AI 用45分鐘搞定原本3小時(shí)的工作，工程師直言：我現(xiàn)在更累了！

你用上了 AI，本來是想把效率拉滿：寫代碼更快、查資料更省事、連思路都有人隨時(shí)幫你捋清楚。可現(xiàn)實(shí)卻有點(diǎn)反直覺——事情確實(shí)做得更多了，人卻比以前更累了。

這種“效率越高，疲憊感越強(qiáng)”的狀態(tài)，正在不少工程師身上反復(fù)上演。它不像加班那樣顯眼，卻更隱蔽，也更難說清楚：明明工具更強(qiáng)了，為什么反而停不下來？為什么總覺得腦子一直在轉(zhuǎn)，卻很少真正休息過？

OpenFGA（CNCF 孵化項(xiàng)目）的核心維護(hù)者之一、資深工程師 Siddhant Khare，最近把這種感受寫成了一篇文章——《AI 疲勞正在發(fā)生，只是我們很少談起》。他結(jié)合自己的工作經(jīng)歷，聊了 AI 如何在“解放生產(chǎn)力”的同時(shí)，也悄悄抬高了工作的心理負(fù)荷。這篇文章很快登上 Hacker News，引發(fā)了大量工程師的共鳴與討論。

原文鏈接：https://siddhantkhare.com/writing/ai-fatigue-is-real

作者 | Siddhant Khare 編譯 | 蘇宓

出品 | CSDN（ID：CSDNnews）

我在上個(gè)季度發(fā)布的代碼量，超過了職業(yè)生涯中的任何一個(gè)季度。同時(shí)，我也比以往任何時(shí)候都更疲憊。

這兩件事之間并非毫無關(guān)聯(lián)。

我日常就是以構(gòu)建 AI Agent 的基礎(chǔ)設(shè)施為生。我是 OpenFGA（CNCF 孵化項(xiàng)目）的核心維護(hù)者之一，我開發(fā)了用于 Agent 授權(quán)的 agentic-authz（https://github.com/Siddhant-K-code/agentic-authz），也開發(fā)了用于上下文去重的 Distill（https://distill.siddhantkhare.com/），還發(fā)布了 MCP 服務(wù)器。我不是那種“隨便玩玩 AI”的工程師，我是深度參與其中的人，我自己所構(gòu)建的工具，做的就是讓其他工程師能把 AI Agent 真正跑在生產(chǎn)環(huán)境里。

但即便如此，我還是撞上了“南墻”。那種精疲力竭的感覺，不是換點(diǎn)工具、調(diào)優(yōu)一下流程就能解決的。

如果你是一名每天都在用 AI 的工程師，用它進(jìn)行設(shè)計(jì)評(píng)審、寫代碼、查 bug、編寫文檔、做架構(gòu)決策——而你隱約感覺：自從有了 AI，反而更累了，那么這篇文章是寫給你的。

你不是在臆想，也不是你不夠努力。你正在經(jīng)歷一種真實(shí)存在、卻被整個(gè)行業(yè)刻意忽視的狀態(tài)。連一個(gè)全職做 Agent 基礎(chǔ)設(shè)施的人都會(huì)被 AI 搞到精疲力盡，那這種事，誰都有可能遇到。

我想坦誠地聊聊這件事。不是那種“AI 太棒了，這是我的工作流”的版本，而是真實(shí)的版本：晚上 11 點(diǎn)，你盯著屏幕，被一堆 AI 生成的代碼包圍著，而這些代碼你仍然得自己一行行審查。你開始懷疑，那個(gè)本該幫你省時(shí)間的工具，為什么反而吞噬了你的一整天。

沒人提前告訴我們的那個(gè)悖論

有一段時(shí)間，真正把我“繞暈”的，其實(shí)是這樣一件事：AI 的確能讓單個(gè)任務(wù)變快，這一點(diǎn)毫不虛假。以前要花我 3 個(gè)小時(shí)的事，現(xiàn)在 45 分鐘就能搞定。寫設(shè)計(jì)文檔、搭一個(gè)新服務(wù)的框架、編寫測試用例、研究一個(gè)不熟的 API，速度都大大提升了。

