AI让你更高效，为什么你却更累了？
“上个季度，我写出了职业生涯最多的代码量，同时也达到了职业生涯最疲惫的一次。”
——Siddhant Khare，AI 基础设施工程师
这几年，技术圈一直在重复一句话： “AI 会解放你，让你更轻松、更高效。”
但如果你是一线工程师，大概率感受到的是另一种现实：
- 代码量上去了，review 列表却滚到看不到头
- 每天开着十几个 AI 会话，下班时大脑像被掏空
- 不用 AI 怕落后，用多了又像在替机器干审核的活
你不是一个人。Siddhant Khare 在博客里说得很直白：AI 疲劳是真实存在的，只是行业一直不太愿意承认。 下面，把这件事讲清楚，也给出一些可以落地的小策略。
一、速度变快了，为什么工作反而更累？
AI 的确把很多单点任务压缩到了“45 分钟时代”：
- 设计文档起草
- 服务脚手架生成
- 单测样例生成
- 查陌生 API、让模型给示例代码
问题在于：当单个任务变快，你并不会因此“少做一点”，而是被迫做更多。
- 经理看你交付变快，自然会抬高预期
- 你自己也会觉得“既然这么快，那再多接一点也可以”
- 团队习惯性加 scope，“反正有 AI 帮忙”
结果是：
以前一天专注啃一个难设计，现在可能是：
早上做设计评审，中午写新功能，下午修 bug、补测试、赶文档，顺带支援一个 PoC。
真正把你掏空的，不是代码键入的时间，而是高频的上下文切换和决策。
AI 降低了“打字成本”，却在无形中抬高了协调、评审和决策的成本，而这部分只能由人来付。
二、你不再是“作者”，而是“AI 质检员”
在 AI 大规模进场之前，工程师的典型工作流是：
思考问题 → 设计方案 → 写代码 → 测试 → 上线
你是系统的“创作者”。
而现在，一天很可能变成：
写 prompt → 等输出 → 通读 AI 代码 → 逐条判断对不对 / 安不安全 / 合不合理 → 改 → 再 prompt → 再循环
你慢慢从“写代码的人”，变成：
- prompt 工程师
- 代码审核员
- 风险裁判
- 永不关机的流水线质检员
创造会给人能量，持续的评审会榨干能量。
更麻烦的是，AI 生成的代码看起来很“自信”：能编译，能跑，甚至能通过一部分测试，但你心里清楚——每一行都值得怀疑。
于是你被迫对大量自己没写过、风格还不稳定的代码做细致审查，这种阅读体验，很难不让人疲惫。
三、确定性的脑袋，对接上了概率性的系统
工程师的职业训练，几乎全建立在“确定性”上：
- 相同输入，一定要得到相同输出
- 出了问题可以顺着调用栈和日志一路查下去
- 出 bug 可以归因：配置、逻辑、依赖，最后修掉
而大模型是典型的“概率机器”。
同一段 prompt：
- 周一输出结构优雅、错误处理完备的接口实现
- 周二在同样语境下，却换成了另一种模式，还附赠一个你没要求的第三方依赖
为什么？
没有你熟悉的 stack trace，也没有清晰的“走了哪条采样路径”的调试信息。
你只知道：它这次就是不一样。
对一个“习惯一切可追踪、可解释”的工程师来说，这种低剂量、持续存在的不确定性，会慢慢变成一种背景焦虑：
- “我永远不能 100% 放心它的输出。”
- “我每次都得多留一点心力在‘检查’上。”
比较健康的心态是：把 AI 当成一个聪明但不可靠的实习生。
- 期待的是“有用的初稿”，而不是“可直接上线的成品”
- 主动为那 30% 的重写、调整预留时间
- 它错了，不是“背叛预期”，而是“在预期之内”
一旦把“期待正确”换成“期待有用”，心理压力会明显下降。
四、最隐蔽但最可怕的：思考肌肉在退化
还有一个很多人开始察觉、但不太愿意承认的变化：
很久没有在完全不用 AI 的情况下，从零推演一个系统问题了。
一次设计评审，只有白板和马克笔，没有电脑、没有助手，你会发现：
