2026 年，也过去 1/4 了，现如今，AI 真的以一种几年前想象不到的速度发展，2022 年年底，ChatGPT 的发布，当时可是震惊了科技圈，第一次使用 ChatGPT 的时候，给我带来的奇特感觉，至今也难忘怀。不知道你们有没有用过微软小冰。上大学的时候折腾过，吐槽过。而现在，“豆包” APP 已经深入到每个人的手机里。没想到当年被我吐槽为“人工智障”的 AI，现在已经变得如此智能。
然而即使是在 2022 年底的时候，我也没有想到生成式 AI 的生长速度可以如此迅速，OpenAI、Claude、Gemini、各家模型百花齐放，争相斗艳。并通过 DeepSeek、豆包、OpenClaw 等模型、工具的破圈，真真实实地影响到了每一个人。
作为一个程序员，且对科技有着浓厚兴趣的我，不敢称走在时代前沿，但也是紧跟 AI 的脚步。近两年来，也是让 AI 深度参与了我的工作和生活，我想谈谈我的几点体会。
效率至上
不得不说，现在是一个效率至上的社会。各种新鲜事物蓬勃发展，人们的节奏也就越来越快。正如热力学第二定律，这是一个熵增的过程。
然而，一个可怕的事实是，这种情况下，我们会变得愈来愈浮躁：想想你是不是很久没有读完一本书；是不是很久没有认真做一顿饭；是不是看视频都要倍速。小学奥数学过的煎盘烤饼的问题，现如今变成了每个人的必备技能——多线程并发处理任务。
而 AI 这种跳过过程直接拥抱结果的工具，更是加速了这种浮躁：
- 妄想用四个月走完别人十几年走过的路
- 妄想用三言两语，就拿到和别人打磨多年一样效果的产品方案
- 妄想用一次治疗解决多年的顽疾
- 妄想用三分钟读懂《百年孤独》
- …
追求效率对于这个商业社会自然是一件再正常不过的事情了，毕竟效率代表着利益，降本增效是它的必然逻辑。不过效率的反面是什么呢？
管理学中有一个概念，叫做忙碌陷阱（The Busyness Paradox）。“忙碌陷阱”实际上是在说，一个人越忙，往往他产出的有效价值就越低。这种悖论强调的是忙碌和成就之间的一种非线性关系。
有的时候，我们为了追求极致的效率，反而过度去优化流程，从而挤压了我们的思考时间，最终导致损害了我们长期的产出质量，或者说创新能力。这其实是一种线性的加速思维模式。也就是说，追求效率本质上就是一种线性加速的思维。
如果要讨论效率的反面是什么，我认为效率的反面是“沉淀”。沉淀应该是效率的一个直接对立面：
面对危机时的表现
效率过高往往意味着极度的精简与紧凑，任何一环的断裂都可能导致崩盘。而沉淀则会形成“冗余”，这种看似低效的冗余，恰恰是系统在面对危机时韧性的来源。
核心追求的差异
(a) 效率追求的是“短平快”和产出。
(b) 沉淀则需要“慢与深”，即深度的积累，追求的是一种厚度。
时间周期的不可逾越性
比如技术壁垒或长久的核心竞争力，这些没有任何一个是能单纯依靠提高效率就缩短周期的。它们必须经过时间的过滤与打磨。
当我们陷入这种“忙碌陷阱”的时候，把我们所有时间都填满效率，大脑实际上会失去一种发散的空间。很多灵感或创意，其实诞生于一些所谓无所事事的时刻。
比如我们经常强调的：
- 艺术中的留白
- 影视剧中的开放式结局
- 商业中可能存在的试错
这些空间其实是创新的温床。如果我们完全投入到追求效率的路径中，一味地去消除低效，往往也抹杀了创新的可能性。
追求效率会让我们在一条已经决定好的跑道上加速，快速的到达我们想要的目的地；但如果我们能“反效率”地去沉淀，这个时候抬头看路，其实更有时间去思考：这条跑道是否真的能通向我们要抵达的目的地。
追求效率本身其实并没有什么错，但是过度追求效率，往往意味着我们缺少了一些沉淀。
有些事情是不能通过追求效率来解决的。比如在运动方面，低心率有氧跑可能是一种最没有效率的训练，短期内也看不到什么进步，但长期坚持下去，确实会有惊人的效果。
这就是沉淀的作用。
其实有篇文章写得比较好，它提到
我们有时候并不是在追求效率，而是存在一种对浪费时间的恐惧。也就是说，我们的生活是被时间统治了，而不是我们拥有了时间。
在“效率”这张皮下，其实是对“无意义感”的一种恐惧。
对于 AI，我认为正是因为 AI 把“沉淀”这个步骤直接省略了，所以它带来的不是能力的增强，而是欲望放大。。这种浮躁从社会投射到工作中，也是如此。
近两年来，尤其是从去年年底到现在，我一直都在用这些 AI 工具辅助我进行代码编辑，帮我完成开发工作。
无论是 Claude 4.6 Sonnet 还是 Gemini 3.1 Pro，它们每次发布新版本，都能在工期非常压缩的情况下，给我带来真实的效率提升，让我能够及时赶上 DDL。
但随着使用越发深入，我确实产生了一种奇怪的感觉：
