一位开发者在Hacker News提问如何突破"提示-响应"循环用LLM编程，评论区涌现沙箱隔离、模型集群等大量实验。
一位开发者在Hacker News上发帖，说自己使用Claude Code和Codex写代码时，始终无法像手写代码那样进入心流状态。他调侃道，AI本该是"心智的自行车"，但现在却像一辆每隔几分钟就猛踩刹车、停下、等待、审查、再提示的车。他提问：是否有人探索过不同于"提示、响应"循环的根本性新方法？他认为补全式的tab模型在方向上优于提示响应模式，想了解相关的初创公司和个人实验。
评论区给出大量方向。有人使用"隔离智能体"：在完全沙箱里，写代码和写测试的智能体互相不可见，避免确认偏误，重点在于先提炼出规格说明，更像"管理"而非编码。有人把家里十余块旧显卡组成异构模型集群，虽然编码效果一般，但让多个模型投票和辩论来综合意见极为有用。
心流是被反复提及的痛点。多人共鸣"无法进入心流"，有人将其归因于中断和倦怠。维持心流的办法包括用更快的模型、走路时编码、使用编辑补全工具等。还有人提倡"文学化编程"，让AI生成散文加代码的混合体，保存设计上下文。
在工具和协作模式上，有人搭建顶层编排器统一调度Claude Code和Codex，按模块拆分计划并自动检查；有人用事件驱动的智能体链(任务、编码、审查、测试)，减少人工介入；还有人让智能体拥有邮箱和任务系统账号，在后台自行发起合并请求，把控制权反转，通过消息而非聊天界面找人反馈。
评论中也有人劝退：停止追逐新工作流，"老技巧够用了"，并警惕对工具的成瘾。总体而言，大家普遍认同当前的痛点在于心流中断与上下文切换，而非代码生成速度本身。
讨论还触及一个更深层的问题：当代码由模型生成，开发者是否正在丧失对系统底层的直觉。有人提议把大语言模型当作资浅的结对程序员，只让它处理样板代码和测试，把架构决策留在人脑。也有观点认为，关键在于把规格说明写得足够清晰，因为模型能否给出好结果，往往取决于人类能否先用自然语言讲清需求。维护心流的另一条经验是缩短反馈回路：用更小的、可即时验证的提示，而不是长篇规划后一次性产出大量代码再回头修正。
值得玩味的是，"心智的自行车"这个比喻本由计算机先驱阿伦·凯提出，意在说明技术应当放大人类智力，而非取代思考。许多评论者认为，当前工具恰好走向反面：它把人从编码中抽离，却让人陷入没完没了的提示与审查循环。真正有效的用法，或许是让模型待在编辑器内部，以补全而非对话的形式出现，这样开发者始终握着方向盘。归根结底，这场实验的核心矛盾在于：AI越快，人越容易放弃理解，而理解恰恰是工程能力的根基。
原文：https://news.ycombinator.com/item?id=48771515