GitHub Copilot有次数限制，windsurf感觉一般般，supermaven用起来倒是蛮不错，速度很快，但想知道还有没有其他更好用的。 1 个帖子 - 1 位参与者 阅读完整话题
目前可以正常调用。 提示 $10.000 / 1M tokens 补全 $50.000 / 1M tokens 1 个帖子 - 1 位参与者 阅读完整话题
devc++怎么补全啊，我按了enter没用，按了tab没用，我检查了coding辅助是打开的状态，且我还加上了main补全的snippets，这个dev是有点难用哈 3 个帖子 - 2 位参与者 阅读完整话题
idea 家自己的补全在 copilot 面前弱爆了。。。现在 copilot 又不能用，不知道各位佬们还有啥好用的插件推荐下不。。。
idea 家自己的补全在 copilot 面前弱爆了。。。现在 copilot 又不能用，不知道各位佬们还有啥好用的插件推荐下不。。。
idea 家自己的补全在 copilot 面前弱爆了。。。现在 copilot 又不能用，不知道各位佬们还有啥好用的插件推荐下不。。。
idea 家自己的补全在 copilot 面前弱爆了。。。现在 copilot 又不能用，不知道各位佬们还有啥好用的插件推荐下不。。。
idea 家自己的补全在 copilot 面前弱爆了。。。现在 copilot 又不能用，不知道各位佬们还有啥好用的插件推荐下不。。。
佬们，Copilot 现在是不是彻底拉了？ 刚出那会儿觉得补全挺好用，就开了 Pro，一直续到现在，也有好几年了。现在新的模型和工具越来越多，Copilot 用的越用越少了。今天突然想起来这个月的额度还一点没用，再不用明天就重置了，本着绝不能便宜了微软的心理，赶紧打开 vscode 看了一眼。结果模型老不说，上下文还小，更难受的是随便跑一下就提示触发频率限制了，要等一个半小时。一看额度，才用了 3%，肯定是蹬不完了，竟然被微软薅到羊毛了，赶紧退订。 顺带问下各位佬，有没有什么类似的代码补全工具能够替代啊。 8 个帖子 - 5 位参与者 阅读完整话题
idea家自己的补全在copilot面前弱爆了。。。现在copilot又不能用，不知道各位佬们还有啥好用的插件推荐下不。。。 1 个帖子 - 1 位参与者 阅读完整话题
最开始，AI 编程还处于相当早期的阶段，以tab自动补全为代表——比如 Cursor 和 Copilot，另一个是先跟 AI 聊天。然后把 AI 生成的代码复制粘贴到编辑器里面去。 后来出现了以 Aider 为代表的工具，能够直接编辑代码，省去了复制粘贴这一步。再后来，Claude Code 登场，第一次完成了真正意义上的闭环：修改代码，然后自动执行 lint、build、check、test 等命令，再根据编译器、语法检查器以及单元测试等各级测试给出的错误信息，来保证代码质量。这一步我认为是质的飞跃——在这样的闭环下，Agent 能把自己输出过程中可能的错误自动修正，避免人工介入。 最近我用着用着，又发现了另一层反馈：用一个全新的 Agent 来 review 当前的修改。无论是 CodeX 还是 Claude Code，都支持 Subagent。 所以我现在标准做法是：将任务分为“设计”和“实现”两个阶段。 设计阶段，先让 AI 出一个设计方案，自己大概看一遍，有需要改的地方让 AI 改，在键来了：让一个 subagent 去 review 一遍。这样能在动手实施之前，就把一些细节对齐。 实现阶段，在完成后，让 main agent 再调用一个 subagent 去 review。这往往能找出一些 edge case，或代码中容易忽略的问题——比如某些函数的注释仍然是旧的，或者有些测试用例没有覆盖到。这样一来，人工干预的量就减到了最少。 并且我会在 main agent 中指明，这个 sub agent 不能继承当前 agent 的对话内容，必须从一个空白的 context 开始。这样才能保持更独立的审查能力。 SKILL.md (点击箭头展开） (这个 skill 有一部分是针对 codex 特定的，用 CC 的让 CC 改一下就行) 我一般是配合 planning-with-files 这个 skills 使用。 （点击了解更多详细信息） 2 个帖子 - 2 位参与者 阅读完整话题
