AI产品为何总差口气？关键在"删"而非"造"

一位老兵的诊断：不是能力问题，是密度问题

Paul Bakaus 或许不是家喻户晓的名字，但他的作品几乎无处不在。作为 jQuery UI 的创造者，他写下的代码据称至今仍运行在约 6% 的互联网站点上。jQuery UI 是建立在 jQuery 库之上的一套用户界面交互组件集，包含拖放、日期选择器、对话框等常用 UI 元素，诞生于2007年前后 Web 2.0 时代网页交互需求爆发式增长的时期。即便在 React、Vue 等现代框架已成主流的今天，大量遗留系统和 WordPress 插件仍在使用它，这解释了其惊人的覆盖率。Bakaus 曾把一家游戏引擎创业公司卖给 Zynga，在 Google 度过近十年，如今作为独立创始人拿到了 a16z 的投资——a16z（Andreessen Horowitz）是硅谷最具影响力的风险投资机构之一，以押注平台级技术变革著称，其投资往往被视为某个方向获得行业认可的信号。Bakaus 正在打造一个名为 Impeccable 的开源"设计技能"项目，目标直指一个所有 AI 从业者都心知肚明的问题——阻止 AI 编程代理产出"slop"（低质量的敷衍产出）。

"Slop"一词在2024年成为科技社区的高频词汇，专指 AI 生成的低质量、缺乏个性的批量内容。它的危害不仅限于单个产品的品质下降，更在于它正在系统性地拉低整个互联网的内容质量基线——搜索引擎结果被 AI 生成的 SEO 内容淹没，开源代码仓库中出现大量 AI 生成的低质量提交，产品界面趋向千篇一律的"AI 风格"。这本质上是一个公地悲剧：每个个体使用 AI 降低成本是理性的，但集体效果是价值稀释。

在这段被广泛传播的采访片段里，Bakaus 抛出的核心观点耐人寻味：他谈的不是 AI 的能力边界，而是输出密度（output density）。这个概念可以类比为信息论中的信噪比——每单位产出中包含多少不可替代的有效信息或功能。在传统软件工程中，类似的理念早已存在：Robert C. Martin 在《Clean Code》中强调函数应当尽可能短小，每一行都有存在的理由；Dieter Rams 的设计十诫中"少即是多"也表达了同样的哲学。他的判断简洁而尖锐——大多数 AI 代理生成的代码，是"太多的代码"；大多数 AI 写的文章，"太长"；大多数 AI 生成的设计，"太杂乱、太啰嗦"。当输出密度低时，用户需要在大量冗余中自行提取价值，这本身就构成了认知负担和维护成本。

稀缺的不是生成能力，而是判断力

过去两年，整个行业的注意力几乎全部押注在"生成"这件事上——更快的模型、更长的上下文、更强的多模态。但 Bakaus 指出了一个被普遍忽视的真相：当前真正稀缺的人类技能，恰恰不是生成任何东西，而是判断力——知道究竟该删掉什么。

这是一个反直觉却极具穿透力的观察。当生成成本趋近于零，产出的"多"就不再是价值，而可能成为负担。大语言模型的训练机制决定了它的产出天然趋向冗余：基于 Transformer 架构的模型通过预测下一个 token 来生成内容，其本质是在训练数据的概率分布中寻找最可能的序列。RLHF（基于人类反馈的强化学习）进一步强化了模型"面面俱到"的倾向——因为在标注过程中，更完整、更安全的回答通常获得更高评分。这种训练范式使模型倾向于覆盖所有可能相关的信息，而非做出大胆的取舍。模型缺乏对具体使用场景的深度理解，无法判断"对这个特定用户、在这个特定时刻，哪些信息是多余的"，只能给出统计学意义上的最优平均解。

因此，AI 可以轻松写出五百行代码来解决一个本该用五十行搞定的问题；可以铺陈两千字来表达一个段落就能讲清的意思；可以堆砌十几个交互元素来完成一个本应极简的界面。这些产出往往"技术上没错"，却缺少了取舍的智慧。

"技术上正确"却平庸的陷阱

Bakaus 给出了一个极具实操价值的诊断标准：如果你正在用 AI 代理交付产品，一切读起来都"技术上没毛病"，但整体却莫名地显得通用、平庸、没有灵魂，那么问题的根源就在这里。

他强调，这不是工具的缺陷（tooling gap），而是编辑的缺陷（editing gap）。这个区分至关重要，它实际上触及了软件工程和创意产业中一个长期存在的误区：人们倾向于用技术手段解决本质上是判断力的问题。在软件领域，这类似于 Fred Brooks 在《人月神话》中提出的"没有银弹"论断——本质复杂度无法通过工具消除。编辑（editing）在此的含义远超文字润色，它代表的是一种系统性的质量审视能力：在代码层面是重构与简化，在设计层面是信息层级的取舍，在产品层面是功能的优先级排序与勇敢砍需求。这种能力需要深厚的领域经验和对最终用户场景的共情理解。

