为何我不使用大语言模型辅助编程

为何我不使用大语言模型辅助编程

基本信息

• 作者: ms7892
• 评分: 42
• 评论数: 33
• 链接: https://neilmadden.blog/2026/03/02/why-i-dont-use-llms-for-programming
• HN 讨论: https://news.ycombinator.com/item?id=47348475

导语

随着大语言模型（LLM）在编程领域的普及，作者却提出了一个反直觉的观点：在编程中并不依赖这些工具。文章探讨了过度依赖 LLM 可能带来的潜在风险，包括对代码质量的忽视以及对开发者核心能力的削弱。通过分析 LLM 的局限性，作者强调了保持独立思考和深入理解代码逻辑的重要性。阅读本文，你将获得关于如何在 AI 时代保持技术敏锐度的实用建议，以及平衡工具使用与能力提升的思考。

评论

以下是对文章《I don’t use LLMs for programming》（我不使用大模型进行编程）的深度评价。由于未提供原文全文，本评价基于该类文章通常涉及的核心论点（即“在LLM盛行的当下，为何坚持传统编程模式”）进行针对性的技术分析与行业探讨。

1. 中心观点

文章的核心观点是： 在当前的软件工程实践中，完全依赖或大量使用大语言模型（LLM）生成代码可能存在隐患，坚持传统的“手写代码”模式在维护成本、代码质量控制和深度理解系统逻辑方面仍具有不可替代的优势。

2. 支撑理由与边界条件

以下是对该观点的深入解构：

支撑理由：

1. 认知摩擦与黑盒问题

   • [事实陈述] LLM 生成代码的过程是基于概率预测的，而非逻辑推导。
   • [分析] 当开发者使用 LLM 生成复杂逻辑时，往往只获得了“结果”，而失去了对“路径”的掌控。如果代码运行出错或存在边缘情况，开发者如果不理解底层逻辑，调试成本将远高于手写代码。这被称为“认知负债”——你欠下了一笔需要在未来偿还的理解成本。
   • [你的推断] 文章可能强调，对于核心业务逻辑，必须由人类构建清晰的思维模型，而非让 AI 堆砌“看似正确”的代码块。

2. 技术债务的指数级增长

   • [作者观点] AI 生成的代码往往倾向于“能跑就行”，缺乏架构层面的前瞻性。
   • [分析] LLM 擅长生成样板代码，但在处理抽象层设计、接口定义的可扩展性时往往表现平庸。大量引入 AI 生成的代码会导致项目迅速充斥着过时的模式或冗余的依赖，形成难以维护的“大泥球”。
   • [案例] 比如在一个微服务架构中，AI 可能会为每个简单功能生成一个独立服务，却忽略了服务间通信的延迟与数据一致性问题。

3. 安全性与合规风险

   • [事实陈述] LLM 的训练数据包含大量存在漏洞的开源代码。
   • [分析] 直接使用 LLM 编程容易引入已知的安全漏洞（如 SQL 注入、XSS）或带有许可证争议的代码片段。在金融、医疗等强监管行业，这种不可追溯的代码来源是致命的。

反例/边界条件：

1. [反例] 简单的胶水代码与测试用例

   • 对于编写正则表达式、JSON 转换脚本、单元测试或配置文件等低创造性、高重复性的工作，LLM 的效率远超人工，且错误率极低。在这些场景下，不使用 LLM 反而是生产力的浪费。

2. [边界条件] 开发者的资历

   • 该观点主要适用于资深工程师或架构师。对于初学者，LLM 是极佳的学习辅助工具；但对于需要对系统稳定性负责的资深开发者，过度依赖 LLM 会导致技能退化（即“用进废退”）。

3. 维度评价

1. 内容深度

文章的深度在于它挑战了当前的“技术政治正确”。大多数媒体鼓吹 AI 提效，而该文章指出了**“隐性成本”**。它揭示了软件工程不仅仅是“写代码”，而是“管理复杂性”。如果论证中能详细区分“Copilot（副驾驶）”与“Autopilot（自动驾驶）”的区别，即辅助与替代的界限，其深度将更具说服力。

2. 实用价值

该文章具有极高的“纠偏”价值。它提醒管理者：不要单纯用 LOC（代码行数）或交付速度来衡量 AI 的价值。对于初创公司，快速用 AI 堆出 MVP 是可行的；但对于长线维护的产品，文章建议的“核心逻辑手写，边缘逻辑 AI 辅助”策略更具实际指导意义。

3. 创新性

提出了**“反向思考”**的视角。虽然“AI 代码质量差”不是新话题，但将其上升到“方法论”层面——即“拒绝 LLM 是一种保持代码洁癖和架构清晰度的手段”——具有一定的观念创新性。它重新定义了程序员的价值：从“代码编写者”转变为“逻辑审定者”。

4. 可读性

此类文章通常逻辑清晰，通过对比“AI 生成代码的速度”与“人类理解代码的时间”来建立论点。若文章使用了具体的 Debug 案例或架构图，其可读性和说服力会大幅提升。

5. 行业影响

这类文章是行业情绪的“冷却剂”。目前行业处于“AI FOMO（害怕错过）”的焦虑中，该观点有助于推动业界建立**“人机协作的伦理规范”**，促使工具厂商（如 GitHub, Google）更多地关注代码的可解释性和安全性，而不仅仅是生成速度。

6. 争议点或不同观点

• 效率 vs 质量： 拥护者认为“先跑起来，再优化”是互联网法则，拒绝 LLM 是低效的傲慢。
• 未来技能： 反对者认为未来编程语言就是自然语言，坚持手写代码就像坚持用汇编语言一样，是在对抗历史潮流。

4. 实际应用建议与验证

可验证的检查方式：

1. 调试时间对比实验：
   • 指标： 选取