文章作者表达了对AI工具如GPT的复杂感受，虽然这些工具在某些特定任务上表现出色，如寻找精确词汇或修复简单代码错误，但在处理更复杂的问题时往往效果不佳。作者尝试使用这些工具后感到失望，认为它们无法替代自己的工作效率，甚至怀疑这些工具的实际应用价值。尽管AI技术发展迅速，作者仍感到自己的技能可能被淘汰，但同时也认识到这些工具的局限性。

标题：GPTs与落后感

每当我读到关于“用AI编程”的博客文章，或是看到新模型如何自动编写整个库的酷炫功能时，我总觉得自己落后了，仿佛错过了一个强大且有用的工具，而我的技能很快就要过时了。

于是，我尝试了各种模型和工具，但结果都令人失望。说实话，很难相信人们真的能用这些工具完成工作，因为我花了几个小时（甚至还没接近完成任务）后，发现我自己在25分钟内就能搞定。

我告诉自己：“学习使用Vim花了很长时间，但最终是值得的。”然而，我在第一天就能（慢慢地）用Vim写文本。而我在GPT上花了一整天，却什么有价值的东西都没产出。

GPT在找到一个句子中确切的词时表现不错。它们出奇地擅长为Python函数找到准确的类型注解。它们还能在我复制粘贴到GPT的单个函数中发现细微的错误。但除了编写简单函数之外，GPT总是生成无用的垃圾。很多时候，它们通过导入一个不存在的库来解决大问题，并调用一个处理大部分逻辑的函数。前几天，ChatGPT告诉我：“如果你不想依赖任何库，你得自己实现。”但它实际上无法实现必要的代码。大段代码中隐藏着许多逻辑错误，当它们修复一个错误时，又会引入另一个。

然后，我又在Hacker News上看到一篇帖子，讲述某人如何使用GPT并取得了巨大成果。我一部分想认为这些文章是为了制造噱头而编造的，但现实是，其中一些文章是由知名开发者撰写的，他们在业界已有十多年的经验。有些结果甚至可以在网上公开查看。

我处于一种无法将自己的结果与他人结果调和的状态。我听到人们说：“这把锤子坚不可摧。”但当我拿起它时，它只是折纸：用纸做的，复杂、精致、看起来很酷，但我甚至无法用它敲打一个番茄。

—— § ——

评论内容总结：

1. LLM的使用效果不稳定

   • PaulHoule指出，LLM有时能生成高质量的代码，有时则表现不佳，关键在于如何引导和修正。
     • "It works sometimes and fails other times."
     • "The code quality was just great, as good as if I wrote it, maybe better."
   • siscia也表示，虽然有时能生成有用的代码，但也会浪费时间在微调上。
     • "I did have some great luck producing quite useful and impactful code. But also lost time chasing tiny changes."

2. 学习曲线与提示技巧的重要性

   • calrain强调，使用LLM需要时间学习如何构建提示和引导AI，最终能生成远超个人能力的代码。
     • "It takes a while to learn using an LLM and get value from it."
     • "You will master it and be able to write secure, fast code far beyond what you could have done by yourself."
   • neom也提到，随着使用经验的增加，能够更好地预测和控制LLM的输出。
     • "How you prompt them really matters, and that takes time to learn."

3. 模型与工具的选择影响结果

   • dumbmrblah和CityOfThrowaway都认为，使用不同的模型和工具会带来截然不同的结果。
     • "You’re going to get vastly different responses if you’re using Opus versus 4o."
     • "Using Claude Code in your actual repo is insanely useful."
   • jtfrench指出，ChatGPT在编写复杂代码时表现不佳，而Gemini Pro 2.5则更为有效。
     • "ChatGPT is the worst for writing shippable code beyond a single function."

4. LLM在复杂项目中的局限性

   • 3vidence和Barrin92认为，LLM在处理大规模代码库或新技术时表现有限。
     • "LLMs / agents really do not seem adequate working on absolutely massive codebases."
     • "Can anybody show me their coding agent workflow on a 50k LOC C codebase?"
   • nurettin强调，LLM无法替代专业知识，生成的代码需要大量手动修正。
     • "AI assistance can’t really do what you can’t. Sure, you can force it, but the result will be a discardable mess."

5. LLM的实际应用价值

   • avalys和allenu分享了LLM在节省时间和生成原型代码方面的实际价值。
     • "It saved me from a bunch of tedious work that I don’t enjoy anyway."
     • "It saves so much time with boilerplate code that I would’ve had to type out by hand."
   • Ezhik提到，LLM生成的代码虽然不完美，但能帮助克服“空白页”问题。
     • "It’s much easier to trick myself into correcting the poor code Claude generates than it is to start writing code from a blank slate."

6. 对LLM的质疑与批评

   • dmezzetti和throwawa14223认为，LLM的实际价值被夸大，甚至可能带来负面效果。
     • "A lot of this is classic gaslighting."
     • "It isn’t zero value it is actually a negative value as the time it takes is an opportunity cost."
   • Barrin92质疑LLM在开源项目中的实际贡献，认为其能力被过度宣传。
     • "Why aren’t the AI geniuses fixing these? Nobody has ever any actual code to show."

7. 对LLM的积极态度与探索

   • zmmmmm和lsy建议，不要被FOMO驱动，而是根据兴趣探索LLM的潜力。
     • "Don’t go into with it with the expectation of 'Unless it vibe coded and entire working application for me on it’s a failure'."
     • "People shouldn’t worry about getting 'left behind' because influencers and bloggers are overindexing on specific tech."
   • andrewstuart对LLM的负面评价表示困惑，认为其实际价值被低估。
     • "So weird that people use these tools and think they essentially useless."

总结：评论中对LLM的使用效果、学习曲线、模型选择、复杂项目中的局限性、实际应用价值、质疑与批评以及积极态度等方面进行了广泛讨论。尽管LLM在某些场景下表现出色，但其效果不稳定，且需要专业知识进行修正。同时，不同模型和工具的选择对结果有显著影响，而LLM在复杂项目中的能力仍受到质疑。