模式：如果你输入的是毫无逻辑的噪声（Garbage In），它也会回馈给你一本正经的废话（Garbage Out）。工具救不了思维的懒惰者。

我一向相信：“如无必要，勿增实体”，甚至还在主动减少一些东西，让自己变得更加简单。

比如我正在主动“遗忘”那些琐碎的技术细节——配置文件的具体字段、生僻的语法糖。在没有 LLM 的年代，我们需要背诵这些死知识；而现在，这一切已无必要。将大脑从记忆的重负中释放出来，我才能更专注于架构与逻辑的验证。

观测样本：局部最优，全局崩塌

最近在评估一个项目时，本打算 Fork 后二次开发，但细读代码，越看越心惊。这是一个典型的逻辑精神分裂现场。

首先，在数据库内定义了两张表：

create table data (
    name text primary key,
    handle text text not null,
    createAt text not null,
    valid boolen not null
);

create table data_delete_record (
    name text primary key,
    handle text text not null,
    deleteAt text not null
);

其次，它在代码端对数据的操作是这样的：

new_data_sql = "insert into data(name, handle, createAt, valid) 
				values ('a', 'b', '0x...', true)";
query_data_sql = "select * from data where valid = 'true'";
delete_sql = "delete from data where ...;
			  insert into data_delete_record(name, handle, deleteAt) values ...";

当然，这些 sql 藏在 ORM 后面，并且散落在项目各个地方，综合起来就是这么个情况：

• 在数据库中设计了两套数据过期处理机制
• 查询时，依赖 valid = true 标记（机制 A），但并没修改痕迹
• 删除时，却不仅执行了物理删除，还将数据迁移到了 data_delete_record 表（机制 B）
• 最荒谬的是，整个项目没有任何地方会去查询这张 record 表

这意味着，在一个项目里，设计了两套左右脑互搏的数据过期机制：一套是软删除，毫无意义；另一套是硬删除加备份，同样毫无意义。更致命的是，ORM 层没有做事务处理，这些分步操作是在裸奔。

这种代码不像是出自一位资深一线工程师之手，反倒像是某种**上下文断裂（Context Fragmentation）**后的产物。

这揭示了 LLM 编程的一个致命弱点：缺乏全局一致性（Global Consistency）。

LLM 像是一个拿着显微镜写代码的工匠。如果你只看某一行代码，它是完美的：SQL 语法正确，变量命名规范，甚至贴心地加上了 valid 校验。它在每一个局部都做到了“概率上的最优”，但拼在一起却是一场全局灾难。

它在战术上极其勤奋，却在战略上表现得像个盲人。人类工程师的价值，正是在于从显微镜前退后一步，去把控那个被 AI 忽视的“全局”。面对这种逻辑破碎的遗迹，我最终决定重写而不是 Fork。

本质回归：警惕思维的熵增

这个糟糕的案例迫使我思考：LLM 到底给我们带来了什么？

本质上，LLM 带来的是对人类已有记录的极致拟合。它没有真理的概念，只有概率的计算。在已知数据的范围内，它的能力是专家级的，甚至超过了绝大多数人的终身成就。 但它的局限性也在此：它被困在“回归”的世界里。

这时候，我们需要重新审视语言对认知的锁定效应。

不要小看翻译的暗示性。Darwinism 在中文里长期被译为《进化论》，隐含了“由低级向高级”的进步主义预设。但更准确的译法应是《演化论》——它描述的是适应与变异，绝大部分变异甚至是副作用。

同理，当我们把 LLM 称为“人工智能（Intelligence）”时，我们潜意识里预设了它拥有智慧；但如果我们回归其本质——大型文字（语言）模型，你会清醒地意识到，它是一个文字接龙的高手，是对过去数据的总结。（ps： Language 在英文场景可以代表语言，但在中文场景，它似乎没法代表语言，只能说是文字，中文的表音和象形并不是一个概念）

人不能只活在“回归”的世界里。 那个世界只有回响，只有自我放大。

如果我们停止提供异常值（Outliers），停止用独特的个人风格去对抗算法，人类的文化库将变成一潭死水，最终甚至连 LLM 都没有新的数据可以用来训练——这在学术界被称为模型崩溃（Model Collapse）。近亲繁殖的数据，最终只能生出畸形的智慧。

观测世界

Transformer 架构的核心论文叫《Attention is all you need》。这句话对人类同样适用。

注意力是稀缺资源。如果你将注意力消耗在短视频算法构建的“信息茧房”里，你就是在被算法反向拟合。

我不使用短视频 APP，也很少在这个喧嚣的舆论场中消耗精力。当一个事件通过层层筛选传到我耳中时，通常意味着它已经具有了被观测的价值。

这个世界是真的很奇妙的，人类的科技线也很奇妙。世界于人类而言，止步于可观测范围，科学对人类而言，也是从可观测开始的：从观测到现象，到猜测原理，到可重复验证现象，确定原理的可行性和可靠性。整个过程必然存在大量的试错过程，因为任何人都不可能看到现象就能马上精准得到背后的原理。

拒绝犯错是不可能的，一直重复犯错也是不对的，结合上篇说的，犯错不可怕，不反思不总结不吸取教训才是可怕的。

反而，犯错才是真的找到正确的前提，无论是找到正确的问题，还是正确的结论，都需要犯错。

去做真实世界的观察员吧，那里有大量等待被发现的异常值，那是 LLM 永远无法生成的未来。

请登录后评论