用 AI 后，我效率翻 3 倍，人却更疲惫，别再掉进这个陷进了

读完文章

领取 APPSO 2026 年马年春节

限定红包 封面

「学不完，真的学不完。」

这大概是每一个关心 AI 进展的人，在 2026 年开年最真实的心声。

模型、Agent 、Coding，每天刷新着我们的认知和焦虑 ，尤其是今年春节 AI 发布的节奏甚至比平日更加疯狂。

我们被一种巨大的 FOMO（错失恐惧）推着往前跑，生怕一不留神，就被时代甩在身后。

但这种追赶是有代价的。

像本文作者 Siddhant Khare 这样的资深工程师，他身处 AI 基础设施建设的核心，却发现自己「产出越多，越被掏空」。

当 AI 把我们从「创作者」变成了停不下来的「质检员」，当效率的提升带来了指数级增长的认知负荷，一种名为「AI 疲劳」的隐性流行病便开始蔓延 。我们都成了在 AI 仓鼠轮上奋力奔跑，却感觉哪里都去不了的实验品。

同时最近大火的 Clawdbot ，开发者 Peter Steinberger 财富自由后「躺平」了三年，完美错过了 AI 最喧嚣浮躁的阶段 。。他没有追赶每一个热点，只是为了解决一个自己真正着迷的问题 。

我们发现，对抗 FOMO 最好的解药，或许不是学得更多、更快，而是学得更「自私」一点。

与其被动消费无穷无尽的新工具，不如主动去创造一个哪怕很小，但完全属于自己的东西。

在这个过程中，你才能真正理解技术的边界，建立自己的判断体系，并从被 AI 消耗的疲惫感中，重新找回创造的乐趣 。

我们希望将这篇文章分享给你，它没有教你任何新的 AI 技巧，反而给在追赶 AI 更新的人泼了一盆冷水，我们试图探讨一种更可持续、也更人性的与 AI 共存的方式

愿你你找到自己的节奏，重新变回 AI 的「主人」。

以下是 APPSO 的编译，在不改变原意的前提下进行了编辑：

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

被忽略的 AI 疲惫

上个季度，我提交的代码量创下了职业生涯的新高。

与此同时，我也感到前所未有的被掏空。

这两件事，绝非巧合。

我不是那种在周末随便玩玩 AI 的票友。我以此为生——构建 AI Agent（智能体）基础设施，是 OpenFGA 的核心维护者，亲手打造了 agentic-authz 和 Distill 这样的硬核工具。我深潜其中，为其他工程师制造着「让 AI 在生产环境跑起来」的铲子。

然而，我碰壁了。

这种精疲力竭，是任何工具优化或工作流调整都无法治愈的。

如果你也是一名每天高强度使用 AI 的工程师——用它做设计评审、生成代码、Debug、写文档——然后发现自己比 AI 出现之前更累了，那么这篇文章就是为你写的。

你没疯，你不弱，你只是正在经历一种被整个行业激进地假装不存在的真实痛楚。如果像我这样全职构建 Agent 基础设施的人都会在 AI 面前燃尽，那它可能发生在任何人身上。

我想聊聊那个「不加滤镜」的版本。不是推特上那些「AI 太神了，看我丝滑工作流」的凡尔赛，而是那个真实的版本：晚上 11 点，你盯着屏幕，被一堆 AI 生成的代码包围，明明是来帮你省时间的工具，却吞噬了你的一整天。

没人警告过的「效率悖论」

有个事儿让我脑壳疼了好一阵：AI 确实让单个任务变快了。这不是谎言。
以前耗时 3 小时的活儿，现在 45 分钟搞定。起草设计文档、搭建新服务脚手架、写测试用例、研究陌生 API，统统加速。

但我的日子却变得更难了。不是更容易，是更难。

原因说穿了很简单，但我花了好几个月才回过味来：当每个任务耗时变短，你并不会「少做点任务」，你会做「更多任务」。

你的产能看似扩容了，于是工作量便顺势填满，甚至溢出。经理看你交付快了，预期自然水涨船高；你自己看自己快了，自我要求也跟着加码。基准线，被悄悄抬高了。

在 AI 之前，我可能花一整天死磕一个设计难题。我会画草图、在淋浴时思考、散步，然后带回清晰的方案。节奏虽慢，但认知负荷是可控的。一个问题，一天时间，深度聚焦。

现在呢？我一天可能要碰六个不同的问题。因为 AI 告诉我，每个问题「只需要一小时」。
但人类大脑在六个问题之间来回切换的上下文成本，是极其昂贵的。AI 不会因为切换任务而疲劳，但你会。