在 AI 把代码高亮和自动补全做到极致的今天，很多程序员朋友都在焦虑：我们是不是快被替代了？ 但如果你真正在日常开发中深度把 AI 当作“结对编程”的伙伴，你会发现一个很诡异的现象： 给它一个明确的架构和逻辑，它能 3 秒钟写出毫无 Bug 的复杂函数；但如果你把它丢在一个空荡荡的 Git 仓库前，对它说“写一个改变世界的开源项目”，它连一个字节都敲不出来。 今天想聊聊，为什么我认为 靠堆算力和大模型，AI 永远也达不到人类的思想。 一、 扁平的知识：AI 拥有所有答案，但没有一个“锚点” 大模型最唬人的地方在于它“无所不知”。从 Linux 内核的内存屏障，到某个小众前端框架的生命周期，它都能倒背如流。 但这种博学背后，藏着一个致命的弱点： AI 的知识是扁平的。 对 AI 来说，量子力学的公式、唐诗三百首、以及如何修补一个老旧系统里的 SQL 注入漏洞，在它的 Token 概率分布里，权重和本质是没有区别的。它是一片汪洋大海，但海面风平浪静，没有任何波澜。 它拥有所有的知识， 但它不知道怎么用，甚至不知道为什么要用。 当一个复杂的生产环境崩溃时，资深程序员往往能凭借一种说不清道不明的“直觉”，在几万行日志里瞬间锁定那个最可疑的配置项。这种直觉，是人类将知识内化后，形成的具备高低起伏的“认知重力场”。而 AI 没有这个场，它看着满屏的日志，如果没有你的 Prompt （提示词）去推它一把，它只会呆立原地。 它不知道该拿哪个、从哪下手、用哪个知识。 二、 没有疑惑，就问不出真正的问题 如果你仔细观察过 AI 的交互方式，你会发现它从来不会主动找你。 因为 AI 没有疑惑。 人类的学习和思考，往往是从“这不对劲”、“为什么会这样”开始的。 当我们写代码发现一个非预期行为时，我们会困惑，会去翻源码，会去假设、验证、推翻。这种“疑惑”的背后，是人类对世界秩序的追求。 科学界所有的重大突破，都不是因为谁手里有现成的完美答案，而是因为有人问出了一个前人没问过的荒诞问题。 而大模型是由数据和算力堆砌出来的概率预测机器。它只能在你输入问题后，计算出下一个最可能出现的单词是什么。它不具备“反思”的能力，更不会在半夜突然觉得某个技术方案不够优雅而翻来覆去睡不着。 一个不会产生疑惑的实体，是永远无法诞生独立思想的。 三、 想法是永远替代不了的 这就注定了在 AI 时代，程序员的生态位发生了一次彻底的洗牌。 以前，衡量一个程序员厉不厉害，看他能不能熟练背诵各种 API ，能不能手写红黑树，能不能连续加班卷代码量。在那个时代，人类在充当一个“低配版的大模型”。 现在，这些机械的、扁平的、拼熟练度的活，AI 能以人类一万倍的速度完成。这时候，人类最核心的价值反而被剥离了出来： 方向与想法。 AI 是一头力大无穷、通晓古今的巨兽，但它没有眼睛，也没有意志。没有方向和想法，AI 就不会动。 你现在写代码，更像是一个乐团的 指挥家 ，或者是工程项目的 总调度 。 你需要告诉它：“我们现在要解决高并发下的数据一致性问题，我打算用基于 Redis 的分布式锁，第一步你先帮我把基础骨架搭出来。” 只有当你给它注入了灵魂（想法）和轨道（方向）时，它那庞大的算力才能化为实质的产出。 写在最后：程序员的下半场 所以，不用去担心什么“AI 抢了程序员饭碗”的鬼话。 如果你的工作只是每天复制粘贴、机械地把业务需求翻译成代码，那确实危险。因为你在做的，正是 AI 最擅长的那部分“扁平化操作”。 但如果你是一个习惯于思考“为什么”、喜欢折腾架构、对世界充满好奇心的人，AI 非但替代不了你，反而会成为你手里最强的杠杆。 算力可以无限叠加，模型可以迭代万代，但 那个最初的“想去解决某个问题”的念头，那抹在空白屏幕前闪过的灵感，永远只属于人类。 调配它，指引它，然后用你的想法去重塑世界。这才是程序员在 AI 时代最酷的活法。
在 AI 把代码高亮和自动补全做到极致的今天，很多程序员朋友都在焦虑：我们是不是快被替代了？ 但如果你真正在日常开发中深度把 AI 当作“结对编程”的伙伴，你会发现一个很诡异的现象： 给它一个明确的架构和逻辑，它能 3 秒钟写出毫无 Bug 的复杂函数；但如果你把它丢在一个空荡荡的 Git 仓库前，对它说“写一个改变世界的开源项目”，它连一个字节都敲不出来。 今天想聊聊，为什么我认为 靠堆算力和大模型，AI 永远也达不到人类的思想。 一、 扁平的知识：AI 拥有所有答案，但没有一个“锚点” 大模型最唬人的地方在于它“无所不知”。从 Linux 内核的内存屏障，到某个小众前端框架的生命周期，它都能倒背如流。 但这种博学背后，藏着一个致命的弱点： AI 的知识是扁平的。 对 AI 来说，量子力学的公式、唐诗三百首、以及如何修补一个老旧系统里的 SQL 注入漏洞，在它的 Token 概率分布里，权重和本质是没有区别的。它是一片汪洋大海，但海面风平浪静，没有任何波澜。 它拥有所有的知识， 但它不知道怎么用，甚至不知道为什么要用。 当一个复杂的生产环境崩溃时，资深程序员往往能凭借一种说不清道不明的“直觉”，在几万行日志里瞬间锁定那个最可疑的配置项。这种直觉，是人类将知识内化后，形成的具备高低起伏的“认知重力场”。而 AI 没有这个场，它看着满屏的日志，如果没有你的 Prompt （提示词）去推它一把，它只会呆立原地。 它不知道该拿哪个、从哪下手、用哪个知识。 