可問題在于，我的一天并沒有因此變輕松。恰恰相反，一切變得更難了。

這個(gè)原因，一旦看清其實(shí)很簡單，但我花了好幾個(gè)月才真正想明白。當(dāng)每個(gè)任務(wù)所需的時(shí)間變少，你并不會(huì)因此做更少的事，而是會(huì)做更多的事。你的工作能力似乎提高了，于是工作自然會(huì)隨之增加，甚至超出預(yù)期。

你的經(jīng)理看到你交付得更快，預(yù)期隨之提高。你自己看到效率提升，對自己的要求也會(huì)悄然上調(diào)。于是，基準(zhǔn)線被整體抬高了。

在 AI 出現(xiàn)之前，我可能會(huì)用整整一天去琢磨一個(gè)設(shè)計(jì)問題。先在紙上畫畫，洗澡時(shí)繼續(xù)想，出去走一圈，回來時(shí)思路逐漸清晰。節(jié)奏不快，但認(rèn)知負(fù)擔(dān)是可控的：一天，一個(gè)問題，深度且專注。

現(xiàn)在呢？一天之內(nèi)，我可能要同時(shí)碰六個(gè)不同的問題。每一個(gè)都“只需要一小時(shí)，用 AI 就能搞定”。但在人類大腦這里，在六個(gè)問題之間頻繁切換，本身就是一筆極其昂貴的開銷。AI 不會(huì)因?yàn)榍袚Q上下文而疲憊，但我會(huì)。

這正是那個(gè)悖論所在：AI 降低了生產(chǎn)的成本，卻抬高了協(xié)調(diào)、審查和決策的成本。而這些新增的成本，幾乎全部落在了人身上。

你成了代碼審查者，但你從沒主動(dòng)想過做這個(gè)崗位

AI 把代碼源源不斷地丟上傳送帶，速度快到人類根本來不及逐行審查

在 AI 出現(xiàn)之前，我的工作是這樣的：想清楚問題、寫代碼、測試、發(fā)布。我是創(chuàng)造者，是動(dòng)手做事的人。這也是大多數(shù)工程師最初選擇這份職業(yè)的原因——因?yàn)椤皹?gòu)建”本身就讓人著迷。

而在 AI 之后，我的工作逐漸變成了另一套流程：寫提示詞、等待、閱讀輸出、評(píng)估結(jié)果；判斷代碼對不對，安不安全，是否符合整體架構(gòu)；修改不合適的部分，再次寫提示詞，然后重復(fù)這一切。我不再只是創(chuàng)造者，而是變成了審查者、裁判、質(zhì)檢員，站在一條永不停歇的流水線上。

這是一種截然不同的工作。創(chuàng)作會(huì)讓人精力充沛，而不斷地審查卻會(huì)不斷消耗精力。心理學(xué)上對此早有研究：生成型任務(wù)和評(píng)估型任務(wù)對人的影響截然不同。前者容易讓人進(jìn)入“心流”狀態(tài)，后者則更容易帶來決策疲勞。

我第一次明顯意識(shí)到這一點(diǎn)，是在密集使用 AI 開發(fā)一個(gè)新微服務(wù)的那一周。到了周三，我已經(jīng)沒法做出哪怕是最簡單的決定了：這個(gè)函數(shù)該叫什么名字？無所謂。這個(gè)配置文件放哪？也無所謂。我的大腦被塞滿了——不是因?yàn)閷懥硕嗌俅a，而是因?yàn)檎於荚趯Υa做判斷。成百上千個(gè)細(xì)小的判斷，一天接一天。

更諷刺的是，AI 生成的代碼，反而比人寫的代碼更需要仔細(xì)審查。同事寫的代碼，我了解他們的習(xí)慣、優(yōu)勢和盲區(qū)，可以快速略過我信任的部分，把精力集中在可能出問題的地方。但面對 AI，每一行都值得懷疑。代碼看起來似乎很可靠，能編譯，甚至可能通過測試，但它也可能在某個(gè)極其隱蔽的角落出錯(cuò)，這些代碼往往只會(huì)在生產(chǎn)環(huán)境、在高負(fù)載、在凌晨三點(diǎn)的時(shí)候「爆雷」。

