大型语言模型（LLMs）最好的一个特点就是它们可以为你编写代码，整天都在工作。谁还在乎DRY（不要重复自己）？你不必在四个不同的文件中更新相同的复杂条件——人工智能会为你完成这项工作！对吧？我最近注意到自己在一个与AI合作构建的项目中放松了要求。我需要在几个地方进行相同的访问检查：路由处理程序、后台作业、API端点、Webhook等。每次，我描述我需要的功能，模型会生成可以工作的代码，我就合并它。每个版本大致看起来都是这样的：if (user.isActive && user.hasPermission('read') && !user.isSuspended && account.status === 'open') { // 执行某个操作 } 基本上每次的条件是相同的。四个条件，可能只是变量名稍微不同，逻辑是复制粘贴的，只是改了几个字。其实有一个更简洁的方法可以做到——例如，像我自己写的时候提取出来的一个共享助手。但我没有这么做。代码可以运行！测试通过了，我也不需要再碰这段代码。这就是懒惰：如果它不遵循最佳实践，或者我知道某段代码将来会难以维护，这有什么关系呢？当我需要更改某些内容时，LLM处理，而不是我。只不过LLM并不是在真空中编写代码。它会读取你的代码库。你打开的文件、已经存在的模式以及你最近所做的更改。每一个合并到代码库中的快捷方式都是关于这里的做法的信号。下次你向LLM请求另一个具有相同访问规则的端点时，模型不会从头开始。它会从你代码库中已经存在的另外四个副本开始。所以你请求第五个端点，就会得到第五个条件，代码也是复制的。你请求重构，模型会保留所有五个条件，因为这就是你代码的样子。这个坏模式不再是一次性的，它被视为你的风格。如果你就这样让事情继续下去，你真的能相信LLM能在你尝试修复它时捕捉到每一个实例吗？当然，其中一些并不是灾难性的。事情总是这样开始，但代码的味道确实会累积起来。每一个重复的条件，每一个“上帝”函数，每一个“我以后会整理的”合并，都为下一个提示增加了一层信号。最终，你无法轻易通过提示来摆脱它。至少没有弄脏你的双手和卷起袖子。最令人沮丧的是：我以为我是在将维护任务外包给LLM，但我发现自己滑入的坡道实际上是在训练它越来越糟糕的习惯。像人类一样编写代码以便维护。LLMs是会吸收你所做的一切并复述给你听的海绵。所以，确保它是好的。