二、 没有疑惑，就问不出真正的问题 如果你仔细观察过 AI 的交互方式，你会发现它从来不会主动找你。 因为 AI 没有疑惑。 人类的学习和思考，往往是从“这不对劲”、“为什么会这样”开始的。 当我们写代码发现一个非预期行为时，我们会困惑，会去翻源码，会去假设、验证、推翻。这种“疑惑”的背后，是人类对世界秩序的追求。 科学界所有的重大突破，都不是因为谁手里有现成的完美答案，而是因为有人问出了一个前人没问过的荒诞问题。 而大模型是由数据和算力堆砌出来的概率预测机器。它只能在你输入问题后，计算出下一个最可能出现的单词是什么。它不具备“反思”的能力，更不会在半夜突然觉得某个技术方案不够优雅而翻来覆去睡不着。 一个不会产生疑惑的实体，是永远无法诞生独立思想的。 三、 想法是永远替代不了的 这就注定了在 AI 时代，程序员的生态位发生了一次彻底的洗牌。 以前，衡量一个程序员厉不厉害，看他能不能熟练背诵各种 API ，能不能手写红黑树，能不能连续加班卷代码量。在那个时代，人类在充当一个“低配版的大模型”。 现在，这些机械的、扁平的、拼熟练度的活，AI 能以人类一万倍的速度完成。这时候，人类最核心的价值反而被剥离了出来： 方向与想法。 AI 是一头力大无穷、通晓古今的巨兽，但它没有眼睛，也没有意志。没有方向和想法，AI 就不会动。 你现在写代码，更像是一个乐团的 指挥家 ，或者是工程项目的 总调度 。 你需要告诉它：“我们现在要解决高并发下的数据一致性问题，我打算用基于 Redis 的分布式锁，第一步你先帮我把基础骨架搭出来。” 只有当你给它注入了灵魂（想法）和轨道（方向）时，它那庞大的算力才能化为实质的产出。 写在最后：程序员的下半场 所以，不用去担心什么“AI 抢了程序员饭碗”的鬼话。 如果你的工作只是每天复制粘贴、机械地把业务需求翻译成代码，那确实危险。因为你在做的，正是 AI 最擅长的那部分“扁平化操作”。 但如果你是一个习惯于思考“为什么”、喜欢折腾架构、对世界充满好奇心的人，AI 非但替代不了你，反而会成为你手里最强的杠杆。 算力可以无限叠加，模型可以迭代万代，但 那个最初的“想去解决某个问题”的念头，那抹在空白屏幕前闪过的灵感，永远只属于人类。 调配它，指引它，然后用你的想法去重塑世界。这才是程序员在 AI 时代最酷的活法。
在 AI 把代码高亮和自动补全做到极致的今天，很多程序员朋友都在焦虑：我们是不是快被替代了？ 但如果你真正在日常开发中深度把 AI 当作“结对编程”的伙伴，你会发现一个很诡异的现象： 给它一个明确的架构和逻辑，它能 3 秒钟写出毫无 Bug 的复杂函数；但如果你把它丢在一个空荡荡的 Git 仓库前，对它说“写一个改变世界的开源项目”，它连一个字节都敲不出来。 今天想聊聊，为什么我认为 靠堆算力和大模型，AI 永远也达不到人类的思想。 一、 扁平的知识：AI 拥有所有答案，但没有一个“锚点” 大模型最唬人的地方在于它“无所不知”。从 Linux 内核的内存屏障，到某个小众前端框架的生命周期，它都能倒背如流。 但这种博学背后，藏着一个致命的弱点： AI 的知识是扁平的。 对 AI 来说，量子力学的公式、唐诗三百首、以及如何修补一个老旧系统里的 SQL 注入漏洞，在它的 Token 概率分布里，权重和本质是没有区别的。它是一片汪洋大海，但海面风平浪静，没有任何波澜。 它拥有所有的知识， 但它不知道怎么用，甚至不知道为什么要用。 当一个复杂的生产环境崩溃时，资深程序员往往能凭借一种说不清道不明的“直觉”，在几万行日志里瞬间锁定那个最可疑的配置项。这种直觉，是人类将知识内化后，形成的具备高低起伏的“认知重力场”。而 AI 没有这个场，它看着满屏的日志，如果没有你的 Prompt （提示词）去推它一把，它只会呆立原地。 它不知道该拿哪个、从哪下手、用哪个知识。 二、 没有疑惑，就问不出真正的问题 如果你仔细观察过 AI 的交互方式，你会发现它从来不会主动找你。 因为 AI 没有疑惑。 人类的学习和思考，往往是从“这不对劲”、“为什么会这样”开始的。 当我们写代码发现一个非预期行为时，我们会困惑，会去翻源码，会去假设、验证、推翻。这种“疑惑”的背后，是人类对世界秩序的追求。 科学界所有的重大突破，都不是因为谁手里有现成的完美答案，而是因为有人问出了一个前人没问过的荒诞问题。 而大模型是由数据和算力堆砌出来的概率预测机器。它只能在你输入问题后，计算出下一个最可能出现的单词是什么。它不具备“反思”的能力，更不会在半夜突然觉得某个技术方案不够优雅而翻来覆去睡不着。 一个不会产生疑惑的实体，是永远无法诞生独立思想的。 三、 想法是永远替代不了的 这就注定了在 AI 时代，程序员的生态位发生了一次彻底的洗牌。 以前，衡量一个程序员厉不厉害，看他能不能熟练背诵各种 API ，能不能手写红黑树，能不能连续加班卷代码量。