这篇 Hacker News 讨论基于 Databricks 的一篇文章，探讨了在大规模应用中管理 AI 编程成本日益增长的挑战。 **主要观点：** * **成本危机：** 企业正面临“指数级增长”的 AI 账单。由于基于消费的定价缺乏可预测性和批量折扣，成本可能迅速失控，迫使企业从“无限制”实验转向严格的成本管理框架。 * **“元工具（Meta-Harness）”方案：** 为降低支出，开发者正在构建或使用元工具（如 Omnigent）来动态调度任务。通过将琐碎任务分配给更便宜的模型（如 DeepSeek/Luna），并将复杂架构任务留给“前沿”模型（如 Opus/Sol），团队可以在不牺牲质量的情况下显著优化 Token 开销。 * **“感觉编程（Vibe Coding）”的权衡：** 虽然 AI 智能体极大提升了开发速度，使小团队能产出超过大团队的成果，但批评者认为这会导致“过度设计的垃圾代码”和严重的长期技术债务。 * **工作流整合：** 成功的团队将 AI 视为“上下文工程”工具，而非万能按钮。这需要严谨的前期规划、确定性验证和自动化测试，而不是盲目的“碰运气（YOLO）”提示词。 * **对投资回报率（ROI）的怀疑：** 许多评论者对 AI 生成代码的实际商业价值持怀疑态度，质疑速度指标反映的是真正的收入增长，还是仅仅堆积了大量难以维护的 AI 产物。