---
title: "你用 LLM，只拿到了均值 | 行开心的颠倒世界"
description: "LLM 的输出是概率分布，大多数人拿到的是中间那块平庸的均值。真正好的答案在尾部——只有本来就懂的人，才能判断好坏、一轮轮地压榨出来。LLM 不是在拉平知识差距，而是在放大差距。"
canonical: "https://xingkaixin.me/posts/llm-only-getting-average/"
language: "zh-CN"
---

# 你用 LLM，只拿到了均值

LLM 的输出是概率分布，大多数人拿到的是中间那块平庸的均值。真正好的答案在尾部——只有本来就懂的人，才能判断好坏、一轮轮地压榨出来。LLM 不是在拉平知识差距，而是在放大差距。

2026年3月20日·735 字·2 分钟

[LLM](https://xingkaixin.me/tags/LLM/)[AI工具](https://xingkaixin.me/tags/AI%E5%B7%A5%E5%85%B7/)[学习](https://xingkaixin.me/tags/%E5%AD%A6%E4%B9%A0/)思考

![你用 LLM，只拿到了均值](https://xingkaixin.me/cover/llm-only-getting-average.webp)

上周让 ChatGPT 写了个 Redis 分布式锁的实现。

代码给出来，看着挺像那么回事——注释有，错误处理有，连日志都帮你写好了。我差点就直接复制进项目了。

后来多看了两眼，发现锁续期的逻辑有 race condition。不是那种一眼 bug，是上线跑两周才会炸的那种。

我当时心想，这东西要是我不懂这块，估计就直接上了。

这就是我现在用 LLM 的感受：它给你的东西，表面看着都正常，但你根本不知道它哪块是虚的。

## 你拿到的是均值

LLM 这东西，输出就是个概率分布。同一个问题，不同人问，出来的东西能差很多。大部分答案都在中间那块，写得通顺，看着有用，其实就是把网上那些套话平均了一下。

真正好的答案在尾巴上。少，但有。

问题是你怎么知道自己拿到的是中间的还是好的那边？

除非你本来就懂。不然你没法判断。

## 为什么懂的人更快

这个事挺反直觉的。

LLM 对不同人的帮助其实不一样。你越懂一个东西，它给你加成的幅度越大。因为你能一眼看出它哪不对，然后让它重来——一轮一轮地，把答案从平庸那边往好那边推。

我不知道这该叫什么，反正我自己管这个叫”压榨”。用你已有的东西去压一个概率机器，逼它把它本来能给但懒得给的东西吐出来。

所以人和人用 LLM 的差距，其实就是谁有能力判断好坏，并且能一直压。

我同事前几天让 LLM 写接口文档。出来格式挺漂亮，字段说明全是”此字段用于存储XXX”这种废话。他觉得挺好的，直接提交了。

我自己试的时候，是先想清楚每个字段的边界条件，然后让 LLM 按我这个框架写。出来的东西才能用。

同一个模型，同一个概率空间，差的就是谁能多榨一点出来。

不过说这话得有个前提——你得先把一个东西真的搞懂。这一步谁都省不了。LLM 帮不了你。

## 还是得往深了走

说实话，LLM 没让知识变平。它是在放大差距。

你给它什么，它给你什么。随便扔个问题过去，出来的东西也就那样。但你先想透了再让它来，效率能差好几倍。

所以我现在觉得，最该干的事还是把某个领域往深了扎。

等你真够深了，它骗不了你。答案差在哪你能说出来，让它重来就是一句话的事，新答案好不好你自己心里也有数。

到那份上，LLM 才真的归你使。

## 版权声明

作者

XingKaiXin

标题

你用 LLM，只拿到了均值

发布时间

2026年3月20日

文章链接

[https://xingkaixin.me/posts/llm-only-getting-average/](https://xingkaixin.me/posts/llm-only-getting-average/)

本作品采用[CC BY-NC-ND 4.0 DEED](https://creativecommons.org/licenses/by-nc-nd/4.0/deed.zh-hans)许可。

导览

展开导览