“每給 Claude Code 提一個(gè)請(qǐng)求，我就點(diǎn)上一根煙，放松下”

整理 | 褚杏娟

OpenFGA 核心維護(hù)者、Ona（前 Gitpod）軟件工程師 Siddhant Khare 最近寫(xiě)了一篇博客吐槽了自己在使用 AI 編程中的“疲憊感”。

他以自身經(jīng)歷指出 AI 帶來(lái)的職業(yè)疲憊真實(shí)存在且被行業(yè)集體回避：?jiǎn)稳蝿?wù)變快≠工作變輕松，反而更累，期間工程師任務(wù)量膨脹、頻繁切換引發(fā)深層耗竭；工作角色從創(chuàng)造者轉(zhuǎn)為高消耗的 AI 產(chǎn)出評(píng)審者，加之 AI 輸出的不確定性打破了工程師熟悉的確定性邏輯，持續(xù)帶來(lái)焦慮。

同時(shí)，行業(yè)技術(shù)迭代過(guò)快形成 “FOMO 跑步機(jī)”，頻繁追新工具造成時(shí)間浪費(fèi)與知識(shí)衰減，還易陷入 “prompt 螺旋” 陷阱，長(zhǎng)期依賴(lài)更會(huì)導(dǎo)致獨(dú)立思考能力退化，社交媒體的高光展示則進(jìn)一步加劇比較焦慮。他指出，AI 時(shí)代工程師的核心能力并非極致使用 AI，而是懂得設(shè)邊界、及時(shí)停止，保護(hù)認(rèn)知資源，追求可持續(xù)的長(zhǎng)期產(chǎn)出。

他的博文引發(fā)了工程師們的共鳴。

“對(duì)我來(lái)說(shuō)，這種疲憊感有點(diǎn)不一樣，它來(lái)自于不斷在‘寫(xiě)一點(diǎn)代碼 / 做一點(diǎn)工作 / 看一點(diǎn) review’和“‘停下來(lái)等大模型生成結(jié)果’之間來(lái)回切換。等待的時(shí)間是不可預(yù)測(cè)的，你根本不知道是該繼續(xù)等，還是該切去做別的事。于是你只能在機(jī)器“思考”的時(shí)候，隨便干點(diǎn)事打發(fā)時(shí)間。

你永遠(yuǎn)進(jìn)不了心流狀態(tài)，只能時(shí)刻盯著后臺(tái)任務(wù)什么時(shí)候跑完。這種持續(xù)的“警覺(jué)等待”會(huì)讓人特別消耗精力。我并不覺(jué)得自己更高效了，反而感覺(jué)自己像個(gè)偷懶的保姆，只是勉強(qiáng)看著孩子別把自己弄傷而已。”開(kāi)發(fā)者 Parpfish 跟帖道。

“我知道這建議聽(tīng)起來(lái)既不負(fù)責(zé)任又很幼稚，但我現(xiàn)在的做法是：每次給 Claude Code 提一個(gè)不知道要跑多久的請(qǐng)求，我就點(diǎn)上一根煙，放松一下。有時(shí)候我也會(huì)切去玩那種隨時(shí)拿起來(lái)、隨時(shí)放下都不影響的小游戲。”

“對(duì)我個(gè)人來(lái)說(shuō)，編程很多年前就沒(méi)什么樂(lè)趣了，”P(pán)arpfish 也表示，“但有了 Claude Code 之后，我又重新覺(jué)得好玩起來(lái)了。雖然感覺(jué)不一樣，但在我現(xiàn)在這個(gè)人生階段，這樣反而更讓我享受。”

下面是 Siddhant Khare 的文章，我們進(jìn)行了翻譯，以饗讀者。

AI 疲憊真實(shí)存在，

但幾乎沒(méi)人談

你用 AI 是為了更高效，為什么反而比以前更累？這是每個(gè)工程師都得正視的悖論。

上個(gè)季度，我交付的代碼量超過(guò)職業(yè)生涯任何一個(gè)季度；同時(shí)，我也比職業(yè)生涯任何一個(gè)季度都更疲憊。這兩件事并不矛盾，甚至高度相關(guān)。

