大型语言模型（LLMs）并不是懒惰的。它们并不会因为简单的解决方案足够好而偷工减料。如果它们知道如何彻底解决某件事，它们会这么做。大型语言模型通常会在应该购买时选择构建。这并不是因为它们不知道现有的库；它们经常提到这些库，而是因为对于大型语言模型来说，编写两百行实现代码与编写两行导入语句所需的认知努力是一样的。没有本能去追求最短的路径。对于模型来说，最短的路径是完全实现。因此，审查由 AI 生成的代码变得更加昂贵。你正在阅读技术上正确但过于复杂的代码，而你必须决定是接受这种复杂性还是抗拒。这一决定需要时间。提出审查意见也需要时间。而且，因为同样的事情反复出现，你不断进行同样的对话。另一方面，重写现在变得便宜。如果我发现某段代码比必要的复杂，无论是在我自己的工作中还是在别人的 PR 中，我会要求 AI 简化它，使用一个库，或削减不需要的功能。重写通常能更快完成。造成问题的模型也是最快的解决方案。经济学发生了变化。现在审查是昂贵的步骤，而重写不是。我在这方面的工作量进行了重组。我在规划阶段花更多时间，决定应该存在什么，我们使用什么库，实际范围是什么，因为这正是我可以在复杂性未被写入之前加以控制的地方。然后我进行实现，部署到测试环境中，查看哪些内容存在，并识别哪些并不需要存在或者可以用十行代码替代一百行。然后我对其进行重写。如果在审查中感觉某些内容过于复杂，以前重写所带来的沉没成本如今已不复存在。这改变了我反对的力度。标记某些东西和进行迭代的成本降低了。让它通过的成本则保持不变。