大模型集体“降智”引担忧，开发者通过重构工作流与提示策略破解质量困局

随着 AI 编程工具的普及，部分开发者近期反映 GPT-4.5、Claude 等顶尖模型的实际生成能力出现波动，调侃其性能“降至与 Gemini 同一水平”。这一现象引发了业界对模型“退化”的讨论，但同时也催生了新的应对策略。一位技术博主指出，与其盲目更换模型或转向国产大模型，不如以此为契机优化开发架构。博主强调，当底层模型能力不稳时，单纯依赖模型智商的风险暴露无遗，开发者必须提升自身的“驾驭能力”。为此，他提出了一套基于“harness”理念的针对性解决方案：一是开发前强制任务对齐，要求 AI 复述目标以防止理解偏差；二是严格限制测试预算，避免模型在编译环节陷入死循环；三是将长链路任务拆解为短平快的微任务，减少误差累积；四是建立定期体检机制，通过新会话进行门禁检查，确保代码质量。这一系列实践表明，在模型智力不再突飞猛进的当下，通过精细化的工程约束和流程管理来弥补模型短板，已成为提升 AI 辅助开发实效的关键路径。

事件分析

💡 核心观点：大模型能力波动常态化下，AI 开发的核心竞争力已从追逐模型智商转向通过精细化工作流对模型进行“工程化驾驭”。