我的工作就是搭建 AI agent 的基礎(chǔ)設(shè)施。我是 OpenFGA（CNCF Incubating）的核心維護(hù)者之一；做過(guò)用于 agent 授權(quán)的 agentic-authz；做過(guò)用于上下文去重的 Distill；上線過(guò) MCP servers。我不是偶爾玩玩 AI 的那種人，我在這個(gè)領(lǐng)域深扎很久，我寫(xiě)的工具，正被其他工程師拿去把 AI agents 跑進(jìn)生產(chǎn)環(huán)境。

但即便如此，我還是撞墻了。那種疲憊不是換一套工具、再優(yōu)化一點(diǎn)流程就能解決的，而是一種更底層的耗竭感。

如果你是每天都在用 AI 的工程師，做設(shè)計(jì)評(píng)審、生成代碼、排查 bug、寫(xiě)文檔、做架構(gòu)決策，并且你發(fā)現(xiàn)自己在“AI 時(shí)代”反而比以前更累，那這篇文章就是寫(xiě)給你的。你沒(méi)有在幻想，也不是你不夠強(qiáng)。你感受到的是真實(shí)存在的東西，只是行業(yè)在集體回避它：大家拼命講效率、講產(chǎn)出，卻不講代價(jià)。一個(gè)全職做 agent 基建的人都能在 AI 上 burnout，這件事可能發(fā)生在任何人身上。

我想實(shí)話實(shí)說(shuō)。不是那種“AI 太神了，這是我的工作流”的版本，而是真實(shí)版本：夜里 11 點(diǎn)，你盯著屏幕，周?chē)阎淮笃?AI 生成的代碼還得你去 review，你開(kāi)始懷疑那個(gè)本該幫你省時(shí)間的工具，為什么反而吞掉了你整天的時(shí)間。

沒(méi)有人提醒過(guò)我們的悖論

有件事我曾經(jīng)想了很久才想明白：AI 的確能讓單個(gè)任務(wù)更快，這不是謊言。以前要 3 小時(shí)的事情，現(xiàn)在 45 分鐘就能搞定，寫(xiě)設(shè)計(jì)文檔、搭服務(wù)骨架、補(bǔ)測(cè)試用例、研究不熟的 API……都更快了。

但我的工作日變得更難了，不是更輕松，而是更難。

原因一旦看清就很簡(jiǎn)單，只是我花了幾個(gè)月才真正意識(shí)到：當(dāng)每個(gè)任務(wù)變快，你不會(huì)做更少的任務(wù)，你只會(huì)做更多。你的“產(chǎn)能”看起來(lái)提升了，于是工作會(huì)膨脹來(lái)填滿(mǎn)它，甚至還會(huì)超出。你的領(lǐng)導(dǎo)看到你交付變快了，預(yù)期會(huì)跟著調(diào)整；你看到自己交付變快了，對(duì)自己的預(yù)期也會(huì)跟著調(diào)整。基準(zhǔn)線被整體抬升。

在 AI 之前，我可能會(huì)用整整一天只專(zhuān)注一個(gè)設(shè)計(jì)問(wèn)題：在紙上畫(huà)草圖、洗澡時(shí)想、出去走走、回來(lái)突然清晰。節(jié)奏慢，但認(rèn)知負(fù)擔(dān)可控，一天只扛一個(gè)問(wèn)題，深度專(zhuān)注。

現(xiàn)在呢？一天可能要摸六個(gè)問(wèn)題。每個(gè)問(wèn)題都“只要一小時(shí)，AI 幫你很快搞定”。但在六個(gè)問(wèn)題之間來(lái)回切換，對(duì)人腦的代價(jià)極其昂貴。AI 不會(huì)在問(wèn)題之間疲憊，我會(huì)。

這就是悖論：AI 降低了“生產(chǎn)”的成本，卻抬高了“協(xié)調(diào)、評(píng)審、決策”的成本，而這些成本幾乎全部落在人的身上。

你變成了 reviewer，

而你從沒(méi)簽過(guò)這份合同

以前我的工作流程是：想清楚問(wèn)題 → 寫(xiě)代碼 → 測(cè)試 → 發(fā)布。我是創(chuàng)造者，是建造者，這也是很多人最初喜歡工程的原因：能親手把東西做出來(lái)。

AI 之后，我的工作越來(lái)越像：寫(xiě) prompt → 等 → 讀輸出 → 評(píng)估輸出 → 判斷是否正確 → 判斷是否安全 → 判斷是否符合架構(gòu) → 修不對(duì)的部分 → 再 prompt → 再重復(fù)。我變成了審稿人、裁判、質(zhì)檢員，站在一條永不停歇的流水線旁邊。