- 虽然现在我的 AI 代码率可能已经高达 90% 以上，交付速度很快，但与此同时，我对自己项目的理解深度却在悄悄下降。
- 这种感觉在最开始接触 Figma Make 或 Lovable 这类工具时就很难形容。你只需在对话框中简单输入一些想法，它几分钟就能输出一个可点击的界面。以前可能需要几天的原型工作，现在一个下午就能搞定。
- Cursor 或类似的 AI Code 工具更是如此。以前面对复杂需求，我会先在脑中想清楚架构，再去拆解，然后一个小模块一个小模块地编写；现在很多时候，我会直接把需求描述给 AI，让它帮我规划、设计并给出方案，我觉得差不多了就接着往下走。
也就是说，我们的工作从“系统构建”变成了一个“调试生成结果”的游戏。我们从系统的构建者或生产者的角色，转变成了一个消费者的角色——消费的是 Token，消费的是 Prompt。
这种游戏非常容易让人上瘾，因为每一次 Prompt 都是一次及时的正反馈。我们不再需要忍受那些方案想不清楚的痛苦，也不再需要因为不知道怎么写代码而盯着控制台发呆，只需要给出描述并等待输出就行了。
现在的 AI 编程或者说 Vibe Coding 就是同理，思考的不确定性和痛苦完全被跳过了。短期的这种正反馈肯定会带来更快的交付。
比如说，我们通过一些初步的讨论，就可以通过 Figma Make 之类的工具去呈现一些原型（Prototype）。然后我们的工程师可以用 AI 迅速编码出一些 Live Data High Fidelity Prototype，再过两天就能上线了。
但是紧接着我们就会发现，有大量的 Corner Cases 没有考虑，代码其实是不可维护的，也就是说，这种“爽”是有代价的。这就是我们下一篇要聊到的：AI 给我们带来的“债务”。
隐形债务
技术债务可能是很多人用 AI 时，第一个就能轻易理解和体察到的东西。
因为 AI 生成的代码质量参差不齐，很多边界情况考虑不足。即便我们让 AI 进行一些设计，它可能也考虑得不够周全，导致后期维护成本很高。这是一个非常显性的问题，而且我觉得很多人也意识到了。我们通常会通过一些方法，比如 各种Skills、Spec、乃至派生出来的工作流，例如 Superpowers、Get Shit Down 等，通过 SDD、TDD 开发来解决或减少这种技术债务。
但是，还有另一种更隐蔽的债务，我把它叫做“理解债务”。
就是说，有一天我打开自己项目的某一个模块，发现我竟然说不清它为什么是这么设计的。这并不是因为逻辑有多复杂，而是因为这段代码是 AI 写的。
在当时开发的时候，可能我确实有自己的构想和一些小设计，但最终的设计是由 AI 完成的：
- AI 完成了设计
- AI 完成了代码
- 我最后的工作仅仅是调试代码，确认它可用、能跑就行
我并没有去深入理解它，或者说没有时间去理解它。AI 生成的速度太快了，快到我没有时间去阅读它的所有代码。代码是我的，理解却不属于我。这是一件很危险的事情。
而更危险的是，我们往往意识不到这种危险。
因为 AI 给我们的反馈太及时了。及时到当所有创造都被压缩成一次次的即时输出，我们会渐渐误以为：我变强了。
AI 确实让我们更快，让我们更敢于动手，让我们觉得自己成了一个”能力更强的人”。但仔细想想，这种感觉从何而来？它来自于交付速度，来自于原型的快速呈现，来自于每一次 prompt 之后那个令人满足的输出结果。
然而真正的能力，从来不是这些。
讽刺的是，AI 让我变快了，我却反而更焦虑了。
开发过程中，我把代码交给了 AI ，却还是会嫌它输出太慢——明明已经比自己写快了十倍，我却开始盯着那个闪烁的光标，心里催它：快一点，再快一点。我想马上看到结果。这种急于求成的心态，是 AI 带给我的，还是我本来就有、只是被它放大了？
我想是后者。
我们不再愿意忍受”慢”。不再愿意独立坐在那里，对着一个想不清楚的问题发呆。不再愿意一个人把一段逻辑从头想到尾。这不是能力的扩张，是欲望的膨胀。
欲望越多，限制越多；欲望越大，自由越少。
AI 给了我们瞬间的确定性，却悄悄偷走了”慢的智慧”。
我们一方面希望产品取得长期可靠的成功，另一方面又期待决策更快、思考更快、结果来得更快。这两件事，本质上是矛盾的。真正的洞察和判断力，恰恰来自那种缓慢、枯燥、无法跳过的过程——来自盯着问题发呆的那半个小时，来自一个方案改了又改的那几个版本，来自无数次试错之后才慢慢沉淀下来的直觉。
AI 可以帮你跳过这个过程。但你跳过的，正是你本应成长的地方。
这种欲望的膨胀，其实并不只是发生在我个人身上。当它蔓延到我们团队的时候，问题就会被放大。