在那个时代，人类在充当一个“低配版的大模型”。 现在，这些机械的、扁平的、拼熟练度的活，AI 能以人类一万倍的速度完成。这时候，人类最核心的价值反而被剥离了出来： 方向与想法。 AI 是一头力大无穷、通晓古今的巨兽，但它没有眼睛，也没有意志。没有方向和想法，AI 就不会动。 你现在写代码，更像是一个乐团的 指挥家 ，或者是工程项目的 总调度 。 你需要告诉它：“我们现在要解决高并发下的数据一致性问题，我打算用基于 Redis 的分布式锁，第一步你先帮我把基础骨架搭出来。” 只有当你给它注入了灵魂（想法）和轨道（方向）时，它那庞大的算力才能化为实质的产出。 写在最后：程序员的下半场 所以，不用去担心什么“AI 抢了程序员饭碗”的鬼话。 如果你的工作只是每天复制粘贴、机械地把业务需求翻译成代码，那确实危险。因为你在做的，正是 AI 最擅长的那部分“扁平化操作”。 但如果你是一个习惯于思考“为什么”、喜欢折腾架构、对世界充满好奇心的人，AI 非但替代不了你，反而会成为你手里最强的杠杆。 算力可以无限叠加，模型可以迭代万代，但 那个最初的“想去解决某个问题”的念头，那抹在空白屏幕前闪过的灵感，永远只属于人类。 调配它，指引它，然后用你的想法去重塑世界。这才是程序员在 AI 时代最酷的活法。
在 AI 把代码高亮和自动补全做到极致的今天，很多程序员朋友都在焦虑：我们是不是快被替代了？ 但如果你真正在日常开发中深度把 AI 当作“结对编程”的伙伴，你会发现一个很诡异的现象： 给它一个明确的架构和逻辑，它能 3 秒钟写出毫无 Bug 的复杂函数；但如果你把它丢在一个空荡荡的 Git 仓库前，对它说“写一个改变世界的开源项目”，它连一个字节都敲不出来。 今天想聊聊，为什么我认为 靠堆算力和大模型，AI 永远也达不到人类的思想。 一、 扁平的知识：AI 拥有所有答案，但没有一个“锚点” 大模型最唬人的地方在于它“无所不知”。从 Linux 内核的内存屏障，到某个小众前端框架的生命周期，它都能倒背如流。 但这种博学背后，藏着一个致命的弱点： AI 的知识是扁平的。 对 AI 来说，量子力学的公式、唐诗三百首、以及如何修补一个老旧系统里的 SQL 注入漏洞，在它的 Token 概率分布里，权重和本质是没有区别的。它是一片汪洋大海，但海面风平浪静，没有任何波澜。 它拥有所有的知识， 但它不知道怎么用，甚至不知道为什么要用。 当一个复杂的生产环境崩溃时，资深程序员往往能凭借一种说不清道不明的“直觉”，在几万行日志里瞬间锁定那个最可疑的配置项。这种直觉，是人类将知识内化后，形成的具备高低起伏的“认知重力场”。而 AI 没有这个场，它看着满屏的日志，如果没有你的 Prompt （提示词）去推它一把，它只会呆立原地。 它不知道该拿哪个、从哪下手、用哪个知识。 二、 没有疑惑，就问不出真正的问题 如果你仔细观察过 AI 的交互方式，你会发现它从来不会主动找你。 因为 AI 没有疑惑。 人类的学习和思考，往往是从“这不对劲”、“为什么会这样”开始的。 当我们写代码发现一个非预期行为时，我们会困惑，会去翻源码，会去假设、验证、推翻。这种“疑惑”的背后，是人类对世界秩序的追求。 科学界所有的重大突破，都不是因为谁手里有现成的完美答案，而是因为有人问出了一个前人没问过的荒诞问题。 而大模型是由数据和算力堆砌出来的概率预测机器。它只能在你输入问题后，计算出下一个最可能出现的单词是什么。它不具备“反思”的能力，更不会在半夜突然觉得某个技术方案不够优雅而翻来覆去睡不着。 一个不会产生疑惑的实体，是永远无法诞生独立思想的。 三、 想法是永远替代不了的 这就注定了在 AI 时代，程序员的生态位发生了一次彻底的洗牌。 以前，衡量一个程序员厉不厉害，看他能不能熟练背诵各种 API ，能不能手写红黑树，能不能连续加班卷代码量。在那个时代，人类在充当一个“低配版的大模型”。 现在，这些机械的、扁平的、拼熟练度的活，AI 能以人类一万倍的速度完成。这时候，人类最核心的价值反而被剥离了出来： 方向与想法。 AI 是一头力大无穷、通晓古今的巨兽，但它没有眼睛，也没有意志。没有方向和想法，AI 就不会动。 你现在写代码，更像是一个乐团的 指挥家 ，或者是工程项目的 总调度 。 你需要告诉它：“我们现在要解决高并发下的数据一致性问题，我打算用基于 Redis 的分布式锁，第一步你先帮我把基础骨架搭出来。” 只有当你给它注入了灵魂（想法）和轨道（方向）时，它那庞大的算力才能化为实质的产出。 写在最后：程序员的下半场 所以，不用去担心什么“AI 抢了程序员饭碗”的鬼话。 如果你的工作只是每天复制粘贴、机械地把业务需求翻译成代码，那确实危险。因为你在做的，正是 AI 最擅长的那部分“扁平化操作”。 但如果你是一个习惯于思考“为什么”、喜欢折腾架构、对世界充满好奇心的人，AI 非但替代不了你，反而会成为你手里最强的杠杆。 算力可以无限叠加，模型可以迭代万代，但 那个最初的“想去解决某个问题”的念头，那抹在空白屏幕前闪过的灵感，永远只属于人类。 调配它，指引它，然后用你的想法去重塑世界。这才是程序员在 AI 时代最酷的活法。
