最近读到一篇 Siddhant Khare 的文章，他是一位专门做 AI 基础设施的工程师，算是业内的资深玩家了。他说自己上个季度写的代码比职业生涯任何一个季度都多，但同时也比任何一个季度都更疲惫。
这两件事并非巧合。
这篇文章让我读完之后沉默了很久。因为他点破了很多人心里想说却不知道怎么表达的东西。如果你每天都在用 AI 工作，却发现自己比以前更累，那这篇文章可能会让你产生强烈的共鸣。
一个没人警告过我们的悖论
AI 确实让单个任务变快了，这一点毫无疑问。以前要花 3 小时的事情，现在 45 分钟就能搞定。写文档、搭建服务、写测试用例，全都更快了。
但日子却变得更难过了，而不是更轻松。
原因很简单，只是很多人没想明白：当每件事都花更少时间的时候，你并不会做更少的事，你会做更多的事。 你的产出能力看起来提升了，工作量就会膨胀来填满它。你的领导看到你干得更快，期望值就会调整。你自己看到自己干得更快，对自己的期望也会调整。基准线悄悄移动了。
以前，他可能花一整天时间思考一个设计问题。在纸上画画，洗澡的时候想想，出去散个步，回来就有了清晰的思路。节奏慢，但认知负担是可以承受的。一个问题，一整天，深度专注。
现在呢？他可能一天要接触六个不同的问题。每个问题都只需要一小时就能搞定，毕竟有 AI 帮忙。但在六个问题之间来回切换，对人脑来说是非常昂贵的。AI 在问题之间切换不会累，人会累。
这就是那个悖论：AI 降低了生产成本，却提高了协调、审核和决策的成本。而这些成本，全都落在人身上。
你变成了审核员，但你没有签字同意
以前，工程师的工作是：思考问题，写代码，测试，发布。是创造者，是建造者。 这也是大多数人当初选择这一行的原因，就是那种亲手把东西做出来的感觉。
现在呢？工作越来越像这样：写提示词，等待，阅读输出，评估输出，判断输出对不对，判断输出安不安全，判断输出符不符合架构，修复不对的地方，重新写提示词，循环往复。你变成了审核员，变成了流水线上的质检员，而这条流水线永远不会停。
这是一种本质上完全不同的工作。创造是让人兴奋的，审核是让人疲惫的。 有研究表明，生成性任务和评估性任务在心理上是完全不同的。生成性工作能让你进入心流状态，评估性工作只会给你带来决策疲劳。
他在某一周大量使用 AI 写一个新的微服务，到周三的时候，他发现自己连最简单的决定都做不了了。这个函数叫什么名字？无所谓。这个配置放哪里？无所谓。大脑满了。并不是因为写了太多代码，而是因为判断了太多代码。每天都是成百上千个小判断。
更讽刺的是，AI 生成的代码比人写的代码需要更仔细的审查。因为当同事写代码的时候，你知道他的习惯，他的强项，他的盲点。你可以略读你信任的部分，专注于你不信任的部分。但 AI 呢？每一行都值得怀疑。代码看起来很自信，能编译，甚至能通过测试。但它可能以一种微妙的方式出错，只有在生产环境里、在高负载下、在凌晨三点才会暴露出来。
所以你得逐行阅读。而阅读那些你没写的、由一个不了解你代码库历史的系统生成的代码，是非常累人的工作。
确定性消失了
工程师是在确定性中成长的。相同的输入，相同的输出。这是契约，这是调试成为可能的基础，这是你能够推理系统的前提。
AI 打破了这个契约。
他有一个提示词，周一用的时候完美无缺，生成了干净、结构良好的 API 端点代码。周二用同样的提示词写一个类似的端点，输出在结构上完全不同，用了不同的错误处理模式，还引入了一个他没要求的依赖。
为什么？没有原因。或者说，没有他能看到的原因。没有堆栈跟踪告诉你模型今天决定走一条不同的路。没有日志说温度采样选择了路径 B 而不是路径 A。它就是发生了，就是不一样了。