- 概念都懂，但要现挂一个方案，突然有点卡壳
- 大脑对复杂场景的“即时建模能力”在变钝
这就像从前你会在脑中建一张“城市地图”，
但用了太久导航软件，一旦手机没电，就连常走的路都要发懵。
在工程世界里，如果每一次起步思考你都先交给 AI：
- 你自己“与问题肉搏”的时间会越来越少
- 许多原本靠亲手踩坑、试错才能长出来的直觉，会慢慢消失
从长期看，最让人后怕的不是“这次项目太累”，
而是你原本引以为傲的思考能力，在一点点变钝。
五、从被 AI 推着跑，到带着边界用 AI：四个实用原则
如果你已经有疲惫感，但又不可能也不想回到“完全不用 AI”的年代，可以从这几个简单的约束做起：
1. 给每次用 AI 设一个“倒计时”
- 同一任务，用 AI 的时间上限：比如 30 分钟
- 到点就停，要么接受当前结果继续人工推进，要么彻底改为手写
- 同一个问题上，最多迭代 prompt 三次，否则就判定为“这活不适合交给 AI 做”
这能有效防止你掉进“提示词螺旋”：
以为自己在优化，其实只是被工具牵着鼻子走。
2. 刻意分开“思考时间”和“AI 时间”
- 上午：不开 AI，做架构推演、关键决策、核心设计
- 下午：用 AI 帮忙写代码、补文档、生成测试
不用死板执行，但给自己一个默认节奏，
保证每天都有一段时间，是在靠“自己”的脑子跑完整链路。
3. 接受“70% 就够好”的默认标准
- 调整预期：AI 给到 70% 可用就算达标
- 剩下 30% 的命名、抽象、边界处理，是你的专业价值所在
- 不要把“AI 输出不完美”当成失败，而是当成协作的常态
这不是放弃质量，而是在重新划清责任：
质量最终由你负责，AI 只是草稿机。
4. 把审查精力用在“最要命的 20% 上”
大规模使用 AI 生成代码时，你不可能对每一行都一样严格。
更可持续的做法是：
-
把人工 review 精力集中在：
- 安全边界
- 权限与数据处理逻辑
- 错误路径与异常处理
- 核心业务分支
-
其他非关键路径，多依赖静态分析、自动化测试和监控
接受一个现实：非关键模块里的一点粗糙，是可以容忍的。
六、AI 时代，真正稀缺的能力是“知道何时停”
作为工程师，我们给系统设计：
- 断路器，防止雪崩
- 背压，防止被请求洪峰压垮
- 降级策略，保证在极端情况下还能活着
但我们很少给自己设计类似的“保护机制”。
AI 把原本由“手速、查资料速度”决定的自然限速器拆掉了，
现在唯一的上限，变成了你的认知耐力。
所以，AI 时代真正的关键能力，可能不是“把 AI 用到极致”，而是：
- 知道何时 AI 输出已经“够用了”，没必要再追求完美
- 知道哪类任务，用 AI 反而只会拖慢你
- 知道什么时候该合上电脑，让大脑真正休息一下
我们给系统设计断路器、背压和降级策略，也应该给自己设计同样的东西。
写在最后
AI 可能是工程师手上最强大的工具之一，
它同时也是最消耗心力的工具之一。
在这个节奏下，真正能长期走下去的，不会是“用 AI 最多”的那一批人，
而是最清楚自己边界、最会与 AI 相处的那一批人。
如果你最近常常觉得：
- 工具越来越多，却越来越累
- 每天都在高效输出，却慢慢对工作失去兴趣
- 下班合上电脑，脑子里还在回放各种 prompt 和评审逻辑
请先接受这两件事：
- 不是你不够强，而是你正身处一个被 AI 改写节奏的时代，这本身就很难。
- 解法不是一刀切地远离 AI，而是学会带着边界、带着自知地使用它。
从很小的一步开始也可以，比如：
- 明天早上第一个小时，不开任何 AI，只拿纸和笔想一个你真正关心的问题；
- 或者，给下一次用 AI 写代码设一个 30 分钟的倒计时，到点就果断停。
照顾好你的大脑。
这是你唯一的大脑，没有任何 AI 可以替代它。
