LinkedIn 已经充斥着看重表面而非实质的表演性生产力，尤其是在计算机视觉项目领域。用户 routinely 分享自己挥手触发基本物体跟踪的视频，或展示除了发布之外没有实际用途的坑洼检测系统。正如作者所描述的：“每次我打开 LinkedIn，我就会看到这些计算机视觉项目——有些人挥舞着手，系统就跟踪它们。”作者指出这些项目“甚至没有用处”，“甚至没有人会喜欢使用。”这种现象反映了一种更广泛的文化，在这种文化中，“正常的人类文本会消亡，只有类似辐射防护服的大语言模型才能让它存活下来。”术语 ‘larpmaxxing’ 捕捉到了这种将生产力进行 Live Action Role Playing（LARP）的行为，用户主要为了可见性而非真正的创新或实用性来模拟熟练的工作。
文章描述了用户如何分享仅用于发布而没有实际用途的坑洼检测系统，这说明了演示性计算机视觉内容。
文章指出，用户经常发布自己挥手触发基本物体跟踪的视频，这需要很少的技能但看起来令人印象深刻。
为了量化此类内容创作有多么琐碎，作者构建了一个名为 'YOLO Post Detector' 的工具，专门用于识别 LinkedIn 上吹嘘 YOLO（You Only Look Once）目标检测项目的帖子。这一过程所需的专业知识微乎其微：使用自动化脚本从他们的 LinkedIn 动态收集了 200 张截图，在 Roboflow 中通过绘制目标元素的边界框进行标注（大约耗时 20 分钟），并在 320 像素图像尺寸下使用 YOLOv8n 模型训练 50 轮。尽管他们将自己的电脑描述为 ‘potato pc’，但从学习工具到部署一个可工作的检测器，整个过程仅用了 90 分钟。得到的脚本成功识别出包含类似 ‘🚀 Excited to announce I made a YOLO project’ 短语的帖子，证明在该平台上制作看起来技术印象深刻的内容所需的 sforço 极少。
这种创作的容易程度暴露了 LinkedIn 激励机制的根本错位：平台奖励看起来有趣，而非可证明的技能增长。正如作者所得出的结论：“该网站上没有什么会奖励你变得更好。它是一个围绕为工作推销自己构建的平台，因此存活下来的不是技能，而是看起来有趣。”用户反复分享同一类肤浅项目的变体——比如‘同一个人一遍又一遍地检测坑洼，却没有任何改进的迹象’——因为批判性评论可能会损害他们的职业形象。因此，LinkedIn 已经成为一个空间，在这空间里，AI 和计算机视觉流行的表演性展示得以蓬勃发展，不是因为它们代表了有意义的专业知识，而是因为它们在一个重视外观而非实际能力的环境中产生了参与度。