于是你只能逐行閱讀。而閱讀那些并非出自你之手、由一個(gè)并不了解你代碼庫歷史和團(tuán)隊(duì)約定的系統(tǒng)生成的代碼，本身就是一項(xiàng)極其消耗心力的工作。

這也是為什么我一直認(rèn)為，Agent 的安全與授權(quán)如此重要。如果我們不可能審查 AI 產(chǎn)出的每一行代碼——事實(shí)上，在規(guī)模化之后這根本做不到——那就必須在一開始就限制 Agent 能做什么：最小權(quán)限、作用域清晰的令牌、完整的審計(jì)記錄。你越不用擔(dān)心“AI 會(huì)不會(huì)做出危險(xiǎn)的事”，就越能把有限的認(rèn)知資源，用在真正重要的工作上。

這不僅是一個(gè)安全問題，更是一個(gè)人能不能長期撐下去的問題。

不可預(yù)測性的問題

工程師從入行起接受的就是“確定性”訓(xùn)練：相同的輸入，必然得到相同的輸出。這是一種默認(rèn)契約。正是它，讓調(diào)試成為可能，讓我們能夠?qū)ο到y(tǒng)進(jìn)行推理和把控。

而 AI，打破了這份契約。

同樣的提示詞、同一個(gè)模型，結(jié)果卻可能完全不同——有時(shí)是干凈利落的代碼，有時(shí)卻是一團(tuán)意大利面

我曾經(jīng)有一個(gè)提示詞，在周一表現(xiàn)得近乎完美，為一個(gè) API 接口生成了結(jié)構(gòu)清晰、邏輯嚴(yán)整的代碼。周二，我用同樣的提示詞去寫一個(gè)類似的接口，輸出卻變了：整體結(jié)構(gòu)不同，錯(cuò)誤處理方式也不同，甚至還多引入了一個(gè)我根本不需要的依賴項(xiàng)。

為什么會(huì)這樣？沒有原因。至少，我找不到任何理由。這里沒有“為什么會(huì)這樣”的堆棧信息，也不會(huì)有日志告訴你“這次采樣走了 B 路徑而不是 A 路徑”，事情就這么發(fā)生了。

對于一個(gè)職業(yè)生涯建立在“只要出問題，我就能查清原因”之上的工程師來說，這種體驗(yàn)令人極度不安。不是那種戲劇化的恐慌，而是一種緩慢、持續(xù)、在背景里不斷磨人的焦慮。你永遠(yuǎn)無法完全信任輸出，也永遠(yuǎn)無法真正放松。每一次交互，都需要高度警惕。

我試圖對抗這種不確定性。我給提示詞做版本控制，設(shè)計(jì)復(fù)雜的系統(tǒng)消息，制作各種模板。這些方法多少都有幫助，但都沒能解決根本問題：你正在和一個(gè)概率系統(tǒng)協(xié)作，而你的大腦是為確定性系統(tǒng)而生的。這種錯(cuò)位，本身就是一種長期、低強(qiáng)度的壓力源。

正是這種挫敗感，促使我去構(gòu)建 Distill——一個(gè)面向 LLM 的確定性上下文去重工具。它不調(diào)用模型，不用 embedding，也不依賴概率啟發(fā)式，而是純算法，在大約 12 毫秒內(nèi)完成上下文清理。我希望至少在 AI 管道里，有一部分是我能夠推理、調(diào)試并真正信任的東西。既然模型的輸出注定是非確定的，那我至少要保證輸入是干凈、可預(yù)測的。

我接觸過的工程師里，真正適應(yīng)得最好的人，往往是那些已經(jīng)與這種不確定性“和解”的人。他們把 AI 的輸出當(dāng)成一個(gè)聰明但不太靠譜的實(shí)習(xí)生交來的初稿，默認(rèn)需要重寫其中 30% 的內(nèi)容，并在計(jì)劃里為這一步留出時(shí)間。輸出不對時(shí)，他們不會(huì)沮喪，因?yàn)樗麄儚囊婚_始就沒指望它是“正確的”，而只是希望它“有用”。這兩者之間，差別很大。

