Armin Ronacher 想改造一个廉价 CarPlay 转接器，让它在转发 CarPlay 之外运行自己的程序。买到设备后才发现，硬件并不是社区项目支持的芯片版本。过去，这种需要逆向设备、移植代码又可能刷成砖的项目，很容易在这里结束。
但这一次，他和多个模型一起找到了刷机路径，让现有的 Rust 实现适配了新的 SoC。更值得注意的是，连最初选择哪条技术路线、应该购买什么设备，也不是他独立决定的，而是模型在对话中推荐并筛选出来的。
#模型不仅帮助执行，也在提供选题
Armin 随后发现，一位熟人几乎同时尝试了类似的 CarPlay 项目，也是在模型提示下找到同一个改造社区。两个人都认为自己在探索个人兴趣，但他们的起点和路径可能来自同一批模型的相似能力分布。
这种现象在 AI 开发者社区越来越常见：很多人“独立”开始做相似的工具、报告和工作流。它当然可能意味着问题本来就显而易见，也可能来自社交网络的传播；但还有第三种解释——大家向相似模型提出开放问题，而模型不断把人引向自己最熟悉、成功概率最高的方向。
#相同的潜在能力，会生成相似的产品路线
模型拥有一组潜在能力和高概率联想。开发者通过对话把它们激活时，很容易误把模型的推荐当成完全来自自己的灵感。比如，用 HTML 而不是 Markdown 生成可分享报告，曾经看起来像少数人的独特做法；随着模型对 Artifact 和网页输出越来越熟悉，它迅速变成许多人的默认选择。
这不意味着模型“偷走创意”，也不意味着所有趋同都由模型造成。更准确的说法是，LLM 成了新的知识扩散层：它把训练数据中分散的做法压缩成随问随取的建议，同时用概率偏好为用户排序。过去需要在社区里偶然碰到的路线，现在会被模型反复主动提出。
#Agent 时代的差异化来自模型之外
当执行成本下降，做出一个可用产品不再稀缺；提出模型不会自然建议的问题，反而更难。 真实行业摩擦、长期积累的审美、特殊用户关系和物理世界经验，会成为抵抗“模型趋同”的关键输入。
团队还需要区分两个问题：这是用户真实存在的痛点，还是模型特别擅长描述的方案？这条路线是经过现场验证后选择的，还是因为它最容易被当前模型生成？
LLM 的确提高了人们进入陌生领域的韧性，让原本会被放弃的硬件项目继续推进；但同一股力量也可能把大量创造力引向相似的局部最优。模型越强，产品判断越不能只来自模型。