对于一个整个职业生涯都建立在“如果它坏了我就能找出原因”之上的人来说，这是非常令人不安的。不是那种戏剧性的不安，而是一种缓慢的、磨人的、背景噪音式的焦虑。你永远无法完全信任输出。你永远无法完全放松。每一次交互都需要警惕。
他试过对抗这个问题，把提示词做版本控制，写复杂的系统消息，创建模板。有些有帮助，但都没能解决根本问题：你是在和一个概率系统合作，而你的大脑是为确定性系统准备的。这种错配是一种持续的、低级别的压力来源。
那些最能适应这种情况的工程师，是那些已经与它和解的人。他们把 AI 输出当作一个聪明但不可靠的实习生写的初稿。他们预期要重写 30%。他们为重写预留时间。当输出是错的时候他们不会沮丧，因为他们从来没期望它是对的。他们期望的是它有用。这是不一样的。
永远追不上的焦虑
试着跟上过去几个月的节奏看看。Claude 发布了子代理，然后是技能系统，然后是 Agent SDK，然后是 Claude Cowork。OpenAI 发布了 Codex CLI，然后是 GPT-5.3-Codex。新的编程代理宣布后台模式，可以同时运行数百个自主会话。Google 发布了 Gemini CLI。GitHub 添加了 MCP 注册表。收购每周都在发生。Amazon Q Developer 获得了代理升级。CrewAI、AutoGen、LangGraph、MetaGPT，选一个代理框架吧，每周都有新的。Google 宣布 A2A 协议与 Anthropic 的 MCP 竞争。OpenAI 发布了自己的 Swarm 框架。Kimi K2.5 推出了能编排 100 个并行代理的架构。
这还不是一年的内容，这只是几个月。而且还漏了很多。
他深深陷入了这个陷阱。周末都在评估新工具，阅读每一个更新日志，观看每一个演示，试图站在前沿，因为他害怕落后。
这实际上是什么样子呢？周六下午设置一个新的 AI 编程工具，周日有了基本的工作流程，到下周三，有人发帖说另一个工具好多了。一阵焦虑袭来。到下个周末，又在设置新东西。旧东西被闲置。一个编程助手换到下一个再换到第一个。每次迁移花掉一个周末，带来的改进可能只有 5%，还没法准确测量。
把这个乘以每一个类别：编程助手、聊天界面、代理框架、多代理编排平台、MCP 服务器、上下文管理工具、提示词库、集群架构、技能市场……你得到的是一个永远在学习新工具、从未在任何工具上深入的人。
最糟糕的是知识的贬值。 他在 2025 年初花了两周时间构建了一套复杂的提示词工程工作流。精心设计的系统提示，少样本示例，思维链模板。效果很好。三个月后，模型更新了，提示词最佳实践变了，他一半的模板效果反而不如简单的一行提示词。那两周就这么没了。不是投资，是消费。
他后来采取了不同的方法。与其追逐每一个新工具，不如深入工具下面的基础设施层。工具来来去去，但它们要解决的问题不会变。上下文效率、代理授权、审计追踪、运行时安全，这些是持久的问题，无论这个月流行哪个框架。建立在不会剧烈变化的层上，才是明智之举。
再来一次提示词的陷阱
这个陷阱非常隐蔽。你想让 AI 生成一个特定的东西。第一次输出 70% 正确。于是你优化提示词。第二次输出 75% 正确，但打破了第一次正确的东西。第三次 80% 正确，但结构变了。第四次，你已经在这上面花了 45 分钟，而你本可以 20 分钟从头写完。
他把它叫做提示词螺旋。你开始时有一个清晰的目标。三十分钟后，你在调试你的提示词而不是调试你的代码。你在优化给语言模型的指令，而不是解决实际问题。
提示词螺旋特别危险，因为它感觉很有生产力。你在迭代，你在接近目标，每次尝试都稍微好一点。但边际收益递减得很快，而你忘记了目标从来不是让 AI 产生完美的输出，目标是把功能发布出去。
