Vicki Boykis：LLM 是公开代码的压缩平均值，没有基础你就只能被它带着走

机器学习工程师 Vicki Boykis 在 2026 年 10 月的一次访谈中提出了一个具体判断：在智能体可以生成代码、解释论文、完成大部分中间步骤的今天，学习机器学习基础的理由变了——不是因为你将来要亲手做这些事，而是因为你需要判断智能体做得对不对，以及什么时候该叫停它。

她的核心机制是这样的：LLM 的训练数据主要是公开代码，而公开代码大约只占全球软件产出的两成。大公司运行分布式工作负载的内部代码、经过多年迭代的架构决策，大概率不在训练集里，但她承认可能有例外。所以模型输出的是'我们认为好软件应该是什么样的压缩平均值'。如果你没有基础，你无法识别这个平均值，也就无法判断什么时候需要偏离它。

Vicki 用了一个反复出现的比喻：你在开车，还是智能体在开车？她描述了自己的实际工作流——在纽约电商搜索与个性化初创公司 Malachyte 做实时推荐系统时，她坚持先手画架构图，再手写入口代码，然后才让智能体补全细节。她要求智能体只展示计划、不直接推送代码，她逐块审查后自己提交。她说这样做'很难'，但这是她刻意给自己制造的摩擦。

她给了一个具体例子说明为什么基础仍然有用：Git 命令。她承认自己不是 Git 高手，不在前百分之五到十的用户之列，但她说如果她没有 git fetch、git rebase、git commit、git push 的肌肉记忆，智能体帮她做这些操作时她根本不知道它做了什么、对不对。有了这个基线，智能体让她快五倍；没有这个基线，她只能信任一个她不理解的输出。

她还引用了 Anthropic 与另一家机构合作的一项研究：在审查新代码库时，一组人只用智能体生成代码，另一组人既生成又向智能体提问验证理解，后者记住了更多信息。Vicki 认为这说明当前智能体产品的交互设计过度偏向生成，而人们应该主动用它来提问和综合，而不是让它替你做完一切。

关于'品味是护城河'这个说法，Vicki 的态度是审慎的。她说掌握某样东西确实教会你什么是好的、什么该扔掉、什么该保留，尤其在软件与机器学习交互的复杂系统中，你需要在速度、透明度和准确性之间做取舍，而做出这些取舍的前提是你建过很多这样的系统。但她紧接着说'我不知道'，因为她看到有人说品味不再是护城河，然后她自己猜测'品味不过是所有可能结果的统计分布概率，所以我们很快就会自动化品味'。她没有反驳这个说法，只是承认自己不确定。

Vicki 也给出了自己立场的边界。她说有些人的工作确实不需要读代码，'在某些情况下也许说得通'。她自己的情况是推荐系统和实时搜索涉及多服务交互，上下文负载高，她必须检查智能体做了什么。她还承认，当她在探索一个完全不熟悉的代码库时，她会让智能体自由探索，因为'我什么都不知道，让它去'——这时候她接受被带着走。

她建议新人的路径很具体：做小项目，小到能完成。搭一个智能体、给它正确沙箱化、让它每天给你一份日历摘要；或者用本地小模型生成 commit 消息。她说好的项目即使失败也教你东西，而且它让你从'别人说这个 API 好'变成'我用过这个 API，我觉得它好或不好'。有了观点，你才能选择下一步。

她的最终建议不是'什么都要学'，而是'跟着你的兴趣走'。她说现在比以往任何时候都更值得深入追随自己的兴趣，因为那些无聊的中间步骤和行政性杂活可以被智能体抹平，但如果你在一个你根本不在乎的领域做博士论文，你得到的远少于在你真正好奇的方向上深入。她观察到有热情的人和无热情的人之间的差距是'天壤之别'——前者会建基准、微调、开发新方法，后者只是在追赶。

需要说明的是，这是一位从业者的个人经验与判断，不是经过对照实验验证的结论。她的'压缩平均值'论证基于公开代码占全球软件产出约两成这一估计，她本人用'我猜'和'大概率不是'来限定这个判断。她引用的 Anthropic 研究她只描述了结论，没有给出样本量或具体实验设计。这些边界不影响她的核心建议的实用性，但读者应将其视为一位有经验的实践者的工作流判断，而非已证实的普遍规律。