在 AI 把代码高亮和自动补全做到极致的今天，很多程序员朋友都在焦虑：我们是不是快被替代了？ 但如果你真正在日常开发中深度把 AI 当作“结对编程”的伙伴，你会发现一个很诡异的现象： 给它一个明确的架构和逻辑，它能 3 秒钟写出毫无 Bug 的复杂函数；但如果你把它丢在一个空荡荡的 Git 仓库前，对它说“写一个改变世界的开源项目”，它连一个字节都敲不出来。 今天想聊聊，为什么我认为 靠堆算力和大模型，AI 永远也达不到人类的思想。 一、 扁平的知识：AI 拥有所有答案，但没有一个“锚点” 大模型最唬人的地方在于它“无所不知”。从 Linux 内核的内存屏障，到某个小众前端框架的生命周期，它都能倒背如流。 但这种博学背后，藏着一个致命的弱点： AI 的知识是扁平的。 对 AI 来说，量子力学的公式、唐诗三百首、以及如何修补一个老旧系统里的 SQL 注入漏洞，在它的 Token 概率分布里，权重和本质是没有区别的。它是一片汪洋大海，但海面风平浪静，没有任何波澜。 它拥有所有的知识， 但它不知道怎么用，甚至不知道为什么要用。 当一个复杂的生产环境崩溃时，资深程序员往往能凭借一种说不清道不明的“直觉”，在几万行日志里瞬间锁定那个最可疑的配置项。这种直觉，是人类将知识内化后，形成的具备高低起伏的“认知重力场”。而 AI 没有这个场，它看着满屏的日志，如果没有你的 Prompt （提示词）去推它一把，它只会呆立原地。 它不知道该拿哪个、从哪下手、用哪个知识。 二、 没有疑惑，就问不出真正的问题 如果你仔细观察过 AI 的交互方式，你会发现它从来不会主动找你。 因为 AI 没有疑惑。 人类的学习和思考，往往是从“这不对劲”、“为什么会这样”开始的。 当我们写代码发现一个非预期行为时，我们会困惑，会去翻源码，会去假设、验证、推翻。这种“疑惑”的背后，是人类对世界秩序的追求。 科学界所有的重大突破，都不是因为谁手里有现成的完美答案，而是因为有人问出了一个前人没问过的荒诞问题。 而大模型是由数据和算力堆砌出来的概率预测机器。它只能在你输入问题后，计算出下一个最可能出现的单词是什么。它不具备“反思”的能力，更不会在半夜突然觉得某个技术方案不够优雅而翻来覆去睡不着。 一个不会产生疑惑的实体，是永远无法诞生独立思想的。 三、 想法是永远替代不了的 这就注定了在 AI 时代，程序员的生态位发生了一次彻底的洗牌。 以前，衡量一个程序员厉不厉害，看他能不能熟练背诵各种 API ，能不能手写红黑树，能不能连续加班卷代码量。在那个时代，人类在充当一个“低配版的大模型”。 现在，这些机械的、扁平的、拼熟练度的活，AI 能以人类一万倍的速度完成。这时候，人类最核心的价值反而被剥离了出来： 方向与想法。 AI 是一头力大无穷、通晓古今的巨兽，但它没有眼睛，也没有意志。没有方向和想法，AI 就不会动。 你现在写代码，更像是一个乐团的 指挥家 ，或者是工程项目的 总调度 。 你需要告诉它：“我们现在要解决高并发下的数据一致性问题，我打算用基于 Redis 的分布式锁，第一步你先帮我把基础骨架搭出来。” 只有当你给它注入了灵魂（想法）和轨道（方向）时，它那庞大的算力才能化为实质的产出。 写在最后：程序员的下半场 所以，不用去担心什么“AI 抢了程序员饭碗”的鬼话。 如果你的工作只是每天复制粘贴、机械地把业务需求翻译成代码，那确实危险。因为你在做的，正是 AI 最擅长的那部分“扁平化操作”。 但如果你是一个习惯于思考“为什么”、喜欢折腾架构、对世界充满好奇心的人，AI 非但替代不了你，反而会成为你手里最强的杠杆。 算力可以无限叠加，模型可以迭代万代，但 那个最初的“想去解决某个问题”的念头，那抹在空白屏幕前闪过的灵感，永远只属于人类。 调配它，指引它，然后用你的想法去重塑世界。这才是程序员在 AI 时代最酷的活法。
在 AI 把代码高亮和自动补全做到极致的今天，很多程序员朋友都在焦虑：我们是不是快被替代了？ 但如果你真正在日常开发中深度把 AI 当作“结对编程”的伙伴，你会发现一个很诡异的现象： 给它一个明确的架构和逻辑，它能 3 秒钟写出毫无 Bug 的复杂函数；但如果你把它丢在一个空荡荡的 Git 仓库前，对它说“写一个改变世界的开源项目”，它连一个字节都敲不出来。 今天想聊聊，为什么我认为 靠堆算力和大模型，AI 永远也达不到人类的思想。 一、 扁平的知识：AI 拥有所有答案，但没有一个“锚点” 大模型最唬人的地方在于它“无所不知”。从 Linux 内核的内存屏障，到某个小众前端框架的生命周期，它都能倒背如流。 