被 FOMO 推著跑的跑步機(jī)

先深呼吸一下，試著回顧最近這幾個(gè)月發(fā)生了什么。

Claude Code 先是上線了子 agent，接著是 skills，然后是 Agent SDK，再到 Claude Cowork；OpenAI 推出了 Codex CLI，緊接著又發(fā)布了 GPT-5.3-Codex——一個(gè)“參與了自身代碼編寫”的模型；新的編程 agent 宣布支持后臺(tái)模式，可以同時(shí)跑上百個(gè)自治會(huì)話；Google 發(fā)布了 Gemini CLI；GitHub 加了 MCP Registry；并購幾乎每周都在發(fā)生；Amazon Q Developer 迎來 agent 化升級(jí)；CrewAI、AutoGen、LangGraph、MetaGPT……隨便選一個(gè) agent 框架，每周都會(huì)冒出新的；Google 推出 A2A（Agent-to-Agent 協(xié)議）來對標(biāo) Anthropic 的 MCP；OpenAI 發(fā)布了自家的 Swarm 框架；Kimi K2.5 上線，號(hào)稱用 agent swarm 架構(gòu)同時(shí)編排 100 個(gè)并行 agent；“氛圍編程”成了流行詞；OpenClaw 推出技能市場，結(jié)果一周之內(nèi)，研究人員就在 ClawHub 上發(fā)現(xiàn)了 400 多個(gè)惡意 agent 技能；而在這一切的某個(gè)間隙，LinkedIn 上有人輕飄飄地丟下一句：“如果你在 2026 年還沒用上帶子 agent 編排的 AI agent，那你已經(jīng)被淘汰了。”

注意，這不是一年發(fā)生的事。只是短短幾個(gè)月。

而且，我還漏掉了不少。

我自己曾深陷其中。周末幾乎都在評(píng)測新工具，刷每一條更新日志，看每一個(gè)演示視頻，只因?yàn)楹ε碌絷?duì)，拼命想站在“最前沿”。

現(xiàn)實(shí)是什么樣的？

一個(gè)周六下午，我會(huì)開始折騰一個(gè)新的 AI 編程工具；到周日，勉強(qiáng)搭出一個(gè)基礎(chǔ)工作流；再到下周三，就有人出來說另一個(gè)工具“強(qiáng)得多”。焦慮隨之而來。下個(gè)周末，我又在重新配置新的工具。舊的那個(gè)被丟在一旁，幾乎再?zèng)]打開過。一個(gè)編程助手換到下一個(gè)，再換下一個(gè)，最后又繞回最初那個(gè)。每一次遷移，都消耗掉一個(gè)周末，換來的也許只是根本無法量化的 5% 提升。

把這種循環(huán)乘以每一個(gè)類別——編程助手、聊天界面、agent 框架、多 agent 編排平臺(tái)、MCP server、上下文管理工具、提示詞庫、swarm 架構(gòu)、技能市場——你得到的，是一個(gè)永遠(yuǎn)在學(xué)新工具、卻從未真正吃透任何一個(gè)的人。光是刷 Hacker News 首頁，就足以讓人頸椎受傷：今天是「Show HN：自治研究 swarm」，明天就是「Ask HN：AI swarm 要怎么協(xié)作？」沒人知道答案，但所有人都在繼續(xù)造。

最糟糕的，其實(shí)是知識(shí)的快速貶值。

2025 年初，我花了兩周時(shí)間搭了一套相當(dāng)復(fù)雜的 prompt 工程流程：精心設(shè)計(jì)的 system prompt、few-shot 示例、chain-of-thought 模板，效果確實(shí)不錯(cuò)。三個(gè)月后，模型更新了，最佳實(shí)踐變了，我的一半模板，效果甚至不如一句簡單的指令。那兩周時(shí)間，不是“投資”，而是直接消耗掉了。