这就是悖论所在：AI 降低了「生产」的成本，却指数级增加了「协调、审查和决策」的成本。而这些成本，全部由人类买单。

被迫上岗的「流水线质检员」

以前，工程师的工作是：思考问题 -> 写代码 -> 测试 -> 发布。我是创作者，是 Maker。这正是我们当初入行的初衷——为了创造。

AI 之后，我的工作逐渐变成了：写提示词 -> 等待 -> 阅读输出 -> 评估对错 -> 检查安全性 -> 判断是否符合架构 -> 修补不对的地方 -> 重新提示 -> 重复。

我变成了一个审稿人，一个法官，一个在永不停歇的流水线上疲于奔命的质检员。

这在心理学上是完全不同的工种。创造能带来「心流」，而审查只会带来「决策疲劳」。

我第一次意识到这点，是在用 AI 狂写一个微服务的那周。到了周三，我发现自己连最简单的决定都做不出了。这个函数该叫啥？无所谓。配置放哪？随便吧。我的脑子满了。不是因为写代码满的，是因为「评判」代码满的。成百上千个微小的判断，全天候轰炸。

更残酷的讽刺在于：AI 生成的代码比人类写的更需要仔细审查。

同事写的代码，我懂他的路数、强项和盲区，我可以略读信任的部分，重点看我不放心的。但面对 AI，每一行都是嫌疑人。代码看起来自信满满，能编译，甚至能跑通测试，但它可能在某个隐秘的角落埋雷，只在凌晨 3 点生产环境负载拉满时才爆炸。

所以你必须逐行阅读。去读那些你没写过、由一个不懂你代码库历史和团队习惯的系统生成的代码，这本身就是一种精神酷刑。

这也是为什么我认为 Agent 的安全和授权如此重要。如果我们没法在大规模下审查 AI 产出的每一行代码——事实上我们确实做不到——那我们就必须从源头上限制 Agent 的权限。最小权限原则、范围受限的 Token、审计日志。越少担心「AI 干了什么蠢事」，留给真正重要工作的认知预算就越多。这不仅是安全问题，更是人类的可持续性问题。

消失的「确定性契约」

工程师是被「确定性」喂大的。输入 A，得到 B。这是契约，是调试的基础，是我们理解系统的基石。

AI 撕毁了这份契约。

周一运行完美的提示词，生成了干净漂亮的 API 代码。周二用同样的提示词跑类似的任务，输出结构变了，错误处理逻辑换了，还引入了我没要求的依赖。

为什么？没理由。或者说，没有我可以理解的理由。没有堆栈跟踪告诉我「模型今天决定换个口味」，没有日志显示「温度采样选了路径 B」。它就是……变了。

对于职业生涯建立在「如果坏了，我就能找出原因」之上的工程师来说，这种感觉极其不安。不是那种剧烈的恐慌，而是一种缓慢的、研磨般的背景焦虑。你永远无法完全信任输出，永远无法完全放松。每一次交互都需要保持警惕。

这种挫败感最终逼我做出了 Distill——一个针对 LLM 的确定性上下文去重工具。没有 LLM 调用，没有嵌入，没有概率玄学。纯算法，12 毫秒搞定。

我想在 AI 流水线里至少保留一块我可以推理、调试和信任的净土。如果模型的输出注定是薛定谔的猫，那我至少要保证输入是干净可控的。

我见过应对得最好的工程师，都是那些与此「和解」的人。他们把 AI 输出当成一个聪明但不靠谱的实习生交来的初稿。

他们预期要重写 30%，他们为此预留了时间。因为从未指望它完全正确，所以当它出错时，他们不会炸毛。他们指望的是「有用」，而非「正确」。这中间的区别大了去了。

被 FOMO 追赶的仓鼠轮

深吸一口气，回头看看这几个月发生了什么：

Claude Code 发布子智能体，然后是 Agent SDK；OpenAI 推出 Codex CLI；Google 甩出 Gemini CLI；GitHub 搞了 MCP 注册表；收购案每周都在发生；各种 Agent 框架像雨后春笋：CrewAI, AutoGen, LangGraph, MetaGPT……当你还在研究这个，那个已经过时了。

就连 LinkedIn 上的「野生导师」都在恐吓你：「2026 年还不用子智能体编排，你就被淘汰了！」

这不是一年的变化，这是几个月。

我曾狠狠掉进这个坑里。周末用来评测新工具，看每一个更新日志，看每一个演示。因为恐惧落后，我强迫自己站在前沿。

结果呢？周六下午折腾一套新 AI 编码工具，周日刚跑通工作流，周三就有人发帖说另一个工具「完爆这个」。焦虑感瞬间袭来。下个周末，我又在折腾新东西。这就好像一只仓鼠，从一个轮子跳到另一个轮子，每次迁移都耗费一个周末，换来的可能是 5% 无法感知的效率提升。

