导读：本文中作者写的是对氛围编码的不咋喜欢，但实际上是对正规软件开发的严谨和热爱。

最近网上在热议 “跟着感觉写代码”（vibe coding），说大语言模型（LLM）要彻底颠覆软件开发行业。新模型一发布， productivity 直接拉满，想到啥代码就自动生成啥，把产品开发里所有麻烦事、额外开销全干掉。差不多就是这么个意思吧。

或许吧。但我可没这福气，我就不喜欢跟着感觉写代码。

你用着顺手？那就挺好！写这篇文章，我不是要深入掰扯 LLM 的好坏，纯粹就是 —— 这玩意儿我就是用不惯。下面就唠唠我为啥这么排斥。

我这人抠门到骨子里

我不是什么技术纯粹主义者，也试过 IDE 里集成的 AI 工具。处理一些简单好描述、但自己做又嫌麻烦的活儿，它确实挺好用。比如把一堆正方形图片批量缩小尺寸。我自己查 ImageMagick 命令行参数也行，但直接甩给 AI 多省事。

后来我又让它分析项目代码、干点零碎小活，结果没多久就尴尬了 —— 系统提示我额度用完了，想继续用就得绑信用卡充钱。

你得知道，我家往上数算几代，不管父系母系，全是抠门精。几百年来，大西洋两岸的祖辈们都在一分钱掰两半花、到处薅羊毛。说个真事儿：我一个远祖在菲利普王战争里，就是因为撤离堡垒时落下一块奶酪，非要回去拿，结果把命丢了。所以你懂了吧？让我永久付费买服务，就为了省点脑子，这事又荒唐又离谱，我连卡都懒得绑。直接关了笔记本、卸载 IDE，转头又用回 Emacs 了。然后发现：没了 AI，我日子照样过，一点不耽误。

我年纪大点，但见过世面

年纪大有好处。我写代码好多年了 —— 毕竟在这个行业里，干满 5 年就能叫 “高级工程师”。经验有时候能治焦虑（只要不是焦虑行业里 “5 年就算老资历” 的年龄歧视），而现在这场 AI 狂热，总让我想起早年那些低代码、无代码工具火起来的样子。

我不否认 AI 是好用的开发工具，能帮着干不少活。但每次聊到这，我总会想起软件的 “偶然复杂度” 和 “本质复杂度”。

我刚入行写代码时，弗雷德・布鲁克斯就已经是老前辈了。他是 IBM System/360 大型机（以及配套操作系统）的项目经理，早年亲眼见过软件项目翻车的各种奇葩操作，后来把这些观察写成了《人月神话》—— 这本书到现在都该是软件工程课的必读书。我手上这本新版，还收录了他后来写的《没有银弹》，专门讲新工具对开发效率的影响。

想当程序员就得明白：真实世界超级复杂。编程说白了，就是给乱糟糟的现实世界套上一层简化的 “抽象模型”，把复杂问题拆简单，好让我们能理解。这样一来，具体场景就能打包成一层层可复用的逻辑。比如 “往面包上抹花生酱”，能抽象成一个spread(食材)方法，既能抹花生酱，也能抹奶油奶酪；再用这个方法拼出做花生酱三明治()这种更复杂的功能。

用现代高级编程语言写代码，就像站在层层叠叠的 “抽象金字塔” 顶端 —— 一行代码，可能触发多系统里几百万次运算。这事儿听着真酷！

可要是我们把写代码这件事本身也抽象掉呢？这就是 “智能体 AI” 的美梦：丢个任务给 AI，它自己派一堆智能体搞定，全程不用人管。听着是挺好，但它解决的，只是布鲁克斯说的偶然复杂度—— 就是 “写代码本身” 带来的麻烦。这么多年过去，软件开发在这块已经进步很大了：不用写底层机器码，有动态解释型语言；不用自己写快速排序，标准库直接调用；不用从零搭网站，现成框架随便用；改代码结构、重命名，编辑器一键搞定。