這是一種完全不同的勞動(dòng)類(lèi)型。創(chuàng)造會(huì)給人能量，評(píng)審會(huì)消耗能量。相關(guān)研究早就指出，“生成型任務(wù)”和“評(píng)估型任務(wù)”在心理體驗(yàn)上截然不同：生成更容易進(jìn)入心流，評(píng)估更容易觸發(fā)決策疲勞。

我第一次明確意識(shí)到這點(diǎn)，是在某一周用 AI 重度開(kāi)發(fā)一個(gè)新 microservice 的時(shí)候。到周三，我連簡(jiǎn)單的決定都做不動(dòng)了：這個(gè) function 該叫什么？無(wú)所謂。配置放哪？也無(wú)所謂。我的大腦不是因?yàn)閷?xiě)代碼累，而是因?yàn)椤芭袛啻a”累，每天一整個(gè)時(shí)間都在做無(wú)數(shù)個(gè)細(xì)小判斷，會(huì)把你掏空。

更殘酷的是：AI 生成的代碼，往往比人寫(xiě)的更需要謹(jǐn)慎 review。人寫(xiě)的代碼我大致知道對(duì)方的習(xí)慣、長(zhǎng)處、盲點(diǎn)：可信的地方可以快掃，不放心的地方重點(diǎn)看。AI 不一樣，每一行都值得懷疑。代碼看起來(lái)很自信，能編譯，甚至能過(guò)測(cè)試，但可能在極隱蔽的地方錯(cuò)得很深，直到線上、在高壓負(fù)載下、凌晨三點(diǎn)才爆出來(lái)。

于是你只能逐行讀。讀自己沒(méi)寫(xiě)過(guò)、由一個(gè)不了解你代碼庫(kù)歷史和團(tuán)隊(duì)約定的系統(tǒng)生成出來(lái)的代碼，是一種非常消耗人的工作。

這也是為什么我一直覺(jué)得 agent 安全和權(quán)限這么重要。我們不可能 review AI 產(chǎn)出的所有東西，規(guī)模一上來(lái)就做不到了，那就必須先在系統(tǒng)層面約束 agent 能做什么：最小權(quán)限原則、范圍限制 tokens、審計(jì)軌跡。你越不需要擔(dān)心“AI 會(huì)不會(huì)做出危險(xiǎn)動(dòng)作”，你越能把認(rèn)知預(yù)算留給真正重要的工作。這不僅是安全問(wèn)題，更是“人能否長(zhǎng)期承受”的可持續(xù)問(wèn)題。

非確定性問(wèn)題：AI 破壞了

工程師最熟悉的契約

工程師從業(yè)訓(xùn)練的底層假設(shè)是確定性：同樣的輸入，得到同樣的輸出。它是調(diào)試的基礎(chǔ)，也是系統(tǒng)推理的基礎(chǔ)。

AI 把這份契約撕了。

我有個(gè) prompt 周一跑得完美，生成了結(jié)構(gòu)清晰、很干凈的 API endpoint。周二我用同樣的 prompt 做一個(gè)類(lèi)似 endpoint，輸出結(jié)構(gòu)卻明顯不同，這次錯(cuò)誤處理?yè)Q了套路，還引入了我沒(méi)要的依賴(lài)。

為什么？沒(méi)有原因。更準(zhǔn)確地說(shuō)，沒(méi)有我能觸達(dá)的原因。這里沒(méi)有“模型今天換了想法”的 stack trace，也沒(méi)有日志告訴你“temperature sampling 走了 B 路徑不是 A 路徑”。它就是……不一樣了。

對(duì)一個(gè)職業(yè)生涯建立在“壞了我就能找到為什么”的人來(lái)說(shuō)，這種體驗(yàn)會(huì)帶來(lái)持續(xù)的、背景噪音式的焦慮。它不一定戲劇化，卻足夠磨人。你無(wú)法完全信任輸出，也無(wú)法真正放松，每一次交互都必須保持警惕。

我試過(guò)對(duì)抗，給 prompt 做版本控制，寫(xiě)復(fù)雜的 system message，做模板。一部分有用，但都無(wú)法解決根本矛盾。你在和一個(gè)概率系統(tǒng)協(xié)作，而你的大腦天生更擅長(zhǎng)確定性系統(tǒng)，這種錯(cuò)位會(huì)長(zhǎng)期產(chǎn)生低強(qiáng)度壓力。

