最近读到一篇挺扎心的吐槽文章，作者 Paolo Galeone（一位长期写技术博客的工程师）抛出一个观点：LLM 正在让他失去做软件开发的"灵气"。

听起来像是在开倒车，毕竟主流叙事是"AI 让我们效率翻倍"。但他讲的不是反对 AI，而是讲一种更微妙的副作用：用得越多，自己反而越钝。

他到底在说啥

Galeone 是个有十几年经验的工程师。文章里他回忆，过去的自己写代码时会经历一整套"心流"：先在脑子里跑模型、再翻文档、查源码、跟同事争论设计，最后才落笔。这套过程痛苦，但也是他成长最快的阶段。

而现在，他越来越多地打开 Cursor 或者 Copilot，"啪"一段代码就出来了。问题来了：

• 少了折腾，也少了理解。 以前 debug 一晚上搞懂一个诡异的竞态条件，现在 AI 直接告诉他"试试加个锁"。

最近读到一篇文章，标题很直白：《Good Culture Is the Biggest Productivity Hack, Not AI》——好的文化才是最大的生产力外挂，而不是 AI。

文章的核心观点其实一句话就能讲完：AI 确实能帮人提效，但只有在团队已经有"对的"文化的前提下，这种提效才会真正发生。 如果文化本身是错的、沟通是堵的、信任是缺的，AI 进来只会把烂流程自动化得更快、更大。

文章到底说了什么

作者的论证并不复杂，他列了几条"先有文化，AI 才有用"的判断：

• 信任是前提。 团队里如果大家默认"同事会摸鱼、汇报会掺水"，那 AI 生成的代码、文档、总结都会被反复质疑、反复重做，省下来的时间全花在互相验证上。

最近读到一篇博客，作者原本想做的是「给 LLM agent 更好的记忆」，结果写着写着就跑偏了，最后落地成了一门正经的工程产物 —— Lemmalog：一个把 agent 的知识库当作"分析状态"来维护的 Datalog 引擎。

听起来有点抽象，我们拆开看。

出发点

作者最初的问题很朴素：现在大家都在卷 RAG、长上下文、向量记忆、知识图谱，agent 的"记忆"模块越来越重，但大多还是当成一个检索系统在做 —— 存进去，取出来，拼接进 prompt。但作者意识到，agent 真正需要的不是"回忆"，而是在当前对话和过去事件之间做推理。这一下就不是存储问题，而是分析问题了。

拐点：为什么是 Datalog

原文抛出一个有点反常识的观点：大家都在用 Obsidian 管理 AI 对话、研究资料和个人知识，希望它让自己更高效，但这可能是一条死路。

问题不在工具，而在“想法是谁的”。

当你只是向 AI 提出一句模糊需求，它很快会生成一份结构完整、语气笃定的答案。看起来像推进了工作，实际却可能没有形成你自己的判断：哪些观点值得保留、哪些只是幻觉、结论是否真的能解决问题，全都被掩盖了。

更麻烦的是，AI 很擅长“完成感”。几秒钟产出的内容，会让人误以为事情已经做完。可一旦需要取舍、验证、修改，或者把一个抽象想法落到具体场景中，执行难度会突然恢复。很多人卡在原地，并不是没有资料，而是从未建立自己的问题意识。

最近读到一篇观点很"逆耳"的文章，原作者直接抛出一个判断：AI 编码工具的普及，最终会"消灭"资深开发者。听起来像是危言耸听，但顺着他的逻辑捋一遍，还真有点后背发凉。

文章一开头引用了奥特曼那句"未来智能会像水电一样按表计费"。作者接着说，问题就出在这里：当下行业里吃到 AI 编码红利最多的人，恰恰是那些在 AI 工具出现前就已经深耕了十年、二十年的老兵。他们识货、知道哪里会被坑，所以 AI 对他们是放大器。

而那些与 LLM 几乎同龄入行的年轻开发者，反而陷入了一个尴尬的位置：被告知"不用 AI 就会被淘汰"，但真正用好 AI 所需的那种高阶判断力、架构直觉、对代码的 taste，偏偏要靠大量"实操摩擦"才能长出来。换句话说，用 AI 越久，反而越难培养出用好 AI 的能力——这才是作者说的"skilled orchestrator paradox"。