Loading... <h1>AI 疲劳是真实的</h1><h1>一、新闻概述</h1><h2>1. 标题</h2><p>AI 疲劳是真实的：一位 AI 基础设施工程师的坦诚反思</p><h2>2. 发布时间</h2><p>2026 年 2 月</p><h2>3. 来源</h2><p>Siddhant Khare 个人博客</p><h1>二、核心内容</h1><h2>1. 事件摘要</h2><h3>A. 主要内容</h3><p>Siddhant Khare 作为 AI 代理基础设施领域的核心开发者（OpenFGA 维护者、agentic-authz 和 Distill 等工具的作者），坦诚分享了深度使用 AI 工具后的职业倦怠经历。</p><h3>B. 核心观点</h3><ul><li>AI 确实提高了单个任务的效率，但总体认知负担反而增加</li><li>工程师从「创造者」变成了「审核者」，这种角色转换具有心理消耗</li><li>技术迭代速度过快导致持续的学习焦虑和工具迁移疲劳</li><li>过度依赖 AI 可能导致独立思考能力的退化</li></ul><h2>2. 关键信息</h2><h3>A. 作者背景</h3><ul><li>OpenFGA（CNCF 孵化项目）核心维护者</li><li>构建 agentic-authz 代理授权系统</li><li>开发 Distill 上下文去重工具</li><li>深度参与 MCP 服务器生态建设</li></ul><h3>B. 核心矛盾</h3><p>AI 工具降低生产成本，却提高了协调、审核和决策的成本，而这些成本完全由人类承担。</p><h2>3. 背景介绍</h2><h3>A. 行业现状</h3><p>技术行业普遍存在 AI 焦虑：担心被淘汰、害怕跟不上新技术、社交媒体上的成功案例带来比较压力。</p><h3>B. 问题根源</h3><p>AI 工具去除了自然速度限制，导致工作无限扩展，唯一的上限变成了人的认知耐力。</p><h1>三、详细报道</h1><h2>1. 主要问题分析</h2><h3>A. 效率悖论</h3><pre><code class="lang-mermaid">graph LR A[AI 工具] -->|降低| B[单任务时间] B -->|增加| C[任务数量] C -->|导致| D[上下文切换] D -->|消耗| E[认知资源] A -.避免.-> F[自然速度限制]</code></pre><p><img src="https://static.op123.ren/static/09/09a7b2d1cf812f3d.svg" alt="AI 效率悖论流程图" title="AI 效率悖论流程图" style=""></p><p><strong>核心矛盾</strong>：</p><ul><li>单个任务从 3 小时缩短到 45 分钟</li><li>但每天处理的任务从 1 个增加到 6 个</li><li>上下文切换的成本由人脑承担</li></ul><h3>B. 角色转换困境</h3><p><strong>工作模式变化</strong>：</p><table><thead><tr><th>时期</th><th>工作模式</th><th>心理状态</th></tr></thead><tbody><tr><td>AI 前</td><td>思考问题、编写代码、测试、发布</td><td>创造者、心流体验</td></tr><tr><td>AI 后</td><td>提示、等待、评估、决策、修改</td><td>审核者、决策疲劳</td></tr></tbody></table><p><strong>AI 代码的特殊挑战</strong>：</p><ul><li>每一行代码都需要怀疑</li><li>看起来自信、能编译、能通过测试，但可能在生产环境中出问题</li><li>无法像人类代码那样「信任模式、关注盲点」</li></ul><h3>C. 确定性崩溃问题</h3><p>工程师的职业训练建立在「相同输入产生相同输出」的确定性基础上，而 AI 打破了这个契约。</p><pre><code class="lang-mermaid">graph TD A[周一提示词] -->|产生| B[良好结构代码] C[周二相同提示词] -->|产生| D[不同结构代码] D -->|引入| E[不需要的依赖] F[问题] -->|无堆栈跟踪| G[无法调试] G -->|结果| H[持续焦虑]</code></pre><p><img src="https://static.op123.ren/static/6b/6bb605185bb461af.svg" alt="AI 不确定性流程图" title="AI 不确定性流程图" style=""></p><p><strong>根本矛盾</strong>：与概率性系统协作，但大脑是为确定性系统设计的。