「AI 不是厨师。它顶多是一台煎牛排机。」

Serhii Sydorets 写了一篇博客，把 AI 辅助编程比作煎牛排——任何人都能把肉扔进锅里弄熟，但要稳定产出真正好的结果，需要真正的理解。机器能按食谱重复操作、规模化产出，但它不知道你脑子里到底想要什么，除非你把想法翻译成明确的需求。

文章的核心论点很简单：AI 让你更快，但快不等于好。 它能自动化重复劳动、生成代码起点、解释逻辑，但它经常自信地给出错误结果——「一块焦炭，上面放了一枝百里香，然后告诉你这是三分熟。」

判断力仍然是不可替代的。AI「不能替你定义什么是好，不能决定哪些取舍可以接受」，也看不出来什么时候结果在技术上正确、但方向完全错了。开发者必须评估输出，而不是接受输出。

他还指出了一个常见陷阱：很多人遇到 AI 产出不稳定，第一反应是花钱买高级工具、找模型代理商、换框架，指望别人替自己解决了问题。但问题是——「全城所有餐厅雇的都是同一个 AI 厨师」。付费服务往往只是把同样的不可靠输出包装在更好看的界面后面。

最有意思的是 Hack News 社区的讨论。评论区几乎完全偏离了 AI 主题，变成了关于煎牛排技术细节的激烈辩论——sous vide 温度、油脂选择、醒肉时间、温度计的重要性。这个现象本身就是文章的论点：哪怕是最简单的事，深入下去都是手艺。

但讨论中也有人认真回应了类比。

有人指出这个比喻本身有缺陷：煎牛排太容易了，用它来类比软件开发不太对。「牛排从最差到最好的差距极小」，技能天花板很低。但支持者认为，大多数人都煎不好——「会用温度计的人不到 10%」。这和编程一样，基础门槛不高，但真正做好需要条件、设备、技术和细节。

另一个有趣的观点来自 merrimanInd：「最终产品最重要的因素是原材料的质量。」这引发了关于现代软件开发是否只是「不要糟蹋上游已经做好的东西」的讨论。miyoji 说得更直接：「大部分现代编程只是配置已有工具。」

socalgal2 提出了一个不同的类比：「用 LLM 编程就像电影导演拍电影。」导演不自己做服装、不演戏，他指挥人类智能专家。LLM 编程也一样——你指挥、审核、重拍，直到输出符合你的想象。

最有价值的批评来自 froh42：LLM 能给出好的煎牛排指南，是因为「牛排是众所周知、文档齐全的事」。一旦你离开常走的路，它就失败了。用户报告过 LLM 给出的鸡肉烟熏时间，实际上对应的是另一种肉。

Sydorets 给出的路径是：继续学、继续建、继续失败。先掌握手艺，再策略性地用 AI 做助手。最终目标是技术足够好，可以「开一家自己的小餐馆」，雇 AI 厨师，但自己知道什么算好。

参考来源：

• Almost No Skill Required to Cook a Steak - Serhii Sydorets
• HN 讨论