OpenClaw的创始人认为大模型智能体中看不中用

寂静回声

最近刷到Peter Steinberger的一期访谈，他是最近全网刷屏的OpenClaw的创始人。
他对现在火热的大模型智能体提出了一个很犀利的批评，说白了就是四个字：中看不中用。
他具体是怎么得出这个结论的呢？
Peter 的核心观点其实很简单：现在市面上那些大模型智能体，本质上就是在烧钱生产垃圾代码。

第一个问题：缺少人的参与。
现在很多大模型智能体的宣传都是这样的：你只要说一句话，它就能自动帮你完成整个任务。
但实际上，它会在后台疯狂调用 API，消耗大量 token，最后给你一个看似完整、实则漏洞百出的结果。
比如你让大模型智能体帮你写一个网页，它可能会生成几千行代码，看起来挺像那么回事。但你仔细一看，布局有问题、交互逻辑不对、性能也差。
为什么？因为整个过程中，它完全不知道你真正想要什么。
换句话说，它只是在用概率模型拼凑代码，而不是在理解你的需求。

第二个问题：质量无法保证。
Peter 说得很直白：大模型生成的代码往往是烂代码。
这不是说大模型不够聪明，而是因为它缺少一个关键能力，就是审美。
审是对好代码的直觉判断，一个有经验的程序员看到代码，能立刻感觉到哪里不对劲，哪里可以优化。
但 大模型不行，它只会按照训练数据的模式去生成，至于生成的东西是不是优雅、是不是高效，它根本不在乎。
同理，如果你让大模型帮你设计一个产品界面，它可能会给你一个功能齐全但丑到爆的方案。因为它不懂什么叫好看，什么叫用户体验。

第三个问题：成本太高。
这个问题可能是最现实的。
Peter 提到，让大模型智能体自己跑，消耗的 token 数量是惊人的。
它可能会反复尝试、反复修改，每一次尝试都在烧钱。而最终的结果，可能还不如你直接花十分钟手写一个简单版本。

那大模型到底该怎么用？
Peter 的做法是这样的：他把大模型当成一个助手，而不是替代品。
比如说，他会把自己的日程、笔记、想法全部喂给大模型，让 大模型帮他总结、分类、提炼重点。
这个过程中，大模型不需要做决策，只需要处理信息，这正是大模型擅长的事情。
再比如说，写文档、生成测试用例、转换数据格式这些事情，完全可以交给大模型。因为这些任务有明确的规则，不需要太多创造性。
最关键的是，当他有一个新想法时，会先让大模型生成一个粗糙的版本，然后自己再去打磨。
这样做的好处是，可以快速验证想法是否可行，而不用从零开始写代码。
注意，这里的关键词是粗糙版本。他从来不指望大模型一次就能给出完美答案，而是把大模型当成一个快速迭代的工具。

Peter 的观点可能会让一些人失望，因为它戳破了大模型万能的幻想。
市面上大部分声音都在说大模型会让编程变得更容易，人人都能成为程序员。
但实际情况可能恰恰相反，大模型提高了入门门槛的同时，也提高了成为优秀程序员的门槛。
因为现在不仅要懂技术，还要懂如何与大模型协作，如何在大模型的基础上创造价值。
现在很多大模型产品都在追求自动化，恨不得让大模型包办一切，但这是个误区。
因为真正有价值的工作，往往需要人的判断、人的创造力、人的审美。
你不能指望大模型自己完成完美的工作，但你可以通过合理的使用，让它成为你最强大的助手。