AI 就是最新的迭代版，现在不少编辑器里，原本老老实实的重命名、重构工具，都换成了捉摸不透的 AI 智能体。用它就像掷骰子—— 出大问题的概率好像不高？

但是就算工具再好用、偶然复杂度再低，本质复杂度永远摆在那。怎么设计优雅、清晰、好维护的抽象模型和系统，这活儿没那么简单，也永远躲不开。它需要真本事、多年经验，还有从一次次系统翻车里熬出来的智慧。

我不确定 LLM 那种花里胡哨的自动补全，能不能搞定这种复杂度 —— 毕竟本质问题从来不是简单的 “按步骤走”。或许好好写提示词，能引导 AI 往对的方向走，但到这份上，写提示词的人不如自己直接设计—— 反正 AI 也说不出为啥选这个方案。本质问题往往又怪、又少见、又乱。也许我错了，模型确实在进步，但我发现解决这种乱局，需要一种特殊的思维方式。巧了，我就爱啃这种硬骨头。

我就爱乱糟糟的真实

前面聊了软件怎么抽象流程，但我们也靠抽象的简化能力理解世界。詹姆斯・斯科特在《国家的视角》里说：启蒙运动后，国家总想着用抽象、分类把人口、财产变得 “清晰可统计”。而 “统计” 本身，就是一种 “改造”。

比如一个国家看森林，不会把它当成复杂生态系统，只会算 “能砍多少木材造船”。这种视角下，森林就变成了 “桅杆种植园”，国家甚至会把原生林换成单一树种的人工林。

这种思路催生了官僚体系、纸质表单，后来变成网页表单、数据库。程序员为了处理真实世界乱糟糟的数据，就得简化：日期必须精确、名字不能太复杂、数据录入时要完整、后续不能乱改。每个程序员、每次系统设计，都是一次 “削足适履”—— 决定现实里哪些部分要放进系统，哪些直接扔掉。

我不是要批判这种做法 —— 不这么干，系统会被无穷无尽的 “特殊情况”（也就是 “边缘案例”）拖垮。但这过程太理所当然，我们总忘了它本质是 “人工简化”，尤其涉及到人的时候：性别字段只给 “男 / 女”，不代表性别就只有二元；种族定义从来都是随时间变的社会概念；简化模型能算出 “自闭症确诊率 20 年涨 300%”，却解释不了背后原因（其实就是定义变了、筛查多了）。

任何抽象，都是一种 “遮蔽”。做数据记者时，我学会了 “审问数据”—— 对所有结论都要较真，想想它可能哪里误导人。怕出错、怕丢人，是数据记者的保命符。你不光要知道数据说了啥，更要知道它没说啥、漏掉了啥。

可这种元认知能力，是 LLM 永远学不会的。对 AI 来说，模型就是它的全部现实。罗宾・斯隆在《语言模型身在地狱吗？》里说得太到位：AI 看世界，是被剥光了的简化版。我们看一段文字，能 get 到上下文 —— 格式、标题、作者、来源网站；但 LLM 眼里，只有孤零零的字母（准确说是子词 token，所以早期模型连 “strawberry 里有几个 r” 都数不清）。

让 LLM 认清自己的认知局限，就像问金鱼 “水是什么样的”。

写这段的时候，我一直想起某部门（DOGE）查社保欺诈的蠢操作：他们看社保数据库，发现 900 多万条记录 “生日超过 120 岁、却没死亡日期”，马斯克直接拍板：“肯定是几百万人骗保！” 结果原因、影响，全判断错了。他们本该质疑数据质量、核对支付记录、请教社保专家，可他们啥都没干，直接拿着表面数据瞎下结论 —— 这种事还干了好几次。

后续详细调查里，社保专家一条条列出他们的逻辑漏洞，文件都被媒体曝光了。代理副专员直接写备忘录：“这些支付都是合法的。” 可该部门不信资深公务员，非要让一个 21 岁的实习生（前帕兰提尔 intern）自己分析。