我观察到一个现象：自从用了 AI 以后，大家变得更“敢”了。敢什么呢？动不动就想要重构，动不动就想要造轮子。在我们方案还没有想清楚的时候，就已经让 AI 开始生成代码了。因为执行的成本变低了，我们的决策也变得更加随意。
但这里面可能藏着一种危险的错觉。AI 确实降低了执行成本，但它没有降低我们的判断成本。当我们做出一个方向错误的决策时，AI 帮我们执行得越快，只能让我们距离正确的目标越来越远，更快地走到错误的那一边。以前走弯路，我们发现以后偏移还不远；现在有了 AI，可能一周就走远了，速度更快，代价也更大。
更进一步说，当“所有方案都让 AI 出”成为常态时，真正需要人来完成的核心任务，就是判断这个方向到底值不值得做。如果这个环节被悄悄跳过了，产品团队的核心价值就会丧失——我们的价值不是生产方案，而是筛选方案。如果方案的生产成本趋近于零，筛选的标准反而会跟着模糊。
我想举个例子来说明 AI 在工作中的边界到底在哪里。
大家知道 OpenAI 在推出“结构化输出”功能时，曾公开过一篇技术文章。他们训练了当时最新的模型 GPT-4o，专门针对 JSON Schema 的遵循能力进行了优化。在复杂的 Schema 评测中，模型得分从 GPT-4 的 40% 以下提升到了 93%。
这个结果听起来很厉害，但 93% 在生产环境里是不够的。所以他们做了第二件事：
- 用传统的工程方法，把 JSON Schema 转化成上下文无关文法（CFG）。
- 在模型每生成一个 Token 的时候，实时计算哪些 Token 是合法的，把其余的概率压到 0。
这部分不是 AI，而是确定的规则型代码。靠着这种确定性，结果才从 93% 提升到了 100%。
这件事说明了一个根本性问题：AI 输出的东西是概率性的，而工程的约束是确定性的。在需要 100% 可靠的地方，我们必须用确定性的东西去兜底。而“判断哪里需要兜底”，恰恰是人的工作，而不是 AI 的工作。
连 OpenAI 自己都没有把这件事交给 AI 去解决。所以当我们说“AI 能做一切”时，其实是在混淆两件事：
- AI 能够生成看起来正确的东西
- AI 能保证正确
前者很容易，后者到今天为止依然需要人来设计那个兜底的逻辑。换句话说，AI 虽然能在个人基础上集成群体的智慧，但由于模型污染、本身缺陷以及基于概率的本质，注定了它无法生成一个能保证完全正确的方案。它不可能去生成这样一个东西。
祛魅之后
说了这么多问题，我想说清楚一件事：我没有否定 AI，我每天还在用，而且会继续用。
祛魅，不是失去热情，而是一种成熟。
从“AI能做什么”转向“我想做什么”，从“让AI帮我生成”转向“我用AI来思考”——这是我这半年来最大的转变。
具体到工具使用上，我现在给自己立了一条规矩：AI可以帮我写代码，但架构必须是我先想清楚的。 它生成的每一段关键逻辑，我都会认真读一遍，确认我能用自己的话解释清楚它在做什么。如果不能，我就继续问，直到我真正理解为止。
这样效率确实慢了一点。但我开始重新感觉到——这个项目是我的，不只是一堆AI帮我生成的文件。
在工作层面，我认为现阶段 AI 最适合做的事情是执行，而不是决策。让 AI 帮你写代码、生成方案、整理文档，这些都很好。但“这个方向值不值得做”、“这个设计对不对”、“这个方案的最大风险在哪里”——这些判断必须是人来完成的，而且不能偷懒。
如果你丧失了独立思考和判断的能力，过度依赖 AI，那么你最终只会沦为一个只会机械输入指令的工具。
在个人成长上，我想引用一句话（来自 Teresa Torres ），它让我印象很深：
I don’t outsource my thinking to LLMs; I use them as thought partners. I make sure I understand everything it suggests, so I ask detailed questions until I do.（我不把思考外包给LLM，我把它当成思考伙伴。它给的每个建议，我都确保自己理解，直到我能解释清楚为止。）
AI 最大的价值，不是让你做到更多，而是让你更快看清自己的边界在哪里。边界不是弱点，是起点。当你知道自己的边界，你才能决定要不要突破它，以及用什么方式突破。
道家说“知其白，守其黑”。白是能力，黑是局限，二者共存才完整。AI把“白”无限放大，让我们感觉无所不能——但“黑”并没有消失，它只是变得更加隐蔽了。我们看不到自己的理解盲区，看不到自己正在退化的深度思考，看不到那些被跳过的、本应属于自己的成长。
这才是最大的风险。
所以，真正的智慧不是一头扎进 AI 的怀抱，也不是挥手拒绝它，而是——
在AI的幻象里，摸清自己的边界，看见真实的自己。
2026年，我们都在学习如何和AI协作。
拥抱它，但别忘了你是谁。