</p><h3>D. 技术迭代疲劳</h3><p><strong>2025-2026 年 AI 工具爆发</strong>：</p><ul><li>Claude Code：子代理、技能、Agent SDK、Claude Cowork</li><li>OpenAI：Codex CLI、GPT-5.3-Codex（自我编码的模型）</li><li>Google：Gemini CLI、A2A 协议</li><li>GitHub：MCP 注册表</li><li>代理框架：CrewAI、AutoGen、LangGraph、MetaGPT、Swarm</li></ul><p><strong>工具迁移成本</strong>：</p><ul><li>周末搭建新工具 → 周三发现「更好的工具」 → 下周末再次迁移</li><li>每次迁移花费一个周末，带来 5% 的不可测量改进</li><li>LangChain → CrewAI → AutoGen → 自定义编排（一年内多次迁移）</li></ul><h3>E. 提示词螺旋陷阱</h3><p><strong>典型场景</strong>：</p><ol><li>第一次输出：70% 正确</li><li>优化提示词：75% 正确，但破坏了之前正确的部分</li><li>第三次尝试：80% 正确，但结构变了</li><li>第四次尝试：已经花了 45 分钟，而从头写只需要 20 分钟</li></ol><p><strong>作者经验法则</strong>：3 次尝试原则</p><ul><li>如果 3 次提示无法达到 70% 可用性，直接手动编写</li><li>这个规则节省的时间超过任何提示词技巧</li></ul><h3>F. 思维能力退化</h3><p><strong>类比：GPS 与导航能力</strong></p><ul><li>GPS 之前：建立心理地图，理解城市结构</li><li>多年 GPS 后：无法独立导航</li></ul><p><strong>AI 与工程思维</strong></p><ul><li>持续将「初稿思考」外包给 AI</li><li>导致从零开始思考的能力退化</li><li>挣扎是学习发生的地方，困惑是理解形成的过程</li></ul><h3>G. 社交媒体比较陷阱</h3><p><strong>现实 vs 展示</strong>：</p><ul><li>展示：我用 AI 在 2 小时内构建了整个应用</li><li>现实：花 3 小时让 Claude 理解数据库模式，最终放弃手动编写迁移</li></ul><p><strong>AI 技能难以衡量</strong>：</p><ul><li>输出取决于模型、提示词、上下文、温度、相位</li><li>令人印象深刻的演示可能在你的环境中无法复现</li></ul><h2>2. 作者的应对策略</h2><h3>A. 时间盒限制</h3><ul><li>不再开放式使用 AI</li><li>为任务设置计时器（如 30 分钟）</li><li>计时器到点：发布当前版本或切换手动编写</li></ul><h3>B. 分离思考时间与 AI 时间</h3><ul><li>上午：思考时间（无 AI）</li><li>下午：AI 辅助执行</li><li>保持大脑锻炼与辅助的正确比例</li></ul><h3>C. 接受 70% 标准</h3><ul><li>停止追求完美输出</li><li>70% 可用即可接受</li><li>这是减少 AI 相关挫折感的最大因素</li></ul><h3>D. 战略性应对炒作周期</h3><ul><li>追踪 AI 生态以理解方向，而非采用每个新工具</li><li>深度使用一个主要编码助手</li><li>等待新工具经过数月验证后再评估</li></ul><h3>E. 记录 AI 的有效性</h3><ul><li>记录两周数据：任务、是否使用 AI、时间、满意度</li><li>发现：AI 在样板代码、文档、测试生成方面节省时间</li><li>发现：AI 在架构决策、复杂调试、深度上下文方面浪费时间</li></ul><h3>F. 选择性审核</h3><ul><li>不审核 AI 产生的所有代码</li><li>重点关注：安全边界、数据处理、错误路径</li><li>依赖自动化测试和静态分析处理其余部分</li><li>非关键代码的粗糙度可以接受</li></ul><h2>3. 技术启示</h2><h3>A. 