主要观点：AI 疲劳真实存在，AI 内容泛滥，但大型语言模型（LLM）可以是有用工具，如在解决编码问题方面。谷歌搜索质量下降，作者逐渐依赖 LLM，此文聚焦 LLM 的优缺点，特别是在解决编码问题上。并以 ChatGPT 为例，分享与它的互动经历，包括好的、惊人的、坏的和丑陋的方面。
关键信息：

• 作者不买 ChatGPT 订阅，示例多基于 GPT-3.5 或 GPT-4o mini。
• 在 Go 语言中，ChatGPT 能正确推断语境并提供较好的连接处理代码，比作者自己的代码更好，但未提及设置读取超时和重用底层连接的陷阱，且丢弃了读取的字节数。与在 StackOverflow 搜索到的结果对比，ChatGPT 给出更好答案。
• 为 Goldmark 写扩展以重写链接的代码，ChatGPT 给出几乎正确的代码，但有未使用和缺失的导入以及编译错误，该代码仍用于博客。
• 对于在 IntelliJ 中通过项目配置 VM 选项的问题，ChatGPT 给出的sbt-idea-plugin方案错误，该插件不能根据 SBT 配置生成项目文件。
• ChatGPT 对一些问题的回答有误，如误认 Go+没有 map，称 IntelliJ 宏可参数化 VM 选项等。
  重要细节：
• 作者在不同场景下与 ChatGPT 的互动及代码示例，如 Go 语言的连接处理代码、Goldmark 扩展代码、IntelliJ 配置 VM 选项等。
• 提及各种工具如 Google Search、GitHub Copilot 等，以及它们与 ChatGPT 的比较。
• 强调即使 LLM 有好的表现，仍需有人验证答案，因为 LLM 会幻觉且有时需要额外输入。