90% 问题

一个 AI 编码项目的前 90% 往往来得又快又惊艳。最后那 10% 则变成和 Agent 来回试错、补充繁琐细节的过程。那些需要比 Agent 更深层洞察或理解的任务，仍然得由人来完成“串联”和“决断”，把它往正确的方向上引导。之前提到的那些局限，都可能让你的项目撞上看不见的墙。

从我近期的观察来看，更大的 LLM 通常能在上下文里建立起比小模型更深的关联。它们拥有更多参数（被编码的数据点），而且这些参数在多维空间里彼此勾连，因此在语义关系上会有一张更深更密的地图。可即便如此，人脑对语义关系的把握似乎仍然更深一层，还能在概念之间做那种“疯狂跳跃”，这是 LLM 不太会做的事情。

从这个角度讲，创造力也许就是：你能从篮球跳到肥皂泡成膜时气泡的形状，然后在这两个看似无关的领域之间建立某种有用的联系，实现一个突破。而 LLM 通常会沿着那些更保守、更常规的语义路径行进，完全被训练数据里已经铺好的关系牵着走。

功能蔓延变得不可抗拒

在用 AI 编码工具开发软件时，那种不断体验新奇的快感，会驱使你不停给项目加各种有趣的新功能，而不是老老实实去修 bug 或打磨已有系统。而 Claude（或者 Codex）也非常乐意配合，它会一头扎进那些新点子里，迅速做出看起来赏心悦目的小 demo（又一次典型的90% 问题），而不是静下心来把代码打磨好……