AI;DR: AI 生成内容的新社会契约的出现

AI;DR 政策：拒绝未经编辑的 AI 垃圾内容

AI;DR (AI; Didn't Read) 是一种针对未经编辑的原始 AI 生成文本泛滥的社会化回应，即如果发送者没有费心进行审查或编辑，接收者将拒绝阅读该内容。 该政策反映了 "TL;DR" (Too Long; Didn't Read) 现象，但侧重于沟通的质量和意图，而非长度。其核心前提是，发送未经过滤的 AI 输出是智力懒惰的表现，也是对接收者时间的尊重缺失。

在专业和个人沟通中——例如 Slack 讨论、时事通讯和社交媒体——"AI-isms"（通用、华丽或过于冗长的语言）的存在表明发送者可能并未完全理解或认可这些文字。因此，接收者觉得没有义务投入精力去解析这些内容。

"Meat Proxy" 问题与外部化成本

发送原始 AI 输出会将人类发送者转变为 "meat proxy"（肉身代理），即该人员仅充当机器的传声筒，而没有加入人类的判断或验证。 这创造了一种动态关系，即发送者将审查材料的认知成本外部化到了接收者身上。

这种行为被识别出的关键问题包括：

• 责任的放弃： 当发送者提供一大堆 AI 文本时，接收者成为了第一个实际的人类审查者，被迫去权衡作者本应审核过的声明的价值和合理性。
• 来源的丧失： 使用 AI 作为中间人模糊了思想的来源，并可能导致沟通误解或清晰度延迟。
• 信任的侵蚀： 写作是建立信任的主要载体。当读者怀疑作者并未真正阅读过自己的输出时，沟通的社会契约就被打破了。

对软件工程和技术文档的影响

AI 生成内容的泛滥正在技术代码库和同行评审中创造一种 "post-readability"（后阅读性）环境。 工程师们报告称，AI 生成的文档和注释正在激增，这些内容只增加了容量而没有增加价值。

具体的的技术摩擦包括：

• PR Noise： Pull Requests (PRs) 越来越多地充斥着 AI 生成的提交信息和文档，读起来像是正式的法案而非简洁的摘要，迫使评审员的工作量比作者还要大。
• 低细微差别的技术声明： 有报告称，AI 编写的技术文章对复杂架构（例如通过 TCP/IP 传输的 PCIe 设备）做出了大胆的声明，却完全忽略了 DMA、interrupts 或 IOMMU 等关键的技术细微差别。
• 代码库膨胀： AI 生成的注释正在成为一种 "second documentation system"（第二文档系统），这些注释通常由噪音组成，描述的是 what（代码在做什么）而不是 why（代码为什么要这样做）。

针对原始 AI 输出的替代方案建议

为了维持专业礼仪和沟通效率，已经提出了几种发送原始 AI 文本的替代方案：

• 分享 Prompt，而非输出： 与其发送生成的文本，不如发送所使用的 prompt。这传达了发送者想要沟通的准确意图和信息，而没有 LLM 添加的 "flowery language"（华丽语言）和猜测。
• Own the Session： 在协作任务中，提供模型和 prompt，以便接收者可以亲自引导 AI 会话，而不是接收一份静态的、可能无关紧要的报告。
• Human-in-the-Loop Editing： 使用 AI 获取思路或大纲，但确保最终的文字由人类进行编辑，以消除通用的 AI 腔调并确保事实准确性。

反方观点与细微差别

虽然 AI;DR 情绪很普遍，但有人认为，关注内容 如何 产生可能会掩盖其本身的实用性。

"I personally don't care whether a piece of writing was AI-generated as long as it's useful or insightful... statistically speaking 90% AI-generated pieces are a waste of readers' time. It's a good strategy to simply skip them."

其他考虑因素包括：

• 非母语者的可访问性： 对于使用第二语言进行沟通的人来说，AI 可以是翻译和清晰度的重要工具。然而，批评者指出，即使在这些情况下，"broken English"（蹩脚的英语）传达了真实的人类思想，通常也比润色过但空洞的 AI 散文更受欢迎。
• "AI Tell" Paradox（"AI 迹象"悖论）： 由于 AI 是基于高质量的人类写作进行训练的的，一个优秀作者的特征（例如使用 em-dashes 或特定的技术术语）正越来越多地被误认为是 "AI tells"，导致无辜的作者被指控使用 LLM。