近年来，随着人工智能技术的快速发展，大型语言模型（LLMs）如ChatGPT引起了广泛关注，许多开发者和企业将其视为解决各种开发难题的“灵丹妙药”。然而，真正深入思考后，会发现某些情况下对LLMs的依赖，恰恰是因为基础技术栈和工作流程设计的不足。也就是说，只有当你的技术环境糟糕时，才会迫切需要用LLMs来弥补不足。本文深入解析为何优秀的编程技术和工具能够替代一部分LLMs的功能，强调提升技术素养和优化流程的重要性。大型语言模型固然强大，尤其在自然语言处理、代码辅助生成和信息提取领域展现出巨大潜力，但它们并非万能。反而，合理搭建的开发环境和高效的自动化工具，能更直接且精准地解决日常编码中的难题。
以代码生成中的样板代码为例，许多现代语言如Clojure、Lisp和Rust提供了强大的宏系统，让程序员能够定义可复用的代码片段，避免重复敲写相似的冗余代码。相比之下，许多使用Java、C++、JavaScript的开发者不得不借助LLMs来生成样板代码，正是因为这些语言缺乏灵活的语法抽象能力，代码膨胀导致效率低下。宏不仅能完全取代大量样板代码的需求，还能让代码更易读、可维护，提高开发效率和代码质量。数据生成环节同样如此。很多时候我们使用LLMs来生成格式化数据、特定字符集列表或其他常规数据信息，但传统的文本处理工具如sed、awk，或者编辑器的键盘宏功能，能够快速将复制的文档数据转换成所需格式。它们无需复杂的输入提示，也不消耗大量计算资源。
特别是在支持自动化的Shell环境和编辑器中，简单的脚本和宏命令可轻松替代LLMs完成类似任务。如果对sed/awk等工具感到难用，那正反映出你的工具环境不够友好，而提升这些自动化技能往往能比依赖AI更有效地提升生产力。测试开发是软件工程中至关重要的一环，但它常常被诟病难写且耗时。很多团队寄希望于用LLMs生成测试用例的样板代码，却忽略了一个更根本的解决办法：交互式的REPL（Read-Eval-Print Loop）环境。像Common Lisp、Clojure和Scheme等语言提供的REPL支持快速反馈，允许开发者在线重新定义函数、调试代码以及直接测试程序状态，降低写测试和调试的门槛，提高代码质量。相比之下，Python等语言的REPL功能有限，迫使开发者采用传统测试框架，这使得编写测试更加繁琐，反倒加剧了依赖LLMs的现象。
学习和掌握这些交互式工具能有效减少对AI辅助的依赖，实现更贴近开发实际的测试流程。工具如FFmpeg和ImageMagick功能强大，却因参数繁多、文档零散被认为难以掌握。一部分人寄望于LLMs帮助生成命令行参数和使用脚本，但这是表面上的便捷，根源问题在于这些工具的设计和文档缺乏人性化。设计清晰直观的API和编写详尽规范的文档，才是让工具能够被广泛接受、轻松上手的关键。如果基础文档完善，学习者就不会频繁依赖AI助手反复询问工具用法，从根本上减少对LLMs的需求。信息搜索作为开发和学习中的基本环节，理应依赖于功能强大且公正的搜索引擎。
曾经，Google结合StackOverflow、官方文档等来源，能提供高质量的技术答案；但如今广告泛滥和信息过载让搜索体验大打折扣。于是出现了如Perplexity这类通过抓取、排名和聚合信息，提供简明回答的AI应用。虽然这听起来便利，不过它其实是“劣质搜索引擎”的替代品。真正提升信息获取效率的关键是开发高质量的搜索基础设施，而非泛用LLMs自动生成的内容。过度依赖ChatGPT等聊天机器人进行搜索，还可能削弱用户的信息素养，因为它们给出看似权威但不透明的答案，缺少多元化人类视角和来源验证。结论显然，LLMs是强大的工具，但它们不应成为因技术不足而产生的“救命稻草”。
构建良好的开发环境，掌握高效的自动化技术，设计优雅的API接口，以及依赖成熟可靠的信息检索手段，才是提升工作效率和软件质量的根基。追求技术精进，不仅能够减少对资源消耗巨大的LLMs的依赖，还能培养深厚的计算思维和解决问题的能力。最终，让技术真正为人所用，而非被高成本的人工智能吞噬。面对未来，欢迎每个开发者审视自己的工具和方法，努力打造不依赖“炸鸡便当”的完美技术餐桌，创造优雅高效且持久的开发体验。
