在Oxide，使用大语言模型（LLM）的方式多种多样，其影响也各不相同。有必要对几种主要用途进行拆解分析。 LLM作为阅读者：LLM在理解文本方面表现出色，能快速、准确地处理并理解文档内容，尤其适用于摘要生成或回答大型文档（如技术规格书）中的具体问题。有趣的是，LLM甚至能评估文档是否由其辅助生成。然而，使用托管型LLM（如ChatGPT、Claude、Gemini）时，必须确保数据隐私——尤其是要确认模型不会将上传的文档用于未来训练。尽管部分平台提供关闭选项，但默认设置常以“改进模型”等模糊表述隐含训练权利，可能让用户误以为拒绝即“守旧”或“自私”。此外，LLM辅助阅读不能替代真正的人工阅读，尤其在需要专业判断或社会期待的场景中，如候选人材料评估，应仅作为辅助工具，而非替代人类思考。 LLM作为写作者：LLM的写作能力参差不齐。其输出常流于陈词滥调，甚至暴露明显生成痕迹，容易被识破。这不仅令人尴尬，更损害写作的真诚性——读者会怀疑思想是否也由机器生成。更深层的问题在于，LLM写作打破了“作者付出更多智力劳动”的社会契约。当读者发现作者可能只是调用模型，便难以相信其对内容的真正理解。若内容存在错误，可能只是模型幻觉；但更糟的是“认知失调”：内容看似有逻辑，实则无内在结构，令读者徒增困惑。在Oxide，写作是核心能力，团队成员均具备优秀写作素养，因此我们普遍不使用LLM生成正式内容。但并非绝对禁止，LLM可作为写作过程中的辅助工具，前提是作者始终对思想和表达负责。 LLM作为程序员：LLM在代码生成方面能力极强，甚至引发“AI将取代程序员”的焦虑。对于实验性、辅助性或临时代码，LLM非常高效。但越接近生产系统，越需谨慎。即使是写测试，LLM也可能迅速生成无意义内容。使用LLM生成的代码，责任完全在工程师本人。必须先自行审查，不能直接交由他人评审。一旦进入评审流程，不应再通过反复重生成来回应反馈，否则会破坏迭代过程。总之，LLM在编程中可大有作为，但责任、严谨、同理心与团队协作必须始终如一。