也正因?yàn)檫@種挫敗感，我后來(lái)做了 Distill：為 LLM 做確定性的上下文去重，不調(diào)用 LLM，不用 embeddings，也不靠概率啟發(fā)式，而是用純算法，在大約 12ms 內(nèi)把 context 清理干凈。我至少想讓 AI pipeline 里有一段東西是可推理、可調(diào)試、可信的。模型輸出再怎么不確定，輸入至少要干凈、可控。

我發(fā)現(xiàn)適應(yīng)得最好的一批工程師，通常已經(jīng)“和不確定性和解”了。他們把 AI 當(dāng)作一個(gè)聰明但不靠譜的實(shí)習(xí)生寫(xiě)的初稿，默認(rèn)要重寫(xiě)其中 30%，并且提前把這部分重寫(xiě)時(shí)間算進(jìn)計(jì)劃。他們不會(huì)因?yàn)檩敵鲥e(cuò)了而憤怒，因?yàn)樗麄儚膩?lái)沒(méi)期待它“正確”，只期待它“有用”。這兩者差別很大。

“FOMO 跑步機(jī)”：你永遠(yuǎn)追不上

深呼吸一下，試著只跟上最近幾個(gè)月的變化：Claude Code 先發(fā) sub-agents，再發(fā) skills，再發(fā) Agent SDK，再發(fā) Claude Cowork；OpenAI 上線 Codex CLI，又上 GPT-5.3-Codex，一個(gè)甚至“參與了自我編寫(xiě)”的模型；新的 coding agents 宣布 background mode，可并發(fā)上百個(gè) autonomous sessions；Google 推出 Gemini CLI；GitHub 增加 MCP Registry；并購(gòu)幾乎每周發(fā)生；Amazon Q Developer 得到 agentic 升級(jí)；CrewAI、AutoGen、LangGraph、MetaGPT，隨便挑一個(gè) agent framework，每周都冒出新版本；Google 發(fā)布 A2A（Agent-to-Agent protocol）對(duì)標(biāo) Anthropic 的 MCP；OpenAI 發(fā)布自己的 Swarm framework；Kimi K2.5 采用 agent swarm 架構(gòu)，編排 100 個(gè)并行 agents；“Vibe coding”成了熱詞；OpenClaw 上線 skills marketplace，一周之內(nèi)研究者在 ClawHub 發(fā)現(xiàn) 400+ 惡意 agent skills；與此同時(shí) LinkedIn 還會(huì)冒出一句話：“2026 年不做 sub-agent orchestration，你就已經(jīng)過(guò)時(shí)了。”

這還不是一年發(fā)生的事，是短短幾個(gè)月，并且我還漏掉了很多。

我也曾深陷其中：周末不斷評(píng)測(cè)新工具，追每一條 changelog，看每一個(gè) demo，拼命留在所謂“前沿”，因?yàn)槲液ε侣浜蟆?/p>

現(xiàn)實(shí)是什么？周六下午我搭起一個(gè)新的 AI coding tool，周日形成基本 workflow，而到了下周三，社交網(wǎng)絡(luò)開(kāi)始吹另一個(gè)“更強(qiáng)”的工具，我就會(huì)焦慮；下一個(gè)周末又去搭新的，舊的躺著吃灰。從一個(gè) coding assistant 遷到下一個(gè)、再遷下一個(gè)，最后又回到第一個(gè)，每次遷移耗掉我一個(gè)周末，換來(lái)大概 5% 的提升，而且我還很難測(cè)出來(lái)。

把這種循環(huán)乘以所有類(lèi)別：coding assistants、聊天界面、agent frameworks、多 agent 編排平臺(tái)、MCP servers、context 管理工具、prompt 庫(kù)、swarm 架構(gòu)、skills marketplace，你會(huì)變成一個(gè)永遠(yuǎn)在學(xué)習(xí)新工具、卻從沒(méi)真正把任何一個(gè)工具用深的人。Hacker News 首頁(yè)就足夠讓人眩暈：今天是“Show HN：Autonomous Research Swarm”，明天是“Ask HN：AI swarms 怎么協(xié)作？”沒(méi)人知道答案，但大家都在造。

