LLM无法解释它们的答案——这个CLI迫使它们这样做。

LLM无法解释它们的答案——这个CLI迫使它们这样做。
LLMs can't justify their answers–this CLI forces them to

``` /research "GraphQL性能特征" 收集证据，读取你的代码库，搜索网络，并记录发现的内容。每个发现都有一个类型（事实、风险、预估）和一个证据等级——从“声明”（有人说）到“测试”（原型验证）。 r001 [事实|文档] GraphQL消除了移动客户端的过度获取，减少了40-60%的负载大小。 r002 [事实|网络] GraphQL N+1查询问题需要DataLoader或等效的批量处理层。 r003 [风险|文档] 现有的REST缓存（CDN、HTTP）无法直接应用于GraphQL，需要自定义解决方案。 ```

一个黑客新闻的讨论围绕着人工智能生成工具和网站的激增，特别是名为“wheat”的一个工具，它迫使LLM通过CLI来解释它们的答案。许多评论者表示怀疑，一些人认为这些工具是“无用的垃圾”，认为直接与LLM交互足以完成简单的任务。还有人指出这些网站的重复性和糟糕的设计，并提到烦人的“淡入”效果是明显的标志。然而，一些用户发现像“wheat”这样的工具很有价值，尤其是在与Claude等模型进行长时间会话时，并指出在代码合并方面提高了生产力。讨论凸显了人们对不断涌现的人工智能工具的日益疲劳，以及关于它们是否真正解决了问题，还是仅仅增加了不必要的复杂性的争论。

/research "GraphQL performance characteristics"

Gather evidence

wheat reads your codebase, searches the web, and records what it finds. Each finding gets a type (factual, risk, estimate) and an evidence grade — from "stated" (someone said it) to "tested" (prototype-validated).

r001 [factual|documented] GraphQL eliminates over-fetching for mobile clients, reducing payload size 40-60% r002 [factual|web] GraphQL N+1 query problem requires DataLoader or equivalent batching layer r003 [risk|documented] Existing REST caching (CDN, HTTP) does not transfer to GraphQL without custom solutions

LLM无法解释它们的答案——这个CLI迫使它们这样做。 LLMs can't justify their answers–this CLI forces them to

Gather evidence

LLM无法解释它们的答案——这个CLI迫使它们这样做。
LLMs can't justify their answers–this CLI forces them to