但这种博学背后，藏着一个致命的弱点： AI 的知识是扁平的。 对 AI 来说，量子力学的公式、唐诗三百首、以及如何修补一个老旧系统里的 SQL 注入漏洞，在它的 Token 概率分布里，权重和本质是没有区别的。它是一片汪洋大海，但海面风平浪静，没有任何波澜。 它拥有所有的知识， 但它不知道怎么用，甚至不知道为什么要用。 当一个复杂的生产环境崩溃时，资深程序员往往能凭借一种说不清道不明的“直觉”，在几万行日志里瞬间锁定那个最可疑的配置项。这种直觉，是人类将知识内化后，形成的具备高低起伏的“认知重力场”。而 AI 没有这个场，它看着满屏的日志，如果没有你的 Prompt （提示词）去推它一把，它只会呆立原地。 它不知道该拿哪个、从哪下手、用哪个知识。 二、 没有疑惑，就问不出真正的问题 如果你仔细观察过 AI 的交互方式，你会发现它从来不会主动找你。 因为 AI 没有疑惑。 人类的学习和思考，往往是从“这不对劲”、“为什么会这样”开始的。 当我们写代码发现一个非预期行为时，我们会困惑，会去翻源码，会去假设、验证、推翻。这种“疑惑”的背后，是人类对世界秩序的追求。 科学界所有的重大突破，都不是因为谁手里有现成的完美答案，而是因为有人问出了一个前人没问过的荒诞问题。 而大模型是由数据和算力堆砌出来的概率预测机器。它只能在你输入问题后，计算出下一个最可能出现的单词是什么。它不具备“反思”的能力，更不会在半夜突然觉得某个技术方案不够优雅而翻来覆去睡不着。 一个不会产生疑惑的实体，是永远无法诞生独立思想的。 三、 想法是永远替代不了的 这就注定了在 AI 时代，程序员的生态位发生了一次彻底的洗牌。 以前，衡量一个程序员厉不厉害，看他能不能熟练背诵各种 API ，能不能手写红黑树，能不能连续加班卷代码量。在那个时代，人类在充当一个“低配版的大模型”。 现在，这些机械的、扁平的、拼熟练度的活，AI 能以人类一万倍的速度完成。这时候，人类最核心的价值反而被剥离了出来： 方向与想法。 AI 是一头力大无穷、通晓古今的巨兽，但它没有眼睛，也没有意志。没有方向和想法，AI 就不会动。 你现在写代码，更像是一个乐团的 指挥家 ，或者是工程项目的 总调度 。 你需要告诉它：“我们现在要解决高并发下的数据一致性问题，我打算用基于 Redis 的分布式锁，第一步你先帮我把基础骨架搭出来。” 只有当你给它注入了灵魂（想法）和轨道（方向）时，它那庞大的算力才能化为实质的产出。 写在最后：程序员的下半场 所以，不用去担心什么“AI 抢了程序员饭碗”的鬼话。 如果你的工作只是每天复制粘贴、机械地把业务需求翻译成代码，那确实危险。因为你在做的，正是 AI 最擅长的那部分“扁平化操作”。 但如果你是一个习惯于思考“为什么”、喜欢折腾架构、对世界充满好奇心的人，AI 非但替代不了你，反而会成为你手里最强的杠杆。 算力可以无限叠加，模型可以迭代万代，但 那个最初的“想去解决某个问题”的念头，那抹在空白屏幕前闪过的灵感，永远只属于人类。 调配它，指引它，然后用你的想法去重塑世界。这才是程序员在 AI 时代最酷的活法。
在 AI 把代码高亮和自动补全做到极致的今天，很多程序员朋友都在焦虑：我们是不是快被替代了？ 但如果你真正在日常开发中深度把 AI 当作“结对编程”的伙伴，你会发现一个很诡异的现象： 给它一个明确的架构和逻辑，它能 3 秒钟写出毫无 Bug 的复杂函数；但如果你把它丢在一个空荡荡的 Git 仓库前，对它说“写一个改变世界的开源项目”，它连一个字节都敲不出来。 今天想聊聊，为什么我认为 靠堆算力和大模型，AI 永远也达不到人类的思想。 一、 扁平的知识：AI 拥有所有答案，但没有一个“锚点” 大模型最唬人的地方在于它“无所不知”。从 Linux 内核的内存屏障，到某个小众前端框架的生命周期，它都能倒背如流。 但这种博学背后，藏着一个致命的弱点： AI 的知识是扁平的。 对 AI 来说，量子力学的公式、唐诗三百首、以及如何修补一个老旧系统里的 SQL 注入漏洞，在它的 Token 概率分布里，权重和本质是没有区别的。它是一片汪洋大海，但海面风平浪静，没有任何波澜。 它拥有所有的知识， 但它不知道怎么用，甚至不知道为什么要用。 当一个复杂的生产环境崩溃时，资深程序员往往能凭借一种说不清道不明的“直觉”，在几万行日志里瞬间锁定那个最可疑的配置项。这种直觉，是人类将知识内化后，形成的具备高低起伏的“认知重力场”。而 AI 没有这个场，它看着满屏的日志，如果没有你的 Prompt （提示词）去推它一把，它只会呆立原地。 它不知道该拿哪个、从哪下手、用哪个知识。 二、 没有疑惑，就问不出真正的问题 如果你仔细观察过 AI 的交互方式，你会发现它从来不会主动找你。 因为 AI 没有疑惑。 人类的学习和思考，往往是从“这不对劲”、“为什么会这样”开始的。 