更糟糕的是知識(shí)衰減。我在 2025 年初花了兩周搭出一套復(fù)雜的 prompt 工程流程：精雕 system prompts、few-shot examples、chain-of-thought 模板。它當(dāng)時(shí)非常好用，三個(gè)月后模型更新，最佳實(shí)踐遷移，一半模板反而不如一句簡(jiǎn)短指令效果好。那兩周不是“投資”，而是“消耗”。我的 MCP server 也是：我寫(xiě)了五個(gè)自定義 servers（Dev.to 發(fā)布、Apple Notes 集成、Python/TypeScript 沙盒等），后來(lái)協(xié)議演進(jìn)，GitHub 上線 MCP Registry，突然出現(xiàn)成千上萬(wàn)預(yù)制 servers，我的部分工作一夜之間變得可有可無(wú)。

Agent framework 的 churn 更夸張。我見(jiàn)過(guò)團(tuán)隊(duì)一年內(nèi)從 LangChain → CrewAI → AutoGen → 自研編排連續(xù)遷移。每次遷移都意味著重寫(xiě)集成、重學(xué) API、重建 workflow。那些選擇“等等再說(shuō)”的團(tuán)隊(duì)，很多時(shí)候反而比早早沖進(jìn)去、被迫遷兩次的人更占便宜。

后來(lái)我換了策略, 不再追每個(gè)新工具，而是深挖它們下面的基礎(chǔ)設(shè)施層。工具會(huì)來(lái)會(huì)走，它們解決的問(wèn)題不會(huì)。context 效率、agent authorization、audit trails、runtime security，這些是跨框架、跨周期的耐久問(wèn)題，這也是我把 agentic-authz 建在 OpenFGA 上、而不是綁死某個(gè) agent framework 的原因；也是 Distill 做 context 層、而不是 prompt 層的原因：要構(gòu)建在不那么 churn 的層上。

我仍然會(huì)密切關(guān)注生態(tài)，做基礎(chǔ)設(shè)施的人必須如此。但我關(guān)注是為了理解方向，而不是把每個(gè)新東西都立刻搬進(jìn)生產(chǎn)。信息充分和被動(dòng)反應(yīng)，是兩回事。

“再改一版 prompt

就好了”陷阱

這個(gè)陷阱非常陰險(xiǎn)：你讓 AI 生成一個(gè)很具體的東西，第一版 70% 是對(duì)的；于是你 refine prompt；第二版 75% 的對(duì)，但把第一版對(duì)的地方弄壞了；第三版 80% 對(duì)，但結(jié)構(gòu)又變了；第四次你回過(guò)神來(lái)，已經(jīng) 45 分鐘過(guò)去了，而你自己從頭寫(xiě)可能 20 分鐘就寫(xiě)完。

我叫它 prompt spiral，AI 時(shí)代的 yak shaving。你原本有明確目標(biāo)，半小時(shí)后卻在調(diào) prompt，而不是寫(xiě)代碼。你在優(yōu)化“給模型的指令”，而不是解決真正的問(wèn)題。

更危險(xiǎn)的是，prompt spiral 會(huì)讓你產(chǎn)生“我在推進(jìn)”的錯(cuò)覺(jué)。每一輪都有小進(jìn)步，你會(huì)繼續(xù)投入，但邊際收益正在快速遞減，你甚至忘了目標(biāo)從來(lái)不是“讓 AI 產(chǎn)出完美內(nèi)容”，而是交付功能。

我現(xiàn)在有一條硬規(guī)則：三次。三次 prompt 內(nèi)拿不到 70% 可用的結(jié)果，我就自己寫(xiě)，沒(méi)有例外。這條規(guī)則省下的時(shí)間，超過(guò)我學(xué)過(guò)的任何 prompt 技巧。

完美主義遇上概率輸出：

最優(yōu)秀的人往往最難受

工程師傾向完美主義：喜歡干凈代碼、喜歡測(cè)試全綠、喜歡可預(yù)測(cè)系統(tǒng)。這不是缺點(diǎn)，是我們能做出可靠軟件的原因。

但 AI 輸出從來(lái)不是“完美”，永遠(yuǎn)是“還不錯(cuò)”，大約 70–80%：變量名不對(duì)味，錯(cuò)誤處理不完整，邊界條件沒(méi)考慮，抽象不符合你的代碼庫(kù)。能跑，但“不對(duì)”。