MCP server 也是一樣。我做過五個(gè)定制 server（Dev.to 發(fā)布、Apple Notes 集成、Python 和 TypeScript 沙盒等等），后來協(xié)議演進(jìn)，GitHub 上線了 MCP Registry，一夜之間出現(xiàn)了成千上萬個(gè)現(xiàn)成方案。我的部分工作，瞬間變得多余。

Agent 框架的動(dòng)蕩更是夸張。我親眼見過一些團(tuán)隊(duì)在一年之內(nèi)，從 LangChain 換到 CrewAI，再到 AutoGen，最后干脆自己寫編排層。每一次遷移，都是重寫集成、重新學(xué)習(xí) API、重建工作流。有時(shí)候，那些什么都沒做、只是觀望的人，反而比早早入場、被迫遷移兩次的人站得更穩(wěn)。

后來我換了一種思路。

與其追逐每一個(gè)新工具，不如深入它們之下的基礎(chǔ)設(shè)施層。工具會(huì)不斷更替，但它們試圖解決的問題不會(huì)：上下文效率、agent 授權(quán)、審計(jì)記錄、運(yùn)行時(shí)安全——不管當(dāng)下流行的是哪一個(gè)框架，這些問題都會(huì)長期存在。這也是為什么我選擇在 OpenFGA 之上構(gòu)建 agentic-authz，而不是綁定某個(gè)具體的 agent 框架；為什么 Distill 關(guān)注的是上下文層，而不是 prompt 層。要站在不那么容易翻新的那一層去構(gòu)建。

我仍然密切關(guān)注整個(gè)生態(tài)——做基礎(chǔ)設(shè)施的人不可能不關(guān)注。但我的目的，是理解方向，而不是第一時(shí)間“跟上去用”。了解前沿，和被前沿牽著跑，是兩回事。

“再來一個(gè)提示詞”陷阱

這個(gè)陷阱非常隱秘，你幾乎在不知不覺中就掉進(jìn)去了。你試圖讓 AI 生成一個(gè)特定的結(jié)果，第一次輸出大概 70% 對。于是你微調(diào)提示詞，第二次輸出 75% 對，但卻把第一次做對的部分給破壞了。第三次嘗試，80% 對了，但結(jié)構(gòu)又變了。第四次……你已經(jīng)折騰了 45 分鐘，而如果自己動(dòng)手，從頭寫出來可能只需要 20 分鐘。

我稱之為提示詞螺旋。它是 AI 版的“剃牦牛毛”（yak shaving，指本來簡單的目標(biāo)被復(fù)雜化的過程）。一開始你目標(biāo)清晰，但三十分鐘后，你調(diào)的不是代碼，而是提示詞；你優(yōu)化的不是功能，而是讓模型更懂你的指令。

提示詞螺旋特別危險(xiǎn)，因?yàn)樗雌饋砗芨咝АＤ阍诓粩嗟坪踉絹碓浇咏繕?biāo)，每一次嘗試都略有進(jìn)步。但邊際收益在迅速下降，而你已經(jīng)忘了最初的目標(biāo)從來不是“讓 AI 產(chǎn)出完美結(jié)果”，而是“把功能交付出來”。

我現(xiàn)在有一個(gè)硬性規(guī)則：三次嘗試。如果三次都沒達(dá)到 70% 可用，我就自己寫。沒有例外。這條規(guī)則，幫我節(jié)省的時(shí)間，比我學(xué)過的任何提示詞技巧都多。

完美主義與概率輸出的碰撞

工程師天生傾向完美主義。我們喜歡干凈利落的代碼，喜歡能通過測試的代碼，喜歡行為可預(yù)測的系統(tǒng)。這正是我們的優(yōu)勢，也是我們能構(gòu)建可靠軟件的根本原因。

而 AI 的輸出，從來不會(huì)完美。它總是“差不多對”，大約 70–80% 正確。變量名稍有偏差，錯(cuò)誤處理不完整，邊緣情況被忽略，抽象不適合你的代碼庫。它能用，但不夠?qū)Α?/p>