当我们写代码发现一个非预期行为时，我们会困惑，会去翻源码，会去假设、验证、推翻。这种“疑惑”的背后，是人类对世界秩序的追求。 科学界所有的重大突破，都不是因为谁手里有现成的完美答案，而是因为有人问出了一个前人没问过的荒诞问题。 而大模型是由数据和算力堆砌出来的概率预测机器。它只能在你输入问题后，计算出下一个最可能出现的单词是什么。它不具备“反思”的能力，更不会在半夜突然觉得某个技术方案不够优雅而翻来覆去睡不着。 一个不会产生疑惑的实体，是永远无法诞生独立思想的。 三、 想法是永远替代不了的 这就注定了在 AI 时代，程序员的生态位发生了一次彻底的洗牌。 以前，衡量一个程序员厉不厉害，看他能不能熟练背诵各种 API ，能不能手写红黑树，能不能连续加班卷代码量。在那个时代，人类在充当一个“低配版的大模型”。 现在，这些机械的、扁平的、拼熟练度的活，AI 能以人类一万倍的速度完成。这时候，人类最核心的价值反而被剥离了出来： 方向与想法。 AI 是一头力大无穷、通晓古今的巨兽，但它没有眼睛，也没有意志。没有方向和想法，AI 就不会动。 你现在写代码，更像是一个乐团的 指挥家 ，或者是工程项目的 总调度 。 你需要告诉它：“我们现在要解决高并发下的数据一致性问题，我打算用基于 Redis 的分布式锁，第一步你先帮我把基础骨架搭出来。” 只有当你给它注入了灵魂（想法）和轨道（方向）时，它那庞大的算力才能化为实质的产出。 写在最后：程序员的下半场 所以，不用去担心什么“AI 抢了程序员饭碗”的鬼话。 如果你的工作只是每天复制粘贴、机械地把业务需求翻译成代码，那确实危险。因为你在做的，正是 AI 最擅长的那部分“扁平化操作”。 但如果你是一个习惯于思考“为什么”、喜欢折腾架构、对世界充满好奇心的人，AI 非但替代不了你，反而会成为你手里最强的杠杆。 算力可以无限叠加，模型可以迭代万代，但 那个最初的“想去解决某个问题”的念头，那抹在空白屏幕前闪过的灵感，永远只属于人类。 调配它，指引它，然后用你的想法去重塑世界。这才是程序员在 AI 时代最酷的活法。
在 AI 把代码高亮和自动补全做到极致的今天，很多程序员朋友都在焦虑：我们是不是快被替代了？ 但如果你真正在日常开发中深度把 AI 当作“结对编程”的伙伴，你会发现一个很诡异的现象： 给它一个明确的架构和逻辑，它能 3 秒钟写出毫无 Bug 的复杂函数；但如果你把它丢在一个空荡荡的 Git 仓库前，对它说“写一个改变世界的开源项目”，它连一个字节都敲不出来。 今天想聊聊，为什么我认为 靠堆算力和大模型，AI 永远也达不到人类的思想。 一、 扁平的知识：AI 拥有所有答案，但没有一个“锚点” 大模型最唬人的地方在于它“无所不知”。从 Linux 内核的内存屏障，到某个小众前端框架的生命周期，它都能倒背如流。 但这种博学背后，藏着一个致命的弱点： AI 的知识是扁平的。 对 AI 来说，量子力学的公式、唐诗三百首、以及如何修补一个老旧系统里的 SQL 注入漏洞，在它的 Token 概率分布里，权重和本质是没有区别的。它是一片汪洋大海，但海面风平浪静，没有任何波澜。 它拥有所有的知识， 但它不知道怎么用，甚至不知道为什么要用。 当一个复杂的生产环境崩溃时，资深程序员往往能凭借一种说不清道不明的“直觉”，在几万行日志里瞬间锁定那个最可疑的配置项。这种直觉，是人类将知识内化后，形成的具备高低起伏的“认知重力场”。而 AI 没有这个场，它看着满屏的日志，如果没有你的 Prompt （提示词）去推它一把，它只会呆立原地。 它不知道该拿哪个、从哪下手、用哪个知识。 二、 没有疑惑，就问不出真正的问题 如果你仔细观察过 AI 的交互方式，你会发现它从来不会主动找你。 因为 AI 没有疑惑。 人类的学习和思考，往往是从“这不对劲”、“为什么会这样”开始的。 当我们写代码发现一个非预期行为时，我们会困惑，会去翻源码，会去假设、验证、推翻。这种“疑惑”的背后，是人类对世界秩序的追求。 科学界所有的重大突破，都不是因为谁手里有现成的完美答案，而是因为有人问出了一个前人没问过的荒诞问题。 而大模型是由数据和算力堆砌出来的概率预测机器。它只能在你输入问题后，计算出下一个最可能出现的单词是什么。它不具备“反思”的能力，更不会在半夜突然觉得某个技术方案不够优雅而翻来覆去睡不着。 一个不会产生疑惑的实体，是永远无法诞生独立思想的。 三、 想法是永远替代不了的 这就注定了在 AI 时代，程序员的生态位发生了一次彻底的洗牌。 以前，衡量一个程序员厉不厉害，看他能不能熟练背诵各种 API ，能不能手写红黑树，能不能连续加班卷代码量。在那个时代，人类在充当一个“低配版的大模型”。 现在，这些机械的、扁平的、拼熟练度的活，AI 能以人类一万倍的速度完成。这时候，人类最核心的价值反而被剥离了出来： 方向与想法。 AI 是一头力大无穷、通晓古今的巨兽，但它没有眼睛，也没有意志。