这位工程师用一场工作坊说明：AI 编程失败，往往不是模型不行

在这场超长 AI Coding 工作坊里，Matt Pocock 抛出了一个反直觉结论：多数 AI 编程翻车，不是因为模型太弱，而是工程师根本没理解 LLM 的“怪癖”。从“聪明区/愚蠢区”到“记忆只有几分钟的失忆症”，这是一套专为真实工程师准备的 AI 协作方法论。

真正限制你用好 LLM 的，不是算力，是它的“怪癖”

Matt 一开场就点破一个很多工程师不愿承认的事实：我们在用 LLM 时，经常假设它“像一个初级工程师”，但现实更接近“一个有奇怪限制的工具”。他把这些限制称为 weird constraints。比如，LLM 对上下文极其敏感，但又极易丢失长期目标；它能在局部问题上表现得异常聪明，却会在复杂任务中突然“降智”。如果你不先理解这些约束，后面所有 Prompt 技巧都是玄学。

聪明区 vs 愚蠢区：不是 AI 会犯蠢，是人先崩了

工作坊里反复出现的一个关键词是 smart zone 和 dumb zone。Matt 的判断很直接：大任务会把人和模型一起拖进“愚蠢区”。当任务描述过大、目标模糊时，LLM 会开始胡乱生成，而人类开发者则会因为信息过载而放弃判断力。解决方案听起来很朴素，却异常有效：把任务拆小，小到你作为人类都不会‘freak out’。这不是为了模型，而是为了让你自己始终留在聪明区。

LLM 像《记忆碎片》男主：每次都要告诉它‘你是谁’

Matt 用了一个极具画面感的比喻：LLM 就像《Momento（记忆碎片）》里的男主角，缺乏持续记忆。你不能假设它“记得之前发生了什么”，更不能指望它自动维护长期架构一致性。这直接影响了 AI Coding 的方式：你必须不断重申目标、约束和当前状态。不是因为模型笨，而是这是它的工作机制。忽略这一点，几乎注定会在后期重构中翻车。

结构不是负担，是把 AI 拉回正轨的唯一办法

当谈到如何应对复杂任务时，Matt 明确表达了自己的偏好：更多结构，而不是更长 Prompt。他展示的流程几乎都有一个共同点：先探索、再确认目的地、最后一步步逼近。过程中他甚至坦言自己不会细读所有生成内容，而是关注模型是否沿着正确结构前进。这种做法本质上是在用流程约束模型，而不是用语言‘说服’它。

当 AI 开始写太多代码，问题往往不在 AI

在 Q&A 环节，有人问到 agents 生成代码过多怎么办。Matt 的回应很耐人寻味：这通常是结构失控的信号，而不是模型失控。没有清晰的阶段划分、验收标准和测试入口，AI 只能用‘多写代码’来掩盖不确定性。他演示了通过运行测试、明确 destination 的方式，把生成行为拉回工程节奏。甚至还提到像 Claude 的 auto mode，在架构改进候选上能提供启发，但前提依然是：你得知道自己要什么。

总结

这场工作坊最大的价值，不是教你某个 Prompt 模板，而是逼你重新审视自己在 AI 协作中的角色。LLM 不是替代工程判断的魔法，而是一种在特定约束下极其强力的工具。你的行动建议很简单：下一次用 AI 写代码前，先问自己三个问题——任务够小吗？结构清楚吗？我有没有假设它‘记得一切’？能把这三点做好，你已经超过了大多数“AI 原生”工程实践。

关键词： AI 编程， 大语言模型， Prompt 设计， 工程实践， Claude

事实核查备注： 需要核查：1）视频中对 smart zone / dumb zone 的原始表述；2）LLM 类比《Momento》的具体语境；3）是否明确提到 Claude auto mode 的功能边界；4）工作坊的完整时长与发布时间。