對完美主義者來說，這簡直是折磨。因?yàn)椤皫缀跽_”比“完全錯(cuò)誤”更令人痛苦。完全錯(cuò)了，你扔掉重寫就好；幾乎對了，你要花一小時(shí)去微調(diào)。而調(diào) AI 輸出特別讓人挫敗——你不是在修自己的設(shè)計(jì)，而是在修別人的設(shè)計(jì)，一個(gè)既不懂你品味，也不理解你上下文和標(biāo)準(zhǔn)的系統(tǒng)做出的設(shè)計(jì)。

我不得不學(xué)會(huì)放手。不是放棄質(zhì)量——我依然追求質(zhì)量——而是放下對 AI 會(huì)產(chǎn)出高質(zhì)量的期望。我現(xiàn)在把每一條 AI 輸出都當(dāng)作初稿、起點(diǎn)、原料，一出現(xiàn)，我就在心里標(biāo)記它為“draft”。僅僅這個(gè)心理框架的改變，就讓我的挫敗感減半。

那些最難適應(yīng) AI 的工程師，往往是最優(yōu)秀的工程師——標(biāo)準(zhǔn)最高，注意到每一個(gè)瑕疵。AI 需要的技能恰恰不同：快速從不完美的輸出中提取價(jià)值，而不在“完美”上情緒化投入。

思維退化

有一種恐懼，比其他都更讓我不安。

我是在一次設(shè)計(jì)評(píng)審會(huì)議上注意到的。有人讓我在白板上推演一個(gè)并發(fā)問題——沒有電腦，沒有 AI，只有我和一支馬克筆。結(jié)果我很掙扎。并不是因?yàn)槲也欢拍睿叶５乙呀?jīng)幾個(gè)月沒鍛煉過這塊思維肌肉了。我太長時(shí)間把初稿思考交給 AI 處理，以至于從零推演問題的能力已經(jīng)退化。

這就像 GPS 改變了導(dǎo)航技能。以前沒有 GPS，你在腦海里繪制地圖，熟悉城市街區(qū)，能推理路線。幾年使用 GPS 后，你離開導(dǎo)航就迷路。技能會(huì)退化，因?yàn)槟阃Ｖ故褂盟?/p>

AI 與工程思維的關(guān)系也是如此。當(dāng)你總是先求助 AI，你就停止了自己與問題搏斗所形成的神經(jīng)通路。**正是在掙扎中，你學(xué)會(huì)了；在困惑中，你理解了。**跳過這個(gè)過程，你或許能更快產(chǎn)出結(jié)果，卻換來更淺的理解。

我現(xiàn)在會(huì)刻意把一天的第一個(gè)小時(shí)留給無 AI 的思考時(shí)間。用紙推演，用手畫架構(gòu)，用慢方法理清問題。看起來低效，確實(shí)低效。但它讓我保持思維敏銳，而這種清醒又會(huì)讓下午使用 AI 時(shí)收益倍增——因?yàn)楫?dāng)我自己的推理“熱身”完成后，我能更好地評(píng)估 AI 輸出。

比較陷阱

社交媒體上，到處是似乎已經(jīng)“玩轉(zhuǎn) AI”的人：曬工作流，曬效率數(shù)據(jù)，發(fā)“用 AI 兩小時(shí)造出整款應(yīng)用”的長帖。你回頭看看自己——失敗的提示詞，浪費(fèi)的時(shí)間，被迫重寫的代碼——心里不免一陣自責(zé)：我是不是哪里不對？

你沒錯(cuò)。那些帖子只是高光剪輯。沒人發(fā)“我花了三小時(shí)讓 Claude 理解我的數(shù)據(jù)庫 schema，最終放棄手寫遷移”；沒人發(fā)“AI 生成的代碼吞掉了一個(gè)錯(cuò)誤，導(dǎo)致生產(chǎn)事故”；沒人發(fā)“我累死了”。

比較陷阱還因?yàn)?AI 技能難以衡量而被放大。傳統(tǒng)工程，可以看代碼大概判斷能力；AI 產(chǎn)出則受模型、提示詞、上下文、溫度，甚至月相影響。別人做得驚艷的 demo，在你的環(huán)境和代碼庫上未必能復(fù)現(xiàn)。

