一位开发者在Linux.do论坛分享了自己开发AI刷题系统的踩坑经历。该开发者最初着手搭建一套基于AI的刷题系统，但在处理试卷中图像识别类题目时遭遇瓶颈。为解决这一问题，他尝试采用本地OCR软件结合AI识别的技术方案，然而识别结果错误频出，不仅浪费了大量开发时间，还消耗了不少调用大模型的token费用。多次调试无果后，他一度将项目搁置。转折发生在其后刷抖音时，该开发者偶然搜索到有人已经做出了功能相似的现成题库软件，且该项目已在GitHub上开源。这一发现令他颇为懊恼：如果动手开发前先询问ChatGPT是否存在现成方案，完全可以避免这次重复劳动。该帖子引发了社区讨论，共有5位参与者发布了8个帖子。发帖者引用软件工程领域“不要重复造轮子”的至理名言，指出在AI时代这一原则有了新的应用场景：开发者有新想法时，应先借助ChatGPT等AI工具检索是否已有现成实现，再决定是否自行开发。这一经历折射出当前AI辅助开发的普遍现象：一方面，多模态方案在处理试卷排版、公式、手写体等复杂图像识别任务时准确率仍显不足；另一方面，开源社区已沉淀大量覆盖常见需求的成熟项目，开发前充分利用AI检索与开源生态，可显著降低试错成本。
事件分析
技术层面，该案例暴露了OCR及“OCR+大模型”串联流程在复杂版式识别上的局限。试卷类图像通常混合公式、图表、手写标注等元素，单独依赖OCR或简单级联方案，容易在版面解析环节引入级联误差，整体准确率难以保障。相比之下，调用具备原生多模态能力的模型直接处理整图，或复用社区中经过打磨的成熟项目，往往是更优路径。产业层面，这一事件反映出AI辅助开发工作流的转变：项目启动前的技术调研环节正逐步交由AI承担，ChatGPT等工具开始扮演技术选型顾问的角色。从后续走向看，随着开源生态与AI检索能力的深度结合，“先问AI、再查GitHub、最后动手”有望成为开发者团队的标准前置流程，因重复开发造成的token开销与时间损耗将被进一步压缩，个人开发者的效率边界也将随之扩展。
核心观点：AI时代造轮子的试错成本不降反升，动手前先用大模型检索现成方案，正成为开发者省时省钱的第一道工序。
原文链接：Linux.do