對(duì)完美主義者來(lái)說(shuō)，這很折磨，因?yàn)椤安钜稽c(diǎn)對(duì)”比“完全錯(cuò)”更糟。完全錯(cuò)，你直接丟掉重來(lái)；差一點(diǎn)對(duì)，你會(huì)花一小時(shí)去修修補(bǔ)補(bǔ)。修 AI 輸出尤其痛苦，因?yàn)槟阍谛蕖皠e人做的設(shè)計(jì)決策”，而這個(gè)“別人”并不分享你的審美、你的上下文和你的標(biāo)準(zhǔn)。

我不得不學(xué)會(huì)放下。不是放下質(zhì)量，我仍然在乎質(zhì)量，而是放下“AI 會(huì)產(chǎn)出質(zhì)量”的期待。我現(xiàn)在把每次 AI 輸出都當(dāng)作毛坯、當(dāng)作起點(diǎn)、當(dāng)作原材料。它出現(xiàn)的那一刻，我腦子里就貼上“draft”的標(biāo)簽。僅僅是這個(gè)心智框架的變化，就讓我的挫敗感減少了一半。

很多在 AI 上最痛苦的工程師，恰恰是最好的工程師：標(biāo)準(zhǔn)最高、細(xì)節(jié)最敏感、瑕疵一眼就能看出來(lái)。AI 獎(jiǎng)勵(lì)的反而是另一種能力：能快速?gòu)牟煌昝赖妮敵隼镎トr(jià)值，而不把情緒綁定在“把它打磨到完美”。

思考能力在萎縮：

這才是最讓我害怕的

我在一次設(shè)計(jì)評(píng)審會(huì)上發(fā)現(xiàn)了這個(gè)問(wèn)題。有人讓我在白板上推一個(gè)并發(fā)問(wèn)題，沒(méi)有電腦、沒(méi)有 AI，只有我和一支筆，我居然卡住了。不是我不懂概念，我懂，而是我?guī)讉€(gè)月沒(méi)練這個(gè)“肌肉”了。我把“第一輪思考”外包給 AI 太久，導(dǎo)致從零推理的能力在退化。

它像 GPS 和導(dǎo)航。沒(méi)有 GPS 的年代，你會(huì)建立城市的心理地圖，能自己推路線。用了多年 GPS，你離開(kāi)它就不會(huì)走了，因?yàn)檫@項(xiàng)技能已經(jīng)萎縮。

AI 對(duì)工程思考也是一樣：當(dāng)你總是先問(wèn) AI，你就少了自己掙扎的過(guò)程。而學(xué)習(xí)就發(fā)生在掙扎里：困惑是理解成形的地方。跳過(guò)它，你會(huì)更快拿到輸出，但理解會(huì)更淺。

我現(xiàn)在刻意讓每天的第一個(gè)小時(shí)不碰 AI：在紙上思考、手繪架構(gòu)、用慢的方法推問(wèn)題。它確實(shí)低效，但它讓我的思考保持鋒利，而鋒利的思考會(huì)在我之后使用 AI 時(shí)帶來(lái)回報(bào)。因?yàn)槟阕约旱耐评肀弧盁嵘怼焙螅銓?duì) AI 輸出的評(píng)估會(huì)更準(zhǔn)確。

比較陷阱：社交媒體

只展示高光，不展示代價(jià)

社交媒體上到處都是“看起來(lái)已經(jīng)把 AI 玩明白的人”：曬 workflow、曬產(chǎn)出數(shù)據(jù)、曬“我兩小時(shí)用 AI 做完一個(gè) app”。你回頭看自己的經(jīng)歷：prompt 失敗、時(shí)間浪費(fèi)、生成代碼不得不重寫(xiě)，于是你開(kāi)始懷疑自己是不是哪里不對(duì)。

你沒(méi)有任何問(wèn)題。那些帖子是高光剪輯。沒(méi)人會(huì)發(fā)：“我花了三小時(shí)讓 Claude 理解我的數(shù)據(jù)庫(kù) schema，最后放棄，遷移還是手寫(xiě)。”沒(méi)人會(huì)發(fā)：“AI 生成的代碼線上吞錯(cuò)導(dǎo)致事故。”沒(méi)人會(huì)發(fā)：“我很累。”

更麻煩的是，AI 技能很難衡量。傳統(tǒng)工程里，你看看代碼大致能判斷水平；AI 輸出卻受模型、prompt、上下文、temperature、甚至玄學(xué)因素影響。別人一個(gè)驚艷 demo，很可能在你的機(jī)器、你的代碼庫(kù)上復(fù)現(xiàn)不出來(lái)。

