主要观点：作者认为公司引入“AI 预算”用于购买喜欢的 ChatGPT 口味，但自己暂不购买，因为自身技术（如 Clojure/Lisp + Emacs + REPLs + xref）能覆盖大部分 LLM 用例，只有当技术糟糕时才需要 LLMs。
关键信息：

• 不同语言的 boilerplate 生成问题，如 Java、C++、JavaScript 需 boilerplate 而 LLMs 可提供，但不如宏好用，只有语言缺乏宏时才需 LLMs。
• 数据生成可通过复制文档数据并处理，如利用系统/外壳/编辑器的键盘宏或 sed、awk 工具，系统缺乏自动化时才需 LLMs。
• 测试方面，好的测试系统如提供代码中的测试或交互式开发的 REPLs 可避免 LLM 生成测试 boilerplate，Python REPLs 不佳。
• 学习和使用 ffmpeg 和 imagemagick 困难，良好设计和文档的 API 可使其更易用，文档差和 API 设计不佳时才需 LLMs。
• 信息搜索应依靠好的搜索引擎，而非仅依赖 LLMs，如今普通搜索引擎效果不佳，Chatbots 会影响信息搜索能力。
  重要细节：
• 提到 C 预处理器宏、Visual Basic 宏，强调真实的如 Rust、Clojure 或 Lisp 中的宏。
• 关于 REPLs 详细说明了其允许在程序运行时重新定义类和函数、交互式调试、结构上内省程序状态等功能，以及内联测试的好处。
• 指出 Chatbots 会削弱信息搜索能力，使人失去获取人类替代方案的能力。
• 最后呼吁尝试现有技术解决问题，减少对 ChatGPT 的依赖，让技术不糟糕。同时提供通过邮件留下反馈的方式。