降低 AI 改动带来的认知负担
来源: amoffat.github.io
概述
作者在评审大量 AI 生成的代码时发现，模型为抽象概念选择的术语往往与自己惯用的不同，每次看到都要在脑中做一次查表，认知负担不断累积。于是他在评审前加了一道后处理：让 AI 先抽出所有非常规术语，给出释义、选择理由与备选词，自己确认后再全局替换。
核心要点
- LLM 可能把作者心中的 EditRequest 命名为 MutationIntent，术语不匹配时每次阅读都要多一次心理解码。
- 单个术语的摩擦很小，但几十个陌生术语相互作用时，认知负担会累积到让人误判系统行为。
- 解决办法是在评审前用一个固定 prompt 做术语抽取，产出一份临时 markdown 清单。
- 该 prompt 要求 AI 输出每个自定义术语的含义、选择理由以及若干备选术语。
- 作者逐条确认或提供自己的命名，AI 再做全局查找替换，连文档一起改。
- 最终代码读起来容易多了，因为命名重新映射回了作者自己的心智模型。
金句
结果代码读起来容易多了，因为它现在更像是从我自己的脑子里写出来的。
👍 0
👎 0
← 返回 Lobsters 首页