我后來(lái)對(duì) AI 內(nèi)容變得更挑，我仍然關(guān)注這個(gè)領(lǐng)域，畢竟是工作，但我更少看“熱鬧”，更多看“真的在建和在交付的人”。信號(hào)和焦慮的比例很重要。如果一個(gè)信息流讓你更焦慮而不是更清醒，那它就不在為你服務(wù)。

真正有用的改變是什么

我具體說(shuō)說(shuō)，哪些做法讓我的 AI 使用方式從對(duì)抗變成可持續(xù)。

• 給 AI 使用設(shè)時(shí)間盒。我不再開(kāi)放式使用 AI，會(huì)設(shè)定計(jì)時(shí)器：這件事用 AI 30 分鐘，時(shí)間到就交付現(xiàn)狀或自己寫(xiě)。它同時(shí)攔住了 prompt spiral 和完美主義陷阱。

• 把思考時(shí)間和執(zhí)行時(shí)間分開(kāi)。早上用來(lái)思考，下午用來(lái) AI 輔助執(zhí)行。規(guī)則不絕對(duì)，但有默認(rèn)結(jié)構(gòu)，就能確保大腦既鍛煉也得到助力。

• 接受 AI 只做到 70%。我不再追求完美輸出，70% 可用就夠了，剩下我自己補(bǔ)。這個(gè)接受，是我減少 AI 挫敗感最有效的一件事。

• 對(duì) hype cycle 保持策略性。我會(huì)跟蹤生態(tài)，但不再每個(gè)新工具一上線就立刻遷移。我只用一個(gè)主力 coding assistant，并把它用深。評(píng)估新工具看“幾個(gè)月后的驗(yàn)證”，不看“幾天內(nèi)的熱度”。信息充分和被動(dòng)反應(yīng)，是兩回事。

• 記錄 AI 什么時(shí)候幫忙、什么時(shí)候拖后腿。我做過(guò)兩周簡(jiǎn)單日志：任務(wù)、是否用 AI、耗時(shí)、滿(mǎn)意度。數(shù)據(jù)非常清晰：AI 在樣板代碼、文檔、測(cè)試生成上省了大量時(shí)間；在架構(gòu)決策、復(fù)雜調(diào)試、需要深代碼庫(kù)上下文的工作上反而耗時(shí)。知道這一點(diǎn)后，我更清楚什么時(shí)候該用它，什么時(shí)候不該用。

• 不再試圖 review AI 產(chǎn)出的每一行。這很難接受，但如果你用 AI 生成大量代碼，你不可能以同樣嚴(yán)苛的標(biāo)準(zhǔn)逐行審。我的 review 精力集中在最關(guān)鍵的部分：安全邊界、數(shù)據(jù)處理、錯(cuò)誤路徑；其它交給自動(dòng)化測(cè)試和靜態(tài)分析。非關(guān)鍵代碼有一點(diǎn)粗糙是可以接受的。

可持續(xù)性問(wèn)題：AI 不是治好

burnout，而是在放大它

科技行業(yè)的 burnout 早在 AI 之前就存在。AI 正在讓它更嚴(yán)重，不是因?yàn)?AI 很壞，而是因?yàn)?AI 移除了曾經(jīng)保護(hù)我們的“自然限速器”。

在 AI 之前，你一天能產(chǎn)出多少有上限：打字速度、思考速度、查資料的時(shí)間。這些限制有時(shí)令人沮喪，但它們也是一種“調(diào)速器”。工作本身會(huì)限制你把自己榨干的速度。

AI 拿掉了這個(gè)調(diào)速器。現(xiàn)在唯一的上限是你的認(rèn)知耐力，而大多數(shù)人只有在把這條線沖破之后，才知道自己的極限在哪。

我在 2025 年末 burnout 了。不是戲劇化那種：我沒(méi)有辭職，也沒(méi)有崩潰。我只是開(kāi)始不在乎了。code review 變成走過(guò)場(chǎng)，設(shè)計(jì)決策變成“AI 怎么說(shuō)就怎么做”。我在機(jī)械地產(chǎn)出更多，卻感受更少。我花了一個(gè)月才意識(shí)到發(fā)生了什么，又花了一個(gè)月才恢復(fù)過(guò)來(lái)。

