这场讨论围绕一篇名为“Various LLM Smells”的文章展开，文章把 LLM 生成文本、代码和界面的固定口癖当作“气味”来识别。评论把话题从 prose 扩展到 Claude、GPT、Claude Code（Anthropic 的 AI 编程代理）以及 AI 生成的 website、slide deck 和 Slack/LinkedIn 文案。有人提到在项目里常用 AGENTS.md/CLAUDE.md 之类的指令文件来约束模型输出，也有人拿 WASM（WebAssembly，一种在浏览器中运行的低级字节码格式）沙箱、RCE（远程代码执行漏洞）和安全边界来说明模型会给出危险捷径。整个讨论因此变成了对 LLM 风格、可靠性、训练数据来源和人类作者身份感的综合辩论。
很多评论把分歧解释成能力盲区：LLM 最容易让你觉得惊艳的，往往正是你自己最不擅长的领域。这个现象被延伸到 coding、写作和图像，认为新手会把流畅输出误当成高质量，而熟练者更容易看见漏洞、错位和拼接痕迹。也有人承认 frontier models 近一年确实更好了，能在陌生领域帮你补课、查 DSA 或当老师，但前提是人还在自己写、自己复核。另一派则直接把这类误判联系到 Gell-Mann amnesia 和 Dunning-Kruger，意思是“看起来对”并不等于“真的好”。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9]
关于 coding，争论重点不是“能不能生成代码”，而是“能不能把代码控制在可维护、可安全、可持续的范围内”。有人把 LLM 当成省打字的 codegen 工具，适合在自己已经想清楚抽象和结构后补出重复代码；也有人在 Claude Code（Anthropic 的 AI 编程代理）里见到危险捷径，比如绕过 WASM sandbox，直接 shell exec 用户代码，最后变成潜在 RCE。更多抱怨集中在规模问题：模型会把每个 feature 写成独立 vacuum，导致 UI、modal、业务逻辑不一致，代码库膨胀，helper function 泛滥，换行和垂直空白过多。支持者则说，只要你够会规划、review 和测试，它仍然能显著提速；反对者则认为多数团队根本没有这种纪律。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12] [来源13] [来源14]
在写作场景里，很多人不是在争 LLM 能不能写，而是在争这种文字值不值得拿出去代表自己。评论里最常见的立场是：它适合改错、扩写、总结、提供草稿，甚至能把卡住的思路往前推，但把原文直接当成自己的声音，会让人觉得空洞、油腻、没有 intention。也有人反驳说，平均人的阅读和写作本来就很差，所以 LLM prose 在很多日常场景里已经高于平均线；只是正式邮件、演讲稿、纪念文字和对外沟通，大家更想要 raw 的人味，而不是 polished slop。整体上，支持者和反对者都默认了一点：最好的用法是辅助，而不是替代。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12] [来源13] [来源14]
这条线几乎是在汇总 AI 文风的识别器：honest、genuine、actual、real、contrastive negation、“It’s not X, it’s Y”、“The :”、“load bearing”、“blast radius”、“smoke test”、“quietly”、“inside baseball” 这类表达被反复点名。有人认为这是 Claudeisms，也有人觉得这些套路来自 LinkedIn、Stack Overflow、Reddit 等训练语料，或者是产品里的 system prompt 偏好。还有人分享自己会故意删掉 em dash、短句和这些模板句，让内容更像真人；相反，也有人开始故意写得更糙，避免被误认成 AI。整体气氛很像在做一份“如何一眼认出 slop”的民间手册。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12] [来源13] [来源14] [来源15] [来源16] [来源17] [来源18] [来源19] [来源20] [来源21] [来源22]
在设计和 web UI 上，争论的分裂方式和写作很像：一派觉得统一、清晰、默认安全的设计系统是优点，另一派则把这种同质化视为没下工夫的证据。有人承认 LLM 生成的按钮、字号、卡片和布局在可读性上往往不差，尤其适合实用型网站；但更多人指出，它经常顺手塞满重复文案、过多图标、巨大圆角、紫色渐变或蓝黑配色，最后看起来像 slide deck 或 scam farm。图片生成也被拿来类比成“过滤后的拼贴”或 fast food，能用但缺乏焦点、层次和一致性。最后大家基本承认：如果你想要表达个性，就别把审美完全交给默认模板。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11] [来源12] [来源13] [来源14] [来源15] [来源16]
Gell-Mann amnesia effect: 在熟悉领域能看出 LLM 错误，却在陌生领域继续相信它很聪明的认知偏差。
Dunning-Kruger effect: 能力不足却高估自己判断力的偏差，这里指新手更容易把 LLM 输出当成高质量结果。
Contrastive negation: 用“不是 X，而是 Y”来制造反转和强调的修辞结构，也是常见 AI 文风特征。
agentic coding: 由 AI 代理自主拆任务、改代码、调用工具的编程方式。
system prompt: 模型接收的隐藏指令，会明显塑造语气、格式和偏好词。
smoke test: 对系统做最小化快速验证的测试；评论里也常把它当作 LLM 口癖。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。