原始来源：Dan Luu · 个人博客
发现渠道：Hacker News 热点发现
Dan Luu 在一篇工程随笔里讨论 AI 编程带来的新选择：过去不值得投入一年去做的个人工具，现在可能只需少量人工时间，就能达到自己可用的程度。他举出正则表达式引擎、搜索工具与编译优化等尝试，同时区分“对我有效”和“能作为公共产品维护”两种标准；后一种仍需要更多工作。
他最看重的变化，是可以尝试原先负担不起的目标。随着模型更强，他会转向更难的任务，因此个人体验未必越来越接近“一次生成就全对”。文中也保留了 Yossi Kreinin 的反对意见：很多任务没有明确的通过标准，使用者未必能理解大型黑箱，局部提速还可能制造难以维护的特化代码。
Luu 的回应是尝试构造部分自检。例如在规则有歧义的桌游中，他比较不同规则解释，再与另一份实现对照，逐步接近一致说明。本文是个人实践与方法判断，作者明示没有为所有项目完成严格基准，不能把它读成普遍的生产率倍率。
可信度 65 · 重要性 81 · 新颖度 70
技术与主题
AI 编程 · 评测与基准 · Differential Testing · Property-Based Testing · Coding Agents
Dan Luu
作者比较个人工具和桌游AI的实践，并声明部分结果只做了快速比较。
忠实转述（非原句）：他理解读者为何怀疑大量AI重写项目，但认为别人的低质量作品不妨碍自己做认真测试。更强的模型让一些原本不划算的工作变得可做；与此同时，他也把目标移向更难的问题，因而不认同“软件已经解决”的说法。
Yossi Kreinin
Luu 在附录经许可刊出的回应；这是对扩大项目目标的有条件反对。
忠实转述（非原句）：他把自己也算在难以驾驭大型黑箱的人里面。若任务没有清楚判据，或优化只适合测试过的场景，扩大目标可能带来失败和维护困难。他并不否定有能力的人应该进取，而是认为节制目标同样是使用AI的能力。
lubujackson
HN 对本文的评论，讨论从可演示版本走向持续产品。
忠实转述（非原句）：他认可AI补齐技能缺口、迅速形成初版的力量，但指出功能取舍、集成、用户沟通、数据与维护等工作仍需有人理解并作决定。漂亮演示增多，并不等于这些后续职责已经消失。
编辑评读
这场分歧改变的是选题方法。一个任务原先因实现太贵而放弃，现在若能借助便宜的生成与检查重新开展，就增加了一种选择；价值并不只表现为旧工作快了几倍。但选择变多以后，应当同时列出“能够生成什么”和“有办法判断什么”。前者扩张很快而后者缺席时，项目规模越大，越可能把节省的实现时间转成排错负担。
可迁移的做法是寻找便宜而有辨别力的反馈。已有实现、明确不变量和可重复输入，分别允许做差分比较、性质检查和回归测试；开放产品的用户价值却不能由这些测试完全代表。因此，大目标可以拆成逐步积累可靠结果的子问题，而不是靠更多循环统一解决。Luu 的积极面在于主动创造这种反馈，Kreinin 的提醒则是有些团队尚不具备设计、解释和维护它的能力。
这仍不是要求人人重写数据库或编译器。个人工具可以接受已知范围内的适用性，公共软件还要面对未知输入、他人环境和后续修改。先说清交付对象，才能判断哪个质量门槛足够；同一次演示对个人实验可能有价值，对广泛发布却证据不足。