技术博客在 AI 时代还有意义吗

2024 年，我问了 ChatGPT 一个问题：“解释 Linux io_uring 的工作原理。”它给了我一个正确的、结构清晰的、大约 800 字的回答。覆盖了 SQ/CQ 的基本概念，提到了 SQPOLL 和 fixed buffers，甚至引用了 Jens Axboe 的名字。

作为一个写了 10 篇 io_uring 文章的人，我的第一反应是：我是不是在浪费时间？

想了两个月。结论：不是。但理由不是”AI 回答不够深”——虽然确实不够深。真正的理由是两件事。

一、AI 给你答案，博客给你判断力

ChatGPT 解释 io_uring 时说的都对。但它不会告诉你：

AI 给你的是”io_uring 是什么”。博客给你的是”什么时候用 io_uring 什么时候不用”。前者是知识，后者是判断力。知识可以被搜索引擎和 AI 查到。判断力只能通过实际跑 benchmark、踩坑、分析数据来积累。

写博客的过程就是积累判断力的过程。你不写，你不知道 SQPOLL 的 trade-off 到底是什么。你问 AI，它告诉你”SQPOLL 会占一个 CPU 核”——正确，但你不知道这在你的场景下意味着什么。

费曼说：“如果你不能简单地解释一件事，说明你还没有真正理解它。”

写内存屏障那篇文章的时候，我以为我理解内存屏障。写到第三章我发现我不理解——我不知道为什么 volatile 在内核里被禁止使用。查了 Linux kernel documentation、读了 LKMM 的形式化定义、在 ARM 上跑了反例程序，才搞明白。

这个过程 AI 替代不了。不是因为 AI 不能解释 volatile 和内存屏障的区别——它能，而且解释得很好。而是因为“搞明白”和”被告知”是两种完全不同的认知过程。

被告知是输入。搞明白是重组。写出来是输出。完整的输入-重组-输出循环是深度学习的核心。AI 可以帮你加速输入阶段，但重组和输出只能你自己来。

AI 出现之前，技术博客的主要价值是”教程”——告诉你怎么用某个技术。这类博客确实在被 AI 取代。“如何配置 nginx”、“如何安装 Docker”、“如何用 Python 读 CSV”——这些你问 AI 比看博客快。

AI 取代不了的博客类型：

1. 数据驱动的对比测试

跑 benchmark、做 A/B 测试、记录真实环境下的性能数据。AI 没有你的硬件，没有你的工作负载，不能替你跑实验。

2. 踩坑记录（war story）

“我调了三天的 bug 原来是内存屏障的问题”——这类文章的价值不在于内存屏障的解释，而在于调试过程的思维路径。AI 可以告诉你内存屏障是什么，但不能告诉你为什么你的特定代码在 ARM 上崩溃。

3. 设计决策分析

“为什么 etcd 用 Raft 不用 Paxos”、“为什么 SQLite 选择单写者”——这类文章分析的是权衡，不是正确答案。AI 可以列出 Raft 和 Paxos 的区别，但不能告诉你 etcd 的工程团队面对的具体约束。

4. 强观点文章

“大多数无锁代码其实不是无锁的”、“一致性哈希可能还不如随机”——这类文章有明确的立场、有数据支撑、有反直觉的结论。AI 不会写这类文章，因为它被训练成给出平衡的、无争议的回答。

这个博客的流量数据支持上面的分析：

教程型文章的流量在 2024 年明显下降（同比 -30%）。源码分析和打脸文章的流量持平或增长。

解释：教程型内容被 AI 分流了——用户直接问 AI 而不是搜索。但深度分析和实测数据类文章，AI 给不出来（因为它没有跑过实验），用户仍然需要搜索。

AI 时代写技术博客不是浪费时间。但你需要改变写的东西。

停止写的： - “X 是什么”类教程 - “如何安装/配置 X” - 官方文档的重述

继续写的： - 带 benchmark 的对比测试 - 带真实 bug 的调试记录 - 有明确观点的分析文章 - 源码级别的深度拆解

AI 是你的研究助手，不是你的替代品。它帮你查资料、写草稿、补充细节。但观点、实验、判断——这些是你的。

延伸阅读：