AI优化1.5ms，手写0.02ms！Ghostty作者怒斥AI编程的“平庸陷阱”

大家好，我是Tony Bai。

在开源界，Mitchell Hashimoto这个名字几乎无人不知。作为 HashiCorp 的联合创始人，他一手打造了 Vagrant、Tagrant、Terraform、Vault等神级工具。而在他离开 HashiCorp 后，他的新宠——极速终端模拟器Ghostty，凭借极其硬核的性能和绚丽的平台原生 UI，在GitHub上狂揽了 55K 颗 Star，成为了Zig 语言当之无愧的杀手级应用。

然而，就在最近，Mitchell 在 X（推特）上发布的一条Tweet，在开发者社区炸开了锅。

这场风波的起因，并不是大家猜测的“Ghostty 要放弃 Zig 转投 Go 语言”，而是一场极其讽刺、甚至有些黑色幽默的“AI Agent 代码优化实验”。他揭露了当今 AI 编码工具最致命的缺陷，并把那些盲目迷信 AI 输出的开发者骂成了“在平庸的喷泉中痛饮的羊群（Sheeple）”。

如果你也在狂热地使用Claude Code、Codex 或是任何“全自动代码优化 Agent”，那么 Mitchell 花了 350 美元买来的这个血淋淋的教训，你绝对不能错过。

这场风波的起因，是 Mitchell 进行的一场极限压力测试。

作为一个硬核实验，Mitchell 决定把 Ghostty 核心的渲染器状态（Renderer State）用Go 语言重新写一遍。（注：他明确回复网友这只是为了好玩和压力测试，并非真的要把 Ghostty 从 Zig 移植到 Go。）

为了给 AI“挖坑”，Mitchell 故意写了一个极度幼稚的渲染器（Naively Renderer）。这段代码简单、正确，能够通过所有的验证测试（Validation Tests），但极其缓慢。

随后，Mitchell 召唤出了当今最火热的编程范式：AI Agent 自动优化（Ralph loop）。他给了 AI（Codex 5.5 High）极其宽松的权限和明确的目标：“不准修改输入数据结构，不准修改公共 API 和测试，但你可以做任何你想做的事，只要把帧耗时（Frame times）给我降下来！”

AI 开始了疯狂的迭代。它能够自己运行测试、读取 CPU/内存 Profile、查阅Go 语言标准库文档……

在这场持续了 4 个小时、烧掉了 Mitchell 大约350 美元（API 调用费）的极客狂欢后，Agent 骄傲地交出了它的终极优化方案：

“听起来是不是不可思议？干得漂亮对吧？” Mitchell 在帖子里冷笑道，“大错特错。这正是 AI 精神错乱（Agent Psychosis）成为一个他妈的大问题的绝佳例子。”

为什么把耗时从 88ms 降到 1.5ms，还被 Mitchell 喷得体无完肤？

因为作为对比，Mitchell 贴出了他自己亲手写（Hand-written）的 Zig 版本渲染器移植到 Go 之后的真实数据：

差距是极其恐怖的 75 倍！

AI 究竟做错了什么？

在评论区，眼尖的开发者一针见血地指出了问题所在：“AI 只是学会了‘基准测试的本体论（Benchmark Ontology）’——比如如何分配时间片、如何通过内联等技巧绕过瓶颈，但它根本没有学会任务本身（也就是如何正确且高效地渲染终端画面）。”

另外一位开发者的调侃更为致命：“让我猜猜，AI 是不是直接在渲染循环的顶部加了个early return（提前返回）？这简直就是经典的‘奖励黑客行为（Reward Hacking）’——我见过一个 Agent 为了优化慢查询，直接把数据库表给删了。”

AI 的逻辑是典型的局部最优解陷阱（Local Maximum Trap）。它在原本的烂代码结构上，通过各种缓存、并发、小修小补，强行把时间压了下来。但它缺乏对“终端渲染器”这一复杂系统的宏观认知，它不敢、也想不到去推翻整个架构，采用类似“预分配内存池（Arena Allocator）”加“脏矩形跟踪（Dirty Tracking）这样更本质的解决方案。

这场 350 美元的实验，揭开了当前 AI 辅助编程最危险的一面。

Mitchell 在帖子的核心部分发出了警告：

“这就是缺乏系统级理解的悲剧。如果你不理解系统，你就会觉得 AI 给出的结果‘令人难以置信’。但如果你真的理解这个系统，你会立刻看出更好的解决方案，并且能做出比 AI 好 75 倍的吞吐量。”

