引言
最近，我从别人那里接手了一个新项目。
新项目对我来说是一个完全陌生的领域。里面有很多业务知识和大量专业术语，也有复杂的状态流转，以及前后端相互配合的处理链路。
怎么说呢，就像是跳槽换了一份工作一样。
我准备了几套 Prompt。一套让 AI 帮我梳理病理业务、专业名词和状态流转，另一套让它阅读前后端代码，分析代码结构和主要处理流程。
AI 帮我整理业务流程，解释陌生术语，分析模块之间的调用关系，最后还生成了一份后端知识库。一天后，我已经能够看懂这个项目的基本业务逻辑和技术结构。
说实话这种感觉有点上瘾。以前接手一个项目，我得先花半天搞清楚代码仓库的目录结构，然后从 controller 一路追到 service 再追到 dao，追到一半发现命名完全对不上文档，文档还是两年前写的。
现在我直接把一个模块的代码丢给 AI，问它"这块做了什么"，它就告诉我这块做了什么。我再问"那这个状态是怎么流转的"，它就把状态机画出来。一天下来，我对这个项目的理解程度，大概相当于以前花几周积累的水平。
AI让接手新项目轻松了，可解决新项目的问题却不轻松。
每一个方案都说得通，这才是最大的麻烦
第二天，我开始处理正事——一个当前项目存在的性能问题。
这个系统需要在本地处理一个1G左右的大文件，再上传到文件服务器中。整条链路耗时很长，需要优化。
面对完全陌生的代码，我先怀疑现有的技术方案。我把问题交给 AI，让它分析可能存在的性能瓶颈，再给出不同的优化方向。
AI 很快生成了多个方案。
有的建议增加并行处理，有的建议优化图片转换。还有一些方案从 ZIP 打包和磁盘读写入手，甚至重新调整了整个处理架构。
每一个方案都有完整的理由。从问题分析到技术实现，看起来都很合理。
麻烦也在这里。
无论AI 说什么，我都觉得有道理。它没有胡说，给出的每一个方向，在技术上几乎都能找到成立的理由。
可我鉴别不了，哪个方案击中了当前的瓶颈，哪个方案只是在理论上可以优化。
这就很尴尬了。
以前没有答案的时候，我会觉得困难。现在 AI 一次给出了很多答案，困难却没有消失。它只是换了个样子。
我原来不知道有哪些方案。现在，我不知道应该相信哪个方案。
更强的模型不一定有用
一开始，我把这个问题理解成模型能力不足。
既然当前模型给不出确定答案，那就换一个更强的模型。我又尝试了 GPT6。
试过之后，我发现结果没有多大变化。问题还没有被准确定位，更强的模型也只能生成更多合理答案。这些答案可能更完整，论证可能更充分，甚至连实现步骤都能帮我写好。
AI 给我的答案越多，我需要判断的东西反而越多。
如果我连到底哪一个变量限制了结果都不知道，模型表现得越自信，我越容易沿着一个看起来正确的方向继续走下去。
后来，我没有再继续追问模型。
我决定沉下去，把整条图片处理流程重新看一遍。
我先研究了文件转化的第一步，依赖的是开源的解析框架，改不动，但是支持多线程，我立刻调大了线程数。
转化后的文件会转换成具体的图片，我需要把整个文件夹的图片打包压缩后才能上传到OBS。
我在系统每一步都加入日志对链路进行观测，我发现整个环节耗时最长的是打包，打包环节差不多用了十分钟。
打包为什么会慢？其实就是因为图片太多了，一个文件里有十几万张图片。操作系统每读一个文件都要做一次磁盘寻址。
这不是算法问题，不是架构问题，就是文件太碎了。
相信大家用硬盘拷贝东西的时候都知道，有时候一个电影很快，但要是一堆小文件拷贝起来就非常慢了，这是系统和硬件决定的。
那我直接解决文件数，得到的提升就是最大的。最终，整个处理流程的耗时缩短了约 80%。
我之前问 AI 的那些方案——并行处理、换压缩算法、优化图片格式——没有一个碰到这个点。不是因为它们错了，而是我从来没有告诉过 AI，瓶颈在打包环节，打包环节的问题是小文件数量。
这时候我才明白，前面那些 AI 给出的方案并不算错。它们一直在回答我最初提出的问题。
我没有告诉它，因为我自己也不知道。
我最开始问的是怎样提高效率，当然有很多种方案。
但哪些方案最适合当下，需要你自己判断。
80% 的提升来自一个我没问 AI 的问题
前段时间看到一句话：AI时代的技能差距，可能存在于判断力、批判性思维和实验能力之间。
这次经历之后，我对AI的态度从最初的兴奋，慢慢变得冷静。
AI加快了执行速度，但我们依旧很忙。它可以给出很多方案，但解决不了"该选哪个"。每个人都能用上顶尖的模型，可很多问题仍然只有少数人能解决。
模型是公平的。但你带着什么进入对话，不是公平的。
你对问题的理解深度，手里有没有真实数据，能不能判断AI的输出到底对不对——这些才决定了同一个模型在不同人手里，能发挥出多大的作用。同样是我，在没有加日志之前和加了日志之后，AI给我的帮助完全是两个量级。不是模型变了，是我带进去的东西变了。
而且我后来想明白一件事。不是AI解决不了真正的问题，而是AI解决不了"定义问题"这件事。
问题一旦被准确定位，AI可以帮我很好地实现方案。它不是在解决问题这个环节失败的，它是在"帮我搞清楚问题到底是什么"这个环节帮不上忙。因为定义问题需要的不是知识，是跟现实的接触面——你得看到真实的数据，在代码里跑一遍，得有一个事实撞到你脸上。这些事情发生在你和现实之间，不发生在你和模型之间。
说实话，我也不知道真正的方案是什么。工作上的迷茫，职业方向的迷茫，我跟AI聊了很多轮，拿到了很多建议，但生活没有因此发生任何改变。
可能这些更大的问题之所以更难，不是因为缺方法，是因为我没有办法像给代码加日志一样，给自己的人生加一组时间戳，然后看到底哪个环节花了多长时间。生活里的瓶颈需要更长时间才能暴露，有时候甚至要走错一段路才能回头看清。
但至少这一次，我确认了一件事。
当所有方案都看起来合理的时候，先别急着选。关掉对话框，回到现实里分析。
AI正在让答案越来越便宜。而我要练的，是在打开对话框之前，先搞清楚——
我准备问的这个问题，是不是问题本身。
这是东东拿铁的第102篇原创文章，欢迎关注。
