原帖讨论的是一种典型的 AI-assisted coding 体验：订阅了 Claude（Anthropic 的聊天模型）、ChatGPT（OpenAI 的聊天模型）等 LLM（大型语言模型）后，用户很容易短时间做出大量 side projects、博客工具、UI 原型和脚本，但其中很多只是一次性的 throwaway 工具。作者把自己这种不断开新坑、维护意愿低的状态，归结为可能需要先取消 AI subscription 才能恢复专注。评论区把焦点放在 AI 是否只是放大了原本的 ADHD（注意力调节障碍）、冲动和缺乏目标，也有人认为它只是把原本就存在的规划问题照得更清楚。讨论还不断拿 startup 的 MVP（最小可行产品）、product-market fit（产品与市场匹配）、Stack Overflow（问答网站）时代的复制粘贴，以及“做东西到底是为了学习还是为了结果”来对比。
不少人把 AI 看成把杂音降到最低的工具：它让原型、脚本、UI 和基础设施可以先快速跑通，再决定要不要投入真正的时间。评论里反复提到，AI 消掉的是地图规划、boilerplate、基础配置这类 incidental friction，从而把注意力留给真正难的部分，比如产品方向、化学建模或游戏玩法。有人还把它类比成游戏开发里的纸盒原型，先验证动态和可行性，再决定是否长期打磨。对这类用户来说，AI 订阅不是分心源，而是缩短试错周期的加速器。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6]
另一派认为，LLM 让人陷入低成本的来回试探，表面上像在推进，实际上时间悄悄被吞掉。有人拿 semantic search、Pub/Sub 示例、AI 笔记和会议摘要举例，指出自己在对话里很容易一晃就是二十分钟，而看官方文档反而更快。还有人直言这像一种 thermonuclear ADHD amplifier 或 dopamine machine，会把人推向同时开多个项目、不断等待输出、不断追新功能的状态。对他们来说，取消订阅的价值不在于反 AI，而在于切断这种让人感觉高效却更耗神的循环。
[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]
很多评论把焦点拉回到人的目标管理：如果原本就没有清晰使命，AI 只是把这种散乱放大得更明显。有人说真正需要的是 product-market fit、MVP 验证和只做一个能长期维护的产品，而不是不断堆出一堆没人要的玩具。也有人指出，年轻时可以追 rabbit holes，但随着时间变少、家人和工作更重要，做大量 throwaway apps 的边际价值会急剧下降。换句话说，AI 不是把好项目变坏，而是让原本缺乏方向的项目更快暴露空心。
[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]
讨论里有大量争论集中在：让 LLM 代写代码，到底是在提高效率，还是在绕过真正的理解过程。支持者认为只要配合 tests、specs、review 和手动约束，AI 可以承担 boilerplate、bug fixing 或长链路重构；反对者则强调 LLM 的输出是 probabilistic 的，和 compiler 的 deterministic 输出完全不同，错误常常细到一个符号就能把程序带偏。还有人担心，AI 让人少了通过调试、改写、读文档来学习的过程，尤其在 safety-critical、regulatory 或 hard realtime 场景里，外包理解本身就是风险。这个分歧本质上是对到底是在写代码，还是在拿现成答案拼装结果的不同容忍度。
[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]
不少留言把体验差异归因于 ADHD、年龄和资历：有些人说 AI 像外置 executive function，帮助他们把注意力从难启动的任务拉回来；另一些人则说它会让自己同时开更多坑，最后更难收束。年长者常把时间看得更稀缺，倾向于削减 distraction、删除 app、关闭算法流；更年轻或更少经验的人往往更愿意把 AI 当成新玩具或默认工作方式。还有人认为，真正的分界线不是年龄，而是程序经验：资深开发者更会对 LLM 的 slop 保持警惕，初学者则更容易全盘接受。这个主题把 AI 是否有用，从工具本身转移到使用者的注意力结构与职业阶段。
[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]
还有一组评论从激励结构出发，认为 AI 让大量项目的边际价值快速下滑：能做的东西更多了，但每个东西更不值钱，也更难被别人注意到。有人担心 VC subsidies、token 成本和未来涨价会让 power users 的使用门槛变高，而公司则从训练数据和用户最私密的创意里获益。也有人拿 Google 多年投入却不断推出被关闭的产品来举例，说明技术本身未必决定结果，真正起作用的是 incentives 和 execution。这个角度把要不要续订变成了更大的问题：当 AI 把制作门槛压低后，谁在为这场实验买单、谁拿到回报？
[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]
vibe coding: 让 LLM 用自然语言快速生成或修改代码，常用于原型和一次性项目。
pseudo-productivity: 看起来很忙、产出很多，但实际主要是在低价值忙碌和表面活动中打转。
MVP: minimum viable product，最小可行产品，用最少功能先验证需求和方向。
product-market fit: 产品与市场需求匹配，是创业和产品验证的关键门槛。
incidental friction / ambiguous friction: 前者是可被工具消除的琐碎阻力，后者是问题本身的真实不确定性和难点。
ADHD: 注意力调节障碍；在讨论中常被用来解释 AI 对分心、冲动和 hyperfocus 的放大效应。
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。