没有方向和想法，AI 就不会动。 你现在写代码，更像是一个乐团的 指挥家 ，或者是工程项目的 总调度 。 你需要告诉它：“我们现在要解决高并发下的数据一致性问题，我打算用基于 Redis 的分布式锁，第一步你先帮我把基础骨架搭出来。” 只有当你给它注入了灵魂（想法）和轨道（方向）时，它那庞大的算力才能化为实质的产出。 写在最后：程序员的下半场 所以，不用去担心什么“AI 抢了程序员饭碗”的鬼话。 如果你的工作只是每天复制粘贴、机械地把业务需求翻译成代码，那确实危险。因为你在做的，正是 AI 最擅长的那部分“扁平化操作”。 但如果你是一个习惯于思考“为什么”、喜欢折腾架构、对世界充满好奇心的人，AI 非但替代不了你，反而会成为你手里最强的杠杆。 算力可以无限叠加，模型可以迭代万代，但 那个最初的“想去解决某个问题”的念头，那抹在空白屏幕前闪过的灵感，永远只属于人类。 调配它，指引它，然后用你的想法去重塑世界。这才是程序员在 AI 时代最酷的活法。
在 AI 把代码高亮和自动补全做到极致的今天，很多程序员朋友都在焦虑：我们是不是快被替代了？ 但如果你真正在日常开发中深度把 AI 当作“结对编程”的伙伴，你会发现一个很诡异的现象： 给它一个明确的架构和逻辑，它能 3 秒钟写出毫无 Bug 的复杂函数；但如果你把它丢在一个空荡荡的 Git 仓库前，对它说“写一个改变世界的开源项目”，它连一个字节都敲不出来。 今天想聊聊，为什么我认为 靠堆算力和大模型，AI 永远也达不到人类的思想。 一、 扁平的知识：AI 拥有所有答案，但没有一个“锚点” 大模型最唬人的地方在于它“无所不知”。从 Linux 内核的内存屏障，到某个小众前端框架的生命周期，它都能倒背如流。 但这种博学背后，藏着一个致命的弱点： AI 的知识是扁平的。 对 AI 来说，量子力学的公式、唐诗三百首、以及如何修补一个老旧系统里的 SQL 注入漏洞，在它的 Token 概率分布里，权重和本质是没有区别的。它是一片汪洋大海，但海面风平浪静，没有任何波澜。 它拥有所有的知识， 但它不知道怎么用，甚至不知道为什么要用。 当一个复杂的生产环境崩溃时，资深程序员往往能凭借一种说不清道不明的“直觉”，在几万行日志里瞬间锁定那个最可疑的配置项。这种直觉，是人类将知识内化后，形成的具备高低起伏的“认知重力场”。而 AI 没有这个场，它看着满屏的日志，如果没有你的 Prompt （提示词）去推它一把，它只会呆立原地。 它不知道该拿哪个、从哪下手、用哪个知识。 二、 没有疑惑，就问不出真正的问题 如果你仔细观察过 AI 的交互方式，你会发现它从来不会主动找你。 因为 AI 没有疑惑。 人类的学习和思考，往往是从“这不对劲”、“为什么会这样”开始的。 当我们写代码发现一个非预期行为时，我们会困惑，会去翻源码，会去假设、验证、推翻。这种“疑惑”的背后，是人类对世界秩序的追求。 科学界所有的重大突破，都不是因为谁手里有现成的完美答案，而是因为有人问出了一个前人没问过的荒诞问题。 而大模型是由数据和算力堆砌出来的概率预测机器。它只能在你输入问题后，计算出下一个最可能出现的单词是什么。它不具备“反思”的能力，更不会在半夜突然觉得某个技术方案不够优雅而翻来覆去睡不着。 一个不会产生疑惑的实体，是永远无法诞生独立思想的。 三、 想法是永远替代不了的 这就注定了在 AI 时代，程序员的生态位发生了一次彻底的洗牌。 以前，衡量一个程序员厉不厉害，看他能不能熟练背诵各种 API ，能不能手写红黑树，能不能连续加班卷代码量。在那个时代，人类在充当一个“低配版的大模型”。 现在，这些机械的、扁平的、拼熟练度的活，AI 能以人类一万倍的速度完成。这时候，人类最核心的价值反而被剥离了出来： 方向与想法。 AI 是一头力大无穷、通晓古今的巨兽，但它没有眼睛，也没有意志。没有方向和想法，AI 就不会动。 你现在写代码，更像是一个乐团的 指挥家 ，或者是工程项目的 总调度 。 你需要告诉它：“我们现在要解决高并发下的数据一致性问题，我打算用基于 Redis 的分布式锁，第一步你先帮我把基础骨架搭出来。” 只有当你给它注入了灵魂（想法）和轨道（方向）时，它那庞大的算力才能化为实质的产出。 写在最后：程序员的下半场 所以，不用去担心什么“AI 抢了程序员饭碗”的鬼话。 如果你的工作只是每天复制粘贴、机械地把业务需求翻译成代码，那确实危险。因为你在做的，正是 AI 最擅长的那部分“扁平化操作”。 但如果你是一个习惯于思考“为什么”、喜欢折腾架构、对世界充满好奇心的人，AI 非但替代不了你，反而会成为你手里最强的杠杆。 算力可以无限叠加，模型可以迭代万代，但 那个最初的“想去解决某个问题”的念头，那抹在空白屏幕前闪过的灵感，永远只属于人类。 调配它，指引它，然后用你的想法去重塑世界。这才是程序员在 AI 时代最酷的活法。