恢復(fù)并不是“少用 AI”，而是“換一種方式用 AI”：設(shè)邊界、有意圖，并且承認(rèn)我不是機(jī)器，我不需要跟機(jī)器同速。Working at Ona 讓我更清楚看到這一點(diǎn)：當(dāng)你為企業(yè)客戶(hù)做 AI agent 基礎(chǔ)設(shè)施，你會(huì)看到不可持續(xù)的 AI 工作流在規(guī)模化之后的“人類(lèi)成本”。這不是個(gè)人問(wèn)題，而是系統(tǒng)問(wèn)題，必須在工具層面解決，而不只是靠個(gè)人硬扛。

諷刺的是，我最好的幾個(gè)項(xiàng)目反而誕生在 burnout 期間。當(dāng)我停止追工具、開(kāi)始思考到底哪里壞掉時(shí)，問(wèn)題第一次變得清晰：context window 被垃圾填滿(mǎn)，這催生了 Distill；agents 拿著全權(quán)限 API key，這催生了 agentic-authz；無(wú)法審計(jì) agent 做了什么，這正在變成 AgentTrace。疲憊迫使我停止消費(fèi)、開(kāi)始建設(shè)，不是更快地堆功能，而是更有意識(shí)地去做正確的東西。

AI 時(shí)代真正的技能

我認(rèn)為 AI 時(shí)代最重要的技能不是 prompt engineering，不是知道該用哪個(gè)模型，也不是擁有“完美工作流”，而是知道什么時(shí)候該停。

知道 AI 輸出什么時(shí)候“夠用”；知道什么時(shí)候該自己寫(xiě)；知道什么時(shí)候該合上電腦；知道邊際提升不值得繼續(xù)消耗認(rèn)知；知道你的大腦是一種有限資源，保護(hù)它不是偷懶，而是一種工程能力。

我們做系統(tǒng)會(huì)優(yōu)化可持續(xù)性：加熔斷、做 backpressure、設(shè)計(jì)優(yōu)雅降級(jí)。我們也應(yīng)該對(duì)自己做同樣的事。

AI 是我用過(guò)最強(qiáng)的工具，同時(shí)也是最消耗人的工具，這兩件事可以同時(shí)成立。能在這個(gè)時(shí)代長(zhǎng)期活得好的工程師，不會(huì)是用 AI 用得最多的人，而會(huì)是用得最聰明的人。

如果你很累，不是因?yàn)槟阕鲥e(cuò)了，而是因?yàn)檫@件事本身就很難。工具很新，模式還在形成，行業(yè)卻裝作“更多產(chǎn)出 = 更多價(jià)值”。事實(shí)不是這樣。可持續(xù)的產(chǎn)出才是價(jià)值。

我依舊每天都在這個(gè)領(lǐng)域里建 agent authorization、context engineering、audit trails、runtime security，讓 AI agents 真正在生產(chǎn)環(huán)境可運(yùn)行的基礎(chǔ)設(shè)施。我對(duì) AI 的投入比以往更深，但我會(huì)按自己的節(jié)奏、用自己的邊界，去做真正重要的事，而不是追逐短暫的趨勢(shì)。

照顧好你的大腦。它只有一個(gè)，而任何 AI 都無(wú)法替代它。

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

聲明：本文為 AI 前線整理，不代表平臺(tái)觀點(diǎn)，未經(jīng)許可禁止轉(zhuǎn)載。

會(huì)議推薦

InfoQ 2026 全年會(huì)議規(guī)劃已上線！從 AI Infra 到 Agentic AI，從 AI 工程化到產(chǎn)業(yè)落地，從技術(shù)前沿到行業(yè)應(yīng)用，全面覆蓋 AI 與軟件開(kāi)發(fā)核心賽道！集結(jié)全球技術(shù)先鋒，拆解真實(shí)生產(chǎn)案例、深挖技術(shù)與產(chǎn)業(yè)落地痛點(diǎn)，探索前沿領(lǐng)域、聚焦產(chǎn)業(yè)賦能，獲取實(shí)戰(zhàn)落地方案與前瞻產(chǎn)業(yè)洞察，高效實(shí)現(xiàn)技術(shù)價(jià)值轉(zhuǎn)化。把握行業(yè)變革關(guān)鍵節(jié)點(diǎn)，搶占 2026 智能升級(jí)發(fā)展先機(jī)！

今日薦文

你也「在看」嗎？