基础设施层面的重要性</h3><ul><li>工具来来去去，解决的问题不会改变</li><li>上下文效率、代理授权、审计跟踪、运行时安全是持久问题</li><li><p>作者的构建决策：</p><ul><li>agentic-authz 基于 OpenFGA，而非绑定特定代理框架</li><li>Distill 工作在上下文层，而非提示词层</li></ul></li></ul><h3>B. 代理安全的人本意义</h3><ul><li>如果无法审核所有 AI 输出，需要系统约束代理能力</li><li>最小权限访问、范围令牌、审计跟踪</li><li>减少对「AI 是否做了危险事情」的担忧</li><li>这不仅是安全问题，更是人类可持续性问题</li></ul><h1>四、影响分析</h1><h2>1. 行业影响</h2><h3>A. 燃烧out 问题加剧</h3><ul><li>技术行业在 AI 之前就有燃烧out 问题</li><li>AI 移除了保护我们的自然速度限制</li><li>唯一的极限变成了认知耐力，而大多数人在超过极限之前不知道自己的极限</li></ul><h3>B. 生产力与价值认知的脱节</h3><ul><li>行业假装更多输出等于更多价值</li><li>实际上可持续的产出才有价值</li><li>需要重新定义成功指标</li></ul><h2>2. 个人影响</h2><h3>A. 工程师面临的选择</h3><ul><li>跟上每一个新工具（导致疲劳）</li><li>选择被淘汰（导致焦虑）</li><li>作者建议：在基础设施层面深入，而非追逐表面工具</li></ul><h3>B. 技能转型需求</h3><ul><li>从完美主义转向「从 imperfect 输出中提取价值」</li><li>从创造转向审核和判断</li><li>从确定性思维转向概率性协作</li></ul><h2>3. 技术趋势</h2><h3>A. 可持续性工具需求</h3><ul><li>上下文去重（Distill）</li><li>代理授权（agentic-authz）</li><li>审计跟踪（AgentTrace）</li><li>这些工具解决人类可持续性问题，不仅是技术问题</li></ul><h3>B. 代理生态成熟</h3><ul><li>从无限制 API 密钥访问转向细粒度权限控制</li><li>从黑盒操作转向可审计的工作流</li><li>从追逐新框架转向构建持久基础设施</li></ul><h1>五、各方反应</h1><h2>1. 作者立场</h2><ul><li>仍然每天在这个领域构建</li><li>比以往任何时候都更致力于 AI</li><li>但按照自己的条件、以自己的节奏行事</li><li>构建重要的事情，而非追逐趋势</li></ul><h2>2. 核心建议</h2><p><strong>真正的 AI 时代技能</strong>：</p><ul><li>不是提示词工程</li><li>不是知道使用哪个模型</li><li>不是拥有完美的工作流</li></ul><p><strong>而是知道何时停止</strong>：</p><ul><li>知道 AI 输出何时足够好</li><li>知道何时自己编写</li><li>知道何时关闭笔记本电脑</li><li>知道何时边际改进不值得认知成本</li></ul><h2>3. 长期视角</h2><p>在 AI 时代蓬勃发展的工程师不会是那些使用 AI 最多的人，而是那些最明智地使用 AI 的人。</p><h1>六、相关链接</h1><h2>1. 作者作品</h2><ul><li>OpenFGA（CNCF 孵化项目）</li><li>agentic-authz：代理授权系统</li><li>Distill：确定性上下文去重工具</li><li>AgentTrace：代理审计跟踪工具（开发中）</li></ul><h2>2. 相关主题</h2><ul><li>代理安全与授权</li><li>上下文工程</li><li>AI 基础设施</li><li>人类与 AI 协作的可持续性</li></ul><hr><h2>参考资料</h2><ol><li><span class="external-link"><a class="no-external-link" href="https://siddhantkhare.com/writing/ai-fatigue-is-real" target="_blank"><i data-feather="external-link"></i>AI Fatigue Is Real - Siddhant Khare</a></span></li></ol> 最后修改：2026 年 02 月 09 日 © 允许规范转载 赞 如果觉得我的文章对你有用，请随意赞赏