我現(xiàn)在對社交媒體上的 AI 內(nèi)容選擇更謹(jǐn)慎。依然緊跟行業(yè)動(dòng)態(tài)——這是我的工作，但我不再盲目吸收每個(gè)人的“熱門觀點(diǎn)”，而是關(guān)注那些真正在構(gòu)建和交付的人。信息與焦慮的比例很重要：如果一個(gè)信息流讓你感到落后而非知情，它就是在消耗你，而非幫助你。

真正幫到我的方法

我愿意具體說說，哪些方法讓我與 AI 的關(guān)系從“對抗”變得可持續(xù)。

• 限定 AI 使用時(shí)間：不再無期限地使用 AI。每項(xiàng)任務(wù)設(shè)定 30 分鐘定時(shí)。時(shí)間到，就交付現(xiàn)有結(jié)果或自己動(dòng)手完成。這樣同時(shí)避免了提示詞螺旋和完美主義陷阱。
  

• 分開 AI 時(shí)間與思考時(shí)間：早晨用于思考，下午用于 AI 輔助執(zhí)行。不是絕對僵化，有時(shí)會(huì)打破規(guī)則。但有了默認(rèn)結(jié)構(gòu)，大腦既能鍛煉思維，也能高效利用 AI。

• 接受 AI 產(chǎn)出 70% 就好：停止追求完美輸出，70% 可用就是底線，其余自己補(bǔ)全。這條規(guī)則是我工作流中減少 AI 挫敗感的最大因素。

• 戰(zhàn)略性看待炒作周期：我關(guān)注 AI 生態(tài)，因?yàn)橐獮槠浯罱ɑA(chǔ)設(shè)施，但不再第一時(shí)間上新工具。我選擇一個(gè)主要編程助手，深入使用；新工具在經(jīng)過幾個(gè)月驗(yàn)證后再評(píng)估。了解趨勢和被動(dòng)跟風(fēng)，是兩回事。

• 記錄 AI 的適用場景：我做了兩周簡單日志：任務(wù)、是否用 AI、花費(fèi)時(shí)間、結(jié)果滿意度。數(shù)據(jù)很清楚：AI 在模板化、文檔、測試生成上省時(shí)，但在架構(gòu)決策、復(fù)雜調(diào)試、需要深度上下文的地方反而耗時(shí)。現(xiàn)在我知道什么時(shí)候該用它，什么時(shí)候該靠自己。

• 不審查 AI 的每一行輸出：這很難接受，但當(dāng)你用 AI 生成大量代碼時(shí)，物理上無法用同樣嚴(yán)格的標(biāo)準(zhǔn)審查每一行。我把精力放在最關(guān)鍵部分——安全邊界、數(shù)據(jù)處理、錯(cuò)誤路徑，其余依靠自動(dòng)化測試和靜態(tài)分析。非關(guān)鍵代碼的小瑕疵可以容忍。

可持續(xù)性的問題

科技行業(yè)的倦怠問題早在 AI 出現(xiàn)之前就存在，而 AI 的出現(xiàn)，并沒有緩解它，反而讓它更明顯。不是因?yàn)?AI 本身有問題，而是 AI 打破了曾經(jīng)保護(hù)我們的自然速度限制。

在 AI 出現(xiàn)之前，你一天能產(chǎn)出的工作量有上限——這個(gè)上限由打字速度、思考速度、查資料的時(shí)間決定。雖然有時(shí)讓人焦躁，但它也是一種保護(hù)。工作本身設(shè)置了界限，你無法把自己累垮，因?yàn)楣ぷ鲿?huì)自動(dòng)限制你。

AI 取消了這個(gè)保護(hù)。現(xiàn)在唯一的限制是你的認(rèn)知耐力。而大多數(shù)人，只有在突破極限之后，才會(huì)意識(shí)到自己的認(rèn)知界限。

我在 2025 年末經(jīng)歷了倦怠。不是戲劇化的——我沒有辭職，也沒有崩潰，只是不再在乎。代碼審查成了走過場，設(shè)計(jì)決策變成“隨 AI 建議而定”。我一邊高產(chǎn)輸出，一邊心力枯竭。花了一個(gè)月才意識(shí)到發(fā)生了什么，又用了一個(gè)月才慢慢恢復(fù)。