他现在有一条硬性规则：三次尝试。如果 AI 在三次提示词内不能让他得到 70% 可用的东西，他就自己写。 没有例外。这条规则比他学过的任何提示词技巧都节省更多时间。
完美主义者的噩梦
工程师倾向于完美主义。我们喜欢干净的代码，喜欢能通过的测试，喜欢行为可预测的系统。这是优点，这是让我们擅长构建可靠软件的原因。
AI 输出永远不完美。永远是差不多，七八成的样子。变量名有点不对，错误处理不完整，边缘情况被忽略，抽象对你的代码库来说是错的。它能用，但不对。
对完美主义者来说，这是折磨。 因为差一点比完全错还糟糕。完全错了，你就扔掉重来。差一点，你花一个小时去调整。而调整 AI 输出特别令人沮丧，因为你在修复别人的设计决策，而这些决策是由一个不分享你的品味、你的上下文、你的标准的系统做出的。
他不得不学会放手。不是放弃质量，他仍然在意质量。而是放弃对 AI 会产出高质量内容的期望。 他现在把每一个 AI 输出都当作草稿，一个起点，原材料。这种心态的转变，就让他的挫败感减少了一半。
在 AI 面前挣扎最多的工程师，往往是最好的工程师。那些标准最高的人，那些注意到每一个缺陷的人。AI 奖励的是另一种技能：快速从不完美的输出中提取价值的能力，而不会在让它完美这件事上投入太多情感。
大脑在退化
这是最让他害怕的一点。
他是在一次设计评审会议上注意到的。有人让他在白板上推导一个并发问题。没有笔记本电脑，没有 AI，就他和一支马克笔。他挣扎了。不是因为他不懂概念，他懂。而是因为他好几个月没有锻炼那块肌肉了。他把初步思考外包给 AI 太久了，以至于从头思考的能力已经退化。
就像 GPS 和导航一样。在 GPS 之前，你会建立心理地图。你了解你的城市，你能推理路线。用了几年 GPS 之后，没有它你就不会导航了。技能退化了，因为你不再使用它。
同样的事情正在 AI 和工程思维上发生。当你总是先问 AI，你就停止了建立那些来自自己与问题搏斗的神经通路。挣扎是学习发生的地方，困惑是理解形成的地方。跳过这些，你得到更快的输出，但更浅的理解。
他现在刻意让每天的第一个小时不用 AI。在纸上思考，用手画架构，用慢方法推理问题。感觉效率低，确实效率低。但它让他的思维保持敏锐，而这种敏锐在他后面使用 AI 的时候会产生回报，因为当他自己的推理热身好了，他就能更好地评估 AI 的输出。
社交媒体上的幻象
社交媒体上到处都是那些似乎已经搞定 AI 的人。他们分享工作流，分享生产力数据，分享那种“我用 AI 两小时就做了整个应用”的帖子。然后你看看自己的经历：失败的提示词，浪费的时间，不得不重写的代码。你会想：我是不是有什么问题？
你没有问题。那些帖子是精选集锦。没人发帖说我花了 3 小时试图让 Claude 理解我的数据库结构，最后放弃了自己手写了迁移脚本。没人发帖说 AI 生成的代码导致了生产事故，因为它悄悄吞掉了一个错误。没人发帖说我累了。
比较陷阱被一个事实放大了：AI 技能很难衡量。 传统工程，你可以看看别人的代码，大致判断他们的能力。用 AI 的话，输出取决于模型、提示词、上下文、温度、月相。别人令人印象深刻的演示，在你的机器上用你的代码库可能根本复现不了。
他变得对社交媒体上的 AI 内容非常挑剔。他仍然密切关注这个领域，毕竟这是他的工作。但他从消费每个人的热门观点，转向专注于那些真正在构建和发布的人，而不是只在演示的人。信号和焦虑的比例很重要。如果一个信息流让你感到落后而不是获得信息，它就没有在服务你。
真正有用的方法
他很具体地分享了什么改变了他与 AI 的关系，从对抗变成可持续。
给 AI 会话设置时间限制。 不再以开放式的方式使用 AI。设定计时器，这个任务用 AI 做，30 分钟。计时器响了，要么发布现有的，要么切换到自己写。这同时防止了提示词螺旋和完美主义陷阱。
