Martin Fowler(@martinfowler)
Fragments: AI 使用的虚假指标、技术淘汰工作的历史、闭源与开源模型的基准测试、LLM 放大代码债务、AI slop 让人抓狂、我是智能体的全局解释器锁
8.5Score
TL;DR · AI 摘要
Martin Fowler 指出当前 AI 使用存在虚假指标、技术替代人力的历史模式、闭源与开源模型的基准测试差异，以及大语言模型加剧代码冗余和低质量产出的问题。
核心要点
- AI 使用中的‘虚假指标’如 token 数量无法真实反映价值，应关注实际任务完成度。
- 历史表明技术进步会淘汰岗位，但新角色随之出现，AI 不例外。
- LLMs 常放大现有代码债务，导致‘AI slop’——低质量、重复性输出泛滥。
结构提纲
按章节快速跳转。
- §引言
Martin Fowler 在其博客中分享对当前 AI 技术应用的多个观察与批判性观点。
当前衡量 AI 使用的指标（如 token 数）缺乏实际意义，不能反映真实生产力或价值。
历史上每次技术变革都曾引发就业担忧，但最终催生新的职业形态与需求。
闭源模型在公开基准上表现优异，但开源模型在可复现性和透明度方面更具优势。
大语言模型倾向于复制已有不良实践，从而加剧系统中的技术债务和冗余代码。
AI 生成内容常为低质量、无意义的‘slop’，反而增加开发者认知负担和调试成本。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- AI 技术的现实挑战
- 虚假指标
- token 数量不等于价值
- 缺乏真实生产力衡量
- 历史类比
- 技术淘汰岗位
- 新角色自然涌现
- 模型评估
- 闭源 vs 开源
- 基准测试偏差
- 代码质量恶化
- LLM 复制坏习惯
- AI slop 增加负担
金句 / Highlights
值得收藏与分享的关键句。
AI 使用中的‘虚假指标’如 token 数量无法真实反映价值，应关注实际任务完成度。
历史表明技术进步会淘汰岗位，但新角色随之出现，AI 不例外。
LLMs 常放大现有代码债务，导致‘AI slop’——低质量、重复性输出泛滥。
AI slop—低质量、重复性输出—正在让开发者抓狂并降低效率。
#AI#LLM#软件工程#技术趋势#自动化
打开原文Martin Fowler 在 X 上发布：“碎片：AI 使用的可疑指标、技术淘汰岗位的历史、封闭与开放模型的基准测试、LLM 放大现有冗余代码、AI 的混乱让我们抓狂、我是代理的全局解释器锁 https://t.co/Sv17xpoKkb” / X
不要错过正在发生的事情
碎片：AI 使用的可疑指标、技术淘汰岗位的历史、封闭与开放模型的基准测试、LLM 放大现有冗余代码、AI 的混乱让我们抓狂、我是代理的全局解释器锁
[](https://t.co/Sv17xpoKkb)
martinfowler.com 碎片：2026 年 6 月 2 日碎片
3
8
65
47