这篇文章是今天看到的，觉得还不错，翻译一下。
当我们在写文档或文章时，实际上是在提出问题并回答它。例如，一份产品需求文档（PRD）回答的是"我们要干嘛？"；一份技术规范（Tech Spec）回答的是"我们要怎么做？"。有时，问题本身更难回答------"我们究竟想要达到什么目标？"而每一次尝试回答，其实都是在反思自己是否问对了问题。
但现在，我们有了大语言模型（LLM），由 LLM 生成的文档、文章越来越多，我们需要注意这其中可能有一定的风险：每一份由 LLM 生成的文档，可能都会让我们错失一次思考或者是建立合作信任的机会。
一、让 LLM 替我们写作，就像付费健身
写作的目标不是"写完"，而是"增进理解"------首先是对自己的理解，其次是对周围环境的理解。当我们被委派去写东西时，我们的任务是深入迷雾，去征服未知，带着清晰的结构和洞察走出来。
写作的另一个目标可能是让自己变得更强。这就像健身：每一次对自我极限的挑战，都会促进力量的增长，过程是痛苦且费力的，但是我们能得到正反馈。相反，让 LLM 替我们写作，就像付费健身，虽然很舒适，却无法提升自己的能力（认知或者是写作）。
二、LLM 生成的文字不仅破坏了表达的真实性，也破坏了背后思考的真实性
LLM 生成的文档，还会对我们的公信力产生一定的影响。当我发给别人一份带着明显"AI 味"的文档时，只是在证明 LLM 产出了一些接近他人想听的内容，而不能证明我深入思考过这些东西，这明显不是我的思考产物。
当与别人就这份文档内容进行交流时，我们可能不知所云，这在一定程度上会降低别人对我们的信任，更有甚者，可能因为这份信任的丧失，我们会失去一次机会。
LLM 生成的文字不仅破坏了表达的真实性，也破坏了背后思考的真实性。如果文字是自动生成的，那么观点是否也是自动生成的呢？
三、LLM 在写作过程中的正确用途
LLM 在调研和检查工作时非常有用，它们很擅长快速记录信息或转录文本。
它们尤其擅长生成创意，在这个场景下，它们表现卓越，因为即使生成了 10 个点子而只有一个有用，也无伤大雅。我们可以取其精华，去其糟粕。
因此，可以说，大模型能提高软件交付的效率，但为了最大限度地利用它们，我们必须同时提升我们的思想深度。
参考文献：