在 Hacker News 的求職版塊裡，一個失業六個月、背負債務與家庭重擔的開發者，在發出求職訊號後的數小時內，收到的不是面試邀請，而是一封由 LLM 自動生成的推銷郵件。對方聲稱能提供「生產級別的 TypeScript 與 Python 系統」，卻連基本的對象篩選都懶得做，直接把推銷代碼生成的垃圾郵件塞進了一個急需工作的人手裡。這種技術上的傲慢與冷血，正暴露出當前 LLM 在 Agent 實踐中的集體崩壞：我們以為在構建效率，實際上只是在批量製造數位噪音。
這類「自動化騷擾」背後的技術邏輯其實極其拙劣。攻擊者通常利用爬蟲抓取特定論壇的實時更新，將文本餵給 API，要求生成一段看似專業的「開發者對開發者」的開場白，最後通過自動化郵件腳本發射出去。在這種場景下，Claude 在處理長文本脈絡時的細微差異就顯現得淋漓盡致。如果你要求 Claude 3.5 Sonnet 分析一段求職者的自述並給出回覆建議，它在系統提示詞（System Prompt）約束下，對於「同理心」與「語境適配」的邊界感極強。它能識別出對方處於求職的弱勢地位，從而拒絕生成帶有強烈推銷色彩的內容。相比之下，GPT-4o 在執行這類任務時，往往顯得過於「聽話」，只要你給出的指令（Prompt）稍微包裝一下商業目標，它那流暢而空洞的商務腔調就會精準地踩在受害者的神經上。
這種技術應用的偏差，本質上是 RAG（檢索增強生成）在極端功利主義下的畸形產物。開發者們引以為傲的向量數據庫，存儲的不再是知識，而是待宰的獵物名單。當我們討論一個 Agent 是否「生產可用」時，往往只關注它的 Token 吞吐量和 API 調用成本，卻忽略了它對現實世界邏輯的理解。Gemini 在處理這類多模態或長上下文的社交抓取任務時，雖然具備強大的訊息提取能力，但在處理「不該做什麼」的倫理校準上，依然像是一個拿著電鋸做手術的實習生。它能精準地從求職貼中提取出「自動化」、「Python」等關鍵字，卻讀不懂字裡行間那種「我快撐不下去」的絕望情緒。
這種現象在技術圈的蔓延，讓人不禁想起某些特定市場的工具開發邏輯。相較於 DeepSeek 在特定代碼邏輯生成上的高性價比，Claude 在處理複雜的人文邏輯與指令遵循時，展現出一種近乎偏執的克制。這種克制不是技術達不到，而是模型權重中對「安全」與「語境」的理解層級更高。同樣的任務，丟給 Qwen 處理，它或許能交出更符合特定語境的中文商務對白，但在跨文化的社交邊界感上，與四大平台相比，依然存在一種難以言說的違和感。我們現在面臨的尷尬境地是：技術越門檻化，平庸與惡意就越容易規模化。
一個真正具備「生產力」的 LLM 應用，不應該是這種毫無篩選的群發器。如果開發者連「求職者需要的是雇主而非外包服務」這種基本的邏輯過濾都寫不進 Function Calling 裡，那他所標榜的「Agent 編排」不過是高級點的垃圾郵件群發腳本。Grok 在處理這類實時社交數據時，表現得更為尖銳且具備時效性，但它那種帶有侵略性的語言風格，如果被用於這種求職騷擾場景，後果簡直是不忍直視的災難。
我們是否已經進入了一個「技術平庸化」的死循環？當 LLM 讓代碼生成的成本降到趨近於零，那些原本需要一點點腦子和良知才能完成的市場行為，現在只需要幾行 Python 腳本就能搞定。這種對技術的濫用，正在損害所有 AI 產品的信譽。當一個求職者在最脆弱的時候被 AI 虛假地安慰，隨後被推銷一堆他根本不需要的工具，這種技術帶來的「冷暴力」比失業本身更讓人心寒。
如果未來的自動化世界，是由無數個缺乏語境感知、只會機械執行任務的 Agent 組成，那我們構建這些模型的初衷究竟是什麼？是為了讓人類從繁瑣中解脫，還是為了讓彼此的溝通徹底變成一場算法對算法的虛空搏殺？當你下一次準備寫個腳本去抓取數據並自動發送郵件時，或許該想一想，你的 Prompt 裡有沒有寫上那句最基本的人情世故。在那之前，所有的技術參數和模型評分，在一個真正感到痛苦的人面前，都顯得如此蒼白且可笑。