这帮人，活生生复刻了 LLM 犯错的全过程：只信数据表面、不听外界声音、死磕简单化结论—— 就因为这结论完美符合他们的偏见：政府员工全是废物、到处都是欺诈。

这事儿一点不稀奇。我怕自己显得蠢，所以绝对不敢把数据分析甩给 LLM。但很多人都这么干了，我怕这事儿只会越来越糟。

麻烦，其实是礼物

鼓吹 LLM 开发的人，最爱说它能消除麻烦、提升效率：开发团队一天上线几十个功能，一堆 AI 智能体自动干活，拓扑结构花里胡哨。我懂，写代码本来就枯燥又折磨人，能飞速敲代码、直接用成品而不是半成品，听着确实爽。

但我，偏偏需要这些麻烦。

学新语言、新框架时，最基础的操作都卡壳，又烦又累；接手陌生项目、看新数据源，得花好几个小时逐行啃代码、查文件，搞懂开发者当初的思路和选择。我知道直接甩给 LLM 总结能省时间，但我需要这个沉浸式啃代码的过程—— 不光懂他们做了啥，更懂为啥这么做、背后有啥限制、语言特性有啥影响。

我是在试错里学东西，AI 把这步省了，我就永远学不会。

就算用熟了的语言、自己写的代码，我也靠 “麻烦” 找方向：写代码越写越卡，说明架构设计走偏了，得重新规划，不然后续改起来更麻烦。这时候我就出去散个长步（或者直接下班），让脑子放空，换个角度想问题 —— 真的超管用。

哪怕思路很顺，我也会刻意这么做。做大项目时，写代码前必须先写架构决策记录（ADR）：要做啥、为啥这么做、有啥假设、后续影响。写完经常发现：自己被最初的想法冲昏头，压根没看到潜在问题；而且以后接手的人，也能看懂当初 “为啥这么设计”。

LLM 解决麻烦的思路是：硬写代码，绝不反思。它确实能跑出能用的代码、性能达标、测试通过（毕竟测试可能也是 AI 写的），但它说不出为啥选这个方案、感受不到架构的优劣。写提示词的人要是没判断力，分不清好坏，就会陷入 “AI 硬写、我硬用” 的死循环，最后代码里全是乱七八糟的抽象逻辑，未来维护的人，只能对着一份 “当年给 AI 的提示词文档”，欲哭无泪。

有意思的是，我见过的 “跟着感觉写代码” 成功案例，要么是专家级开发者（能精准引导 AI），要么是失败代价极低的小项目。除此之外，谁也不知道这堆代码到底好不好、安不安全 —— 就像画猫头鹰，前面画几笔简单的，后面全靠猜。

还有件事让我很反感：鼓吹 LLM 的人，总把 “麻烦” 当成敌人。广告、直播演示、职场分享里，全是 “孤胆工程师靠 AI 一天干一个团队的活、飞速上线产品”。可行业里真正用 AI 干活，麻烦往往是必要流程—— 规范、审核、测试、合规、设计，就是为了防止烂代码上线、烂功能落地。

现在为了 “AI 效率”，这些流程、这些岗位全成了 “累赘”：要啥用户调研？AI 生成虚拟用户就行；要啥设计？AI 一键出网页布局；要啥项目经理？我管着一堆 AI 智能体就行；代码不用同事审核？测试过、扫描过就自动合并；工作不用跟人沟通？闷头写代码就行。

可软件开发是团队协作的事儿，每个人都在为好产品出力。把这些角色换成 AI，速度是快了，但产品不会更好，团队也会变得冷冰冰的。

我太在乎这件事了

说到底，我不爱用 LLM，最简单的原因就是：我太爱写代码了，不想把这件事交给机器。就像艺术家、音乐家不会用 AI 搞创作，写代码是我的创造力出口，我不想丢掉这份快乐。

写代码偶尔崩溃，但把模糊想法变成真实系统，尤其是写出优雅逻辑、解决有趣难题时，那种成就感无与伦比。很多晚上，下班关了工作电脑，我还会打开私人电脑，捣鼓点自己想做的小项目。跟团队一起做项目更爽 —— 喜欢那种一起打磨产品、一起扛事、一起解决问题的氛围。