最可怕的是「知识折旧」。

2025 年初，我花两周精心打磨了一套复杂的提示工程工作流。链式思维、少样本示例，那是相当完美。三个月后，模型更新了，最佳实践变了，我那些复杂的模板跑出来的结果甚至不如一句简单的大白话。那两周的时间，不是投资，是浪费。

这就是为什么我现在改变了策略：别追工具，追基础设施。

工具来来去去，但问题永存。上下文效率、授权、审计、运行时安全——无论这个月流行哪个框架，这些底层问题都在。所以我建立 agentic-authz 是基于 OpenFGA，而不是绑定在某个特定的 Agent 框架上。建立在那些不会轻易变质的层面上。

「再试一次」的陷阱

这个陷阱极其阴险。

第一次输出 70% 正确。你优化提示词。

第二次 75% 正确，但把第一次对的地方改错了。

第三次 80% 正确，但结构全乱了。

第四次……如果你一开始就自己写，20 分钟早就搞定了，现在你已经耗了 45 分钟。

我称之为「提示词螺旋」。这就像给牦牛剃毛。你本以此为目标，半小时后却在调试提示词而不是调试代码。你在优化对语言模型的指令，而不是解决实际问题。

这种螺旋很危险，因为它让你「感觉」很高效。你在迭代，你在逼近真相。但边际收益递减得飞快，你忘了最初的目标只是「发布功能」，而不是「让 AI 产出完美代码」。

现在我有一条铁律：事不过三。

如果三次提示还得不到 70% 可用的结果，我就自己写。这条规则帮我省下的时间，比任何提示词技巧都多。

完美主义者的地狱

工程师通常有洁癖。我们要干净的代码，要全绿的测试。这让我们擅长构建可靠的软件。

但 AI 的输出永远是「凑合」。70-80% 的完成度。变量名有点怪，错误处理不完整，边缘情况被忽略。它能跑，但它「不对味」。

这对完美主义者来说简直是酷刑。因为「差点意思」比「完全错误」更难受。完全错误你可以直接重写；差点意思你就得花一小时去微调。修补别人的烂代码（尤其是这种没品位、没上下文的机器代码）是极其令人沮丧的。

最受折磨的往往是最好的工程师。 那些标准最高、眼光最毒的人。

而 AI 时代奖励的是另一种技能：能够迅速从不完美的输出中提取价值，而不对「完美」产生情感执念的能力。

思考能力的肌肉萎缩

这是最让我害怕的一点。

某次设计评审，有人让我在白板上推导一个并发问题。没电脑，没 AI，就我和一支笔。

我卡壳了。

不是我不懂概念，而是那块肌肉太久没练了。我太习惯把初稿外包给 AI，导致自己「从零思考」的能力退化了。

就像 GPS 毁了我们的认路能力一样，如果总是先问 AI，你就无法建立那些只有通过「死磕」才能形成神经回路。挣扎是学习的必经之路，困惑是理解的前奏。跳过这些，你得到的是更快的产出，和更浅薄的理解。

现在，我强迫自己每天第一个小时完全不用 AI。纸上思考，手画架构。这感觉很低效，确实低效。但这能保持思维敏锐，而这种敏锐度在我随后使用 AI 时是无价的——因为只有大脑热身过，我才能更好地审判 AI 的输出。

比较陷阱与幸存者偏差

社交媒体上满是 AI 大神。「我用 AI 2 小时做完了整个 App！」

你看看自己：失败的提示词、浪费的时间、重写的代码。你会想：我有毛病？

你没毛病。那些帖子是「集锦」。没人会发帖说：「我花了 3 小时想让 Claude 理解我的数据库架构，最后放弃了自己手撸了 SQL。」没人会发帖说：「AI 生成的代码吞了一个报错，导致生产事故。」没人会说：「我累了。」

如果一个信息流让你感到落后而不是知情，那就取关它。 去关注那些真正在建设、在发布产品的人，而不是只会做 Demo 的人。

真正的技能是「知道何时停手」

在这个时代，最重要的技能不是提示词工程，不是选模型，也不是工作流。

是「止损」的能力。

知道何时 AI 的输出已经够好了；知道何时该自己接手；知道何时合上笔记本；知道何时微小的改进不值得巨大的认知成本。

我们给系统设计熔断机制、背压机制，我们也应该给自己设计一套。

AI 是我用过最强大的工具，也是最耗能的。这不矛盾。在这个时代能活得好的工程师，不是用 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，实际这真的很难。

工具是新的，模式还在成型，行业在假装「更多产出 = 更多价值」。

但这不成立。可持续的产出，才是价值。

保护好你的大脑。那是你唯一的资产，没有任何 AI 能替代它。

欢迎点击下方领取 APPSO 红包封面

欢迎加入 APPSO AI 社群，一起畅聊 AI 产品，获取，解锁更多 AI 新知

我们正在招募伙伴

简历投递邮箱hr@ifanr.com

✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）