把 AI 时间和思考时间分开。 上午用来思考，下午用来 AI 辅助执行。这不是死板的规定，有时候会打破规则。但有一个默认结构意味着大脑能以正确的比例得到锻炼和协助。
接受 AI 给 70% 就够了。 不再试图得到完美输出。70% 可用就是标准，剩下的自己修。这种接受是他工作流中减少 AI 相关挫败感最大的单一因素。
对炒作周期保持战略眼光。他追踪 AI 领域是因为他为它构建基础设施。但他不再在每个新工具发布的那一周就采用它。他用一个主要的编程助手，深入了解它。当新工具经过几个月而不是几天的验证后，他才会评估。保持信息灵通和保持反应式是不同的事情。
记录 AI 在哪里有帮助，在哪里没有。他保持了两周的简单日志：任务，是否用了 AI，花了多少时间，对结果的满意度。数据很有启发性。AI 在样板代码、文档和测试生成上节省了大量时间。在架构决策、复杂调试和任何需要深入了解代码库上下文的事情上，它反而花费了更多时间。现在他知道什么时候该用它，什么时候不该。
不审核 AI 产出的每一行。这很难接受。但如果你用 AI 生成大量代码，你在物理上不可能以同样的严格程度审核每一行。他把审核精力集中在最重要的部分：安全边界、数据处理、错误路径。其余的依靠自动化测试和静态分析。非关键代码中的一些粗糙是可以接受的。
可持续性问题
科技行业在 AI 之前就有倦怠问题。AI 正在让它变得更糟，而不是更好。不是因为 AI 不好，而是因为 AI 移除了过去保护我们的自然速度限制。
在 AI 之前，你一天能产出多少有一个天花板。这个天花板由打字速度、思考速度、查东西需要的时间设定。有时候令人沮丧，但它也是一个调节器。你不能把自己累死，因为工作本身施加了限制。
AI 移除了调节器。现在唯一的限制是你的认知耐力。而大多数人不知道自己的认知极限在哪里，直到他们已经冲过去了。
他在 2025 年底倦怠了。不是戏剧性的那种，他没有辞职也没有崩溃。他只是不再在意了。代码审查变成了橡皮图章。设计决策变成了 AI 建议什么就是什么。他在走过场，产出比以往任何时候都多，感受比以往任何时候都少。他花了一个月才意识到发生了什么，又花了一个月才恢复。
恢复不是关于少用 AI，而是关于以不同的方式使用 AI。有边界，有意图，有一种理解：我不是机器，我不需要跟上机器的节奏。
AI 时代真正的技能
他认为 AI 时代真正的技能是什么呢？不是提示词工程，不是知道用哪个模型，不是有完美的工作流。
是知道什么时候停下来。
知道什么时候 AI 输出足够好了。知道什么时候该自己写。知道什么时候该合上笔记本电脑。知道边际改进不值得认知成本。知道你的大脑是有限的资源，保护它不是懒惰，是工程。
我们为系统优化可持续性。我们添加熔断器，实现背压，设计优雅降级。我们也应该为自己这样做。
AI 是他用过的最强大的工具。也是最消耗人的。两件事都是真的。在这个时代蓬勃发展的工程师，不会是用 AI 最多的人，而是用得最明智的人。
如果你累了，不是因为你做错了什么。而是因为这确实很难。工具是新的，模式还在形成，而行业在假装更多产出等于更多价值。不是这样的。可持续的产出才是。
照顾好你的大脑。它是你唯一拥有的，没有任何 AI 能替代它。
原文地址：https://siddhantkhare.com/writing/ai-fatigue-is-real
这篇文章在 云栈社区 的 开发者广场 版块引起了广泛讨论。这提醒我们，技术的核心终归是服务于人，高效工具若以透支心智为代价，便失去了意义。在探索 人工智能 边界的同时，我们更需要管理好自己的精力边界。
发表于 2 小时前
|
查看: 1|
回复: 0