但如果团队只负责写提示词、AI 干所有活，这种氛围就没了；如果 AI 直接替代团队成员，那就更糟了。

责任感太重要了。这么多年，不管做数据记者还是政务技术，我都对自己的代码负责：数据记者写错代码，就是公开丢人、甚至吃官司；政务技术写错代码，就是耽误别人办事、甚至影响弱势群体。我不是没犯过错，但我在乎对错、在乎工作意义、在乎用户。我很幸运，身边同事也都这样。

可 LLM没有在乎的能力。它能装得很像，但终究只是个模仿者，把大概率相关的词串起来而已。它不会为错误愧疚，不会想做得更好，因为它没有意识，更没有良知。它永远没法承担责任，我也永远不能把自己的道德责任甩给它。

AI 做得好，就是 “天才，要取代所有程序员”；AI 搞砸了（删光服务器、测试造假），就是 “你的错 —— 提示词没写对、流程没做好，再试一次”。

看了很多 LLM 教程，都说 “所有要求、修改、补充，必须一次性写进提示词，不然就出错”。这跟敏捷开发完全相反 —— 敏捷讲究快速迭代、及时反馈、信任团队；现在倒好，回到了 50 年代大型机的 “穿孔卡片模式”—— 程序员不用递卡片，得递一份 “法律文书式提示词”，才能生成程序。

说笑归说笑，责任问题真的很现实。AI 厂商的操作，跟特斯拉一模一样：功能没安全测试就上线；出了事，粉丝还帮着甩锅 ——“是用户提示词没写好”。资本主义越来越离谱：风险全丢给消费者，企业和政府全甩锅。一个玩具飞镖扎死小孩，我们都能禁了它；可 AI 聊天逼死人、搞出精神问题，却成了 “创新的代价”。哪天 “跟着感觉写代码” 导致系统故障、闹出人命，而不是单纯丢人时，事情会不会变？

写代码，也是我低谷时的慰藉。研究说玩俄罗斯方块能缓解 PTSD—— 因为它占用大脑处理图形排列的区域，干扰创伤记忆形成。我没 PTSD，但我懂这种感觉：写代码就像解复杂谜题，难过的时候，它能让我暂时逃离。

前面说我了解某部门（DOGE），就是因为过去一年，我一直在做系统追踪他们的操作。这不是工作，是自己攒数据、理清真相 —— 他们总想藏着掖着，我就偏要搞明白。把难过、愤怒，变成有用的东西，超有成就感。不止一次，我靠写代码熬过难过的日子 —— 重要的是过程，不是结果。

还有些碎碎念的小理由

本来只想写几段短动态，没想到越写越长，最后成了一篇长文。收尾前，再唠几句小事：

第一，AI 聊天那套谄媚语气，我真的受不了。我在美国东海岸长大，陌生人无缘无故对我过分热情，我第一反应就是警惕 —— 大概率是要骗我、或者传教。看 AI 聊天记录，我浑身起鸡皮疙瘩。我知道能改语气，但改完更别扭。

第二，我有一堆没写完的兴趣项目：比如复刻一个拼字游戏，想用 Clojurescript 写，还得搞点生僻词生成，故意增加难度 —— 也就我自己觉得好玩。在 AI 眼里，这些都是 “失败项目”，一天生成十个都没问题。但过程比结果重要，不是每个脑洞都要落地。 brainstorm、学到新知识、知道没必要继续，这就够了。

第三，我不想用 AI，还有道德原因。现在 LLM 被用来坑学生、生成儿童色情，我实在没法心安理得用它。资本主义下没有绝对干净的消费，但我至少要试试，不能用害人的工具，建不出更好的世界。

有意思的是，最鼓吹 LLM 的人，反而最累。我还以为效率提升后，大家能实现当年吹的 “每周工作 4 小时”；结果硅谷这帮人，把活甩给 AI，自己反而干得更多，996、极致内卷，比老派资本家还狠。就算 AI 革命最后砸到我头上，我也不想先把自己累死。

那以后怎么办？

我不敢预测未来。或许以后技术太牛，我会后悔没早点用；或许行业停滞、泡沫破裂，一切回归原点。如果是后者，我希望我们能重新把软件开发，变回一行代码、一份用心、建设世界的温柔工作。

作者：手扶拖拉斯基

来源：

https://jacobharr.is/personal/i-dont-vibe-code