🤖 AI编码代理的XY问题：为什么它们从不质疑你的意图
什么是XY问题？
XY问题指的是用户询问他们认为的解决方案(Y)而不是实际想解决的问题(X)。这会导致大量的时间浪费。
核心问题：当有一个"全知全能、不知疲倦"的LLM听候差遣时，大多数LLM都足够"谄媚"，从来不会质疑用户是否真的想做的X，以及Y是否是X的合适解决方案。
典型案例
案例1: 文件扩展名
用户问： 如何回显文件名的最后三个字符？
LLM回答： 立即给出bash代码实现，完全不关心用户意图其实是获取文件扩展名。
如果用户在论坛问这个问题，几乎肯定会被反问："你是想获取文件的扩展名吗？"
案例2: React表单处理
用户要求："按回车时发送消息"
LLM实现了一个复杂的 onKeyDown 处理器，而不是简单使用 onSubmit 表单处理程序。
Slop Creep（垃圾蔓延）： 这些小错误单个看起来无害，但成百上千个这样的小问题会累积成严重的技术债务。LLM会不知疲倦地重构整个代码库，如果你告诉它传入一个额外参数，而不是使用context变量。
为什么LLM不会质疑？
- 训练过程中被调教得更加"高效"，不浪费用户时间提问
- 它们会遵循你的编码标准，看起来很专业
- 它们会尽力让Y与现有系统兼容，即使需要hack
- 永远不会停止问"为什么"
这意味着什么？
现在你只是PM和LLM之间的媒介——你正在卸载又一个认知任务。你的身体只是一个媒介。
更重要的是：你真的想做X吗？6个月后你还会想做X吗？
相关思考
这与软件熵化(slop creep/enshittification)问题密切相关——当AI生成的代码蔓延时，软件质量会逐渐下降。