恢復(fù)的關(guān)鍵，不在于少用 AI，而在于改變使用方式——設(shè)定邊界，有意識(shí)地使用，明白自己不是機(jī)器，也不必與機(jī)器同速奔跑。在 Ona 的工作經(jīng)歷讓我看清了這一點(diǎn)——當(dāng)你為企業(yè)客戶構(gòu)建 AI agent 基礎(chǔ)設(shè)施時(shí)，你會(huì)真實(shí)看到大規(guī)模不可持續(xù) AI 工作流帶來的人力成本。這不僅是個(gè)人問題，更是系統(tǒng)性問題，需要在工具層面去解決，而不是只靠個(gè)人自我調(diào)節(jié)。

諷刺的是，倦怠期也是我最有產(chǎn)出的時(shí)期。停止追逐每一個(gè) AI 工具，開始關(guān)注真正的問題時(shí)，我第一次看清了痛點(diǎn)：

上下文窗口被垃圾填滿 → 于是有了 Distill

Agent 擁有全或無的 API Key 訪問權(quán)限 → 于是有了 agentic-authz

無法審計(jì) Agent 實(shí)際操作 → 正在開發(fā) AgentTrace

疲憊迫使我停止“消費(fèi)”，開始“創(chuàng)造”。不是更快地增加功能，而是有意識(shí)地構(gòu)建真正重要的東西。

真正的技能

我認(rèn)為，AI 時(shí)代真正的技能，不是提示詞工程，也不是選模型，也不是完美工作流。

而是——知道什么時(shí)候停下。

知道 AI 輸出什么時(shí)候夠用了。知道什么時(shí)候自己動(dòng)手寫。知道什么時(shí)候合上電腦。知道什么時(shí)候追求微小提升不值得付出認(rèn)知成本。明白大腦是有限資源，保護(hù)它不是懶惰，而是一種工程智慧。

我們?yōu)橄到y(tǒng)設(shè)計(jì)可持續(xù)性：加斷路器、實(shí)現(xiàn)背壓、設(shè)計(jì)優(yōu)雅降級(jí)。我們也應(yīng)該為自己做同樣的事。

AI 是我用過的最強(qiáng)大工具，同時(shí)也是最消耗精力的工具。兩者都是真的。能在這個(gè)時(shí)代茁壯成長的工程師，不是用 AI 最多的人，而是用得最明智的人。

如果你感到疲憊，不是因?yàn)槟阕鲥e(cuò)了，而是因?yàn)檫@真的很難。工具是新的，模式尚未形成，整個(gè)行業(yè)還在假裝“更多輸出等于更多價(jià)值”。其實(shí)并非如此——可持續(xù)的產(chǎn)出才是價(jià)值。

我仍每天在這個(gè)領(lǐng)域工作：agent 授權(quán)、上下文工程、審計(jì)軌跡、運(yùn)行時(shí)安全——構(gòu)建讓 AI agent 在生產(chǎn)環(huán)境中真正可用的基礎(chǔ)設(shè)施。我比以往任何時(shí)候都更投入 AI，但我以自己的節(jié)奏、自己的方式投入，構(gòu)建有意義的東西，而不是追逐潮流。

照顧好你的大腦，它是你唯一的，而且沒有任何 AI 能替代它。

未來沒有前后端，只有 AI Agent 工程師。

這場十倍速的變革已至，你的下一步在哪？

4 月 17-18 日，由 CSDN 與奇點(diǎn)智能研究院聯(lián)合主辦「2026 奇點(diǎn)智能技術(shù)大會(huì)」將在上海隆重召開，大會(huì)聚焦 Agent 系統(tǒng)、世界模型、AI 原生研發(fā)等 12 大前沿專題，為你繪制通往未來的認(rèn)知地圖。

成為時(shí)代的見證者，更要成為時(shí)代的先行者。

奇點(diǎn)智能技術(shù)大會(huì)上海站，我們不見不散！