AI Lacks Laziness

定义

LLM 缺少人类时间有限带来的简化压力，容易把任务完成理解为继续生成，而不是删除、合并或拒绝不必要复杂度。

关键数据点

来源语境: Martin Fowler 转述 Bryan Cantrill 对"懒惰美德丢失"的警告，用来讨论 AI 编程时代的抽象质量。
核心问题: "Work costs nothing to an LLM." 这句话点出 AI 与人类工程师的约束差异：人会因为未来维护痛苦而主动简化，模型默认不会。
直接后果: LLM 可能把系统做大，而不是做好；它能快速堆出功能、分层和胶水代码，却不会自然为未来认知负担付费。
Fowler 的例子: 他在修改 playlist generator 时一度想让 agent 直接实现新能力，但进一步思考后发现应用 YAGNI 可以用更少代码解决。这说明"动手前重新理解问题"本身就是质量控制。

AI Lacks Laziness 是 Agentic-Engineering-Patterns 的反向约束：agent 能持续执行、快速生成、填补细节，但这些优点如果没有人类判断，会把系统推向更大、更满、更难理解。

它也解释了为什么 AI 时代的 review 不能只看"任务是否完成"。Reviewer 必须追问：这段代码是否本该存在？有没有更小的概念模型？是否引入了未来维护者必须理解的新抽象？这些问题不是模型速度能自动抵消的。

前提: 懒惰美德依赖"人类时间有限"和"未来维护痛感"两个约束；模型既不疲劳，也不会承担长期维护后果。
局限性: 这描述的是当前常见默认行为，不是模型永恒属性。若训练目标、review 信号和 harness 明确奖励删除、合并、简化，模型可以被塑造成更接近"懒惰"的行为。
误用风险: 不能把这个概念理解成"不要用 AI 写代码"。正确结论是：AI 生成必须被更强的简化标准和验证反馈包围。