很多团队在遇到 AI 产出质量不佳时，本能反应是换更好的模型、写更精巧的提示词、接入更强的框架。但 Bakaus 认为，真正缺失的环节是人类的编辑与删减——那种知道"少即是多"的审美判断。

连创造者本人也要推倒重来

最有说服力的证据来自他自己。Bakaus 坦承，在为自己的产品撰写发布公告时，AI 生成的初稿让他不得不从头重写。这个细节颇具讽刺意味：一个专门做工具来对抗 AI"slop"的人，也无法靠 AI 一次性得到满意的文案。

这呼应了文学与设计领域中"杀死你的宠儿"（Kill your darlings）的经典原则。海明威曾说"所有初稿都是垃圾"，即便是人类写作也需要大幅修改。但 AI 产出的特殊问题在于：人类初稿虽然粗糙，通常包含作者独特的思维脉络和直觉判断；而 AI 初稿虽然表面流畅，却缺乏这种内在的思考骨架。这意味着对 AI 初稿的修改往往不是"打磨"而是"重建骨架"——你需要注入自己的叙事逻辑和价值判断，这本质上接近于重写。这也解释了为什么简单的"润色"类提示词往往无法解决 slop 问题。

这背后揭示的是创作的本质规律。AI 的第一版产出，本质上是一个"平均值"——它综合了训练数据中无数相似表达的中位数，因而天然趋向安全、完整、面面俱到，却也因此失去了棱角与观点。而好的产品、好的文章、好的设计，恰恰需要棱角。

设计是迭代过程，必须承载人类视角

Bakaus 的收尾观点将讨论提升到了更普遍的层面：设计是一个迭代过程，它必须承载一种人类的观点（human point of view）。无论是代码、设计还是写作，没有任何工具能够"一击即中"（one-shot）地完成这件事。

One-shot 在机器学习领域原指仅通过一个或极少样本完成学习的能力，Bakaus 在此将其引申为对 AI 工作流的批评。现代设计理论——无论是 IDEO 的设计思维（Design Thinking）、精益创业的 MVP 方法论，还是敏捷开发的迭代周期——都建立在同一个前提上：好的产出需要多轮反馈与修正。人类大脑处理复杂设计问题时也依赖"发散-收敛"的交替过程：先尽可能扩展可能性空间，再通过判断逐步收窄到最优解。AI 的 one-shot 产出跳过了这个认知过程，直接给出"看起来完整"的答案，但缺少了每一轮迭代中积累的对问题空间更深入的理解。真正有效的 AI 协作工作流应该模拟这种迭代节奏，而非追求一步到位。

所谓"人类视角"，指的正是那些无法被平均值捕捉的东西——你为什么删掉这一段而保留那一段，你为什么选择这个交互而放弃那个，你的产品究竟想对谁说什么、不说什么。这些取舍构成了产品的个性，而个性恰恰是 AI 平均化产出最难复制的部分。

对 AI 时代创作者的启示

从行业视角看，Bakaus 的观察为当下的"AI 生产力焦虑"提供了一个冷静的坐标。

第一，生成不再是瓶颈，编辑才是。 当每个人都能用 AI 快速产出大量内容和代码时，差异化的护城河将从"能不能造出来"转移到"敢不敢删、懂不懂删"。这意味着团队应当重新分配人力——把更多精力放在评审、精简和取舍上，而非单纯追求产量。

第二，AI 的初稿应被视为原料而非成品。 无论是代码还是文案，把 AI 输出当作可以直接交付的终稿，几乎必然会带来 Bakaus 所说的"slop"。更健康的工作流是：AI 负责铺开可能性，人类负责收敛与打磨。

第三，审美与判断力将成为高价值技能。 在经济学框架下，当某种生产要素被彻底商品化时，互补性的稀缺要素就会获得超额价值——这被称为"互补品效应"。当 AI 使内容生成的边际成本趋近于零时，能够区分"好"与"平庸"的判断力就成了关键的互补稀缺资源。历史上类似的转变曾多次发生：印刷术的普及使编辑和出版人的品味成为核心价值；数码摄影的普及使策展与图片编辑的眼光变得更加重要；音乐制作工具的民主化使 A&R（艺人与曲目管理）的判断力溢价上升。AI 时代的"编辑力"溢价可能远超过往任何一次技术民主化浪潮，因为这一次生成能力的爆发速度和规模都是史无前例的。这对内容创作者、设计师和工程师都是一个明确的信号：培养删减的勇气与判断的敏锐，比学会更多的提示词技巧更为重要。

Bakaus 正在用 Impeccable 这个开源项目把这套哲学产品化——试图让 AI 编程代理学会"少写一点、写好一点"。无论这个具体产品最终成败如何，他指出的方向都值得每一个用 AI 交付产品的人认真思考：

让产品变好的，往往不是你加了什么，而是你敢删掉什么。

核心要点