Mitchell 并没有否认 AI 的价值（他自己也在频繁使用 Codex），他痛批的是一种正在行业内蔓延的“盲从文化”。

在如今的开发圈，越来越多的开发者（尤其是缺乏底层经验的初中级工程师）正在把架构设计的权力让渡给 AI。只要代码能跑通，测试显示性能提升了，他们就会毫无保留地合并代码。

Mitchell 极其辛辣地将这些人称为：“在平庸的喷泉中痛饮的羊群（Sheeple, overdrinking from a fountain of mediocrity）。”

当你习惯了 AI 给出的“局部最优解”，你就永远失去了向“全局最优（S-tier 级别性能）”发起冲击的能力。

这篇帖子在 X 上引发了热烈的讨论。数百位资深开发者、CTO 和 AI 研究员纷纷入场，贡献了极其深刻的行业反思：

很多人只看到 AI 帮你“免费”提升了性能，却忽略了背后的算力成本。

如果你让它跑 40 个小时呢？

这场实验，是 Mitchell 直接反击：“如果假设成本是线性的，那就是 3500 美元。谁会为了一个功能花 3500 刀去让 AI 盲目试错？”

这也暴露出目前 AI Agent 极低的资本效率——在工业界，花 350 美元去得出一个“只是及格”的平物化结果，是极度浪费的。

另外一位开发者惊叹于 AI 居然能为一个完全不懂底层的人带来量级上的性能提升。

但 Mitchell 立刻指出了最让人细思极恐的问题：“确实如此。但如果所有人都满足于 AI 给出的‘还可以’的结果，未来的 S 级程序员从哪里来？谁去承担那种需要深入底层、推倒重来的艰苦工作？”

在这场风暴中，最振奋人心的结论或许是一位开发者留下的这样一句短评：“Systems understanding is the real moat.（系统理解才是真正的护城河。）”

AI 可以瞬间写出几百种排序算法，可以帮你把嵌套循环优化成哈希表。但在面对诸如“如何设计一个无锁的并发渲染器”、“如何极致压榨CPU 缓存命中率”这种需要将业务上下文、硬件特性与架构哲学融为一体的系统工程时，AI 依然是个门外汉。

Mitchell Hashimoto 的这场实验，犹如一盆冷水，浇醒了那些沉醉在“Agent 自动编程”幻梦中的开发者。

AI 时代的到来，并不是为了让我们交出思考的权力。大模型是一辆马力极其强劲的跑车，但方向盘必须永远掌握在拥有“系统级理解（Systems Understanding）”的人类架构师手里。

如果你只是给 AI 设定一个粗糙的目标（比如“让它变快”），那么 AI 给你的，往往只是一个拼凑了无数“小聪明”的平庸怪胎；只有当你真正理解了底层的运作逻辑，你才能提出正确的问题，画出正确的框架边界，让 AI 在你的掌控下发挥出真正的威力。

正如 Mitchell 在文章最后语重心长的忠告：

“我一直在用 AI，我喜欢 AI。我想表达的是：不要盲目接受结果。去思考，去分析，去学习（Think. Analyze. Learn.）。”

在这个“劣币驱逐良币”、平庸代码泛滥的时代，愿我们都能守住最后那一点对极致性能的工匠精神，拒绝成为那些在平庸代码投喂中彻底断代。

资料链接：https://x.com/mitchellh/status/2060088112257372610

✍️ 今日互动讨论

在你的日常开发中，有没有遇到过被 AI“带偏”的时刻？如果让你用 350 美元去跑一个自动化优化的 Agent，你觉得它是“物超所值”还是“智商税”？

欢迎在评论区分享你的看法，我们一起聊聊 AI 时代的防坑指南！

如果本文对你有所帮助，请帮忙点赞、推荐和转发！

点击下面标题，阅读更多干货！

- HashiCorp 创始人亲口“认错”：AI 让我重新爱上了 Go

-HashiCorp创始人Mitchell Hashimoto 的 Agentic Engineering 实战心法

-HashiCorp联合创始人：Go是成功且无悔的选择

-Bun 创始人带头“叛逃”：放弃 Zig，用 AI 把项目重写成 Rust？

-拒绝 Rust 的复杂，跨越 Go 的极极简：Zig 会是系统级编程的最终答案吗？

-Shopify 23,000 名工程师背后的 Claude Code 配置方案

-Google 开源 AX 与 Agent Substrate：构建以 Agent 为核心的云原生计算底座

🔥 还在为“复制粘贴喂AI”而烦恼？我的新极客时间专栏《AI原生开发工作流实战》将带你：

扫描下方二维码👇，开启你的AI原生开发之旅。