上个季度，我提交的代码比我职业生涯中任何季度都多。
但我感觉比以往任何时候都更累。
这听起来很矛盾，对吧？效率不应该解放我们吗？并没有。这两个事实不仅相关，而且是因果关系。
我是个做 AI 基础设施的工程师，不是那种业余玩票的。我是 OpenFGA 的核心维护者之一，专门给 AI 智能体搭架子、做授权。我每天都被 AI 包围着，甚至可以说，我就是那个帮别人让 AI 更好干活的人。
但我撞墙了。那种精疲力竭，不是靠优化工具或者改进工作流能解决的。
如果你也是个每天用 AI 写代码、做设计、Debug 的工程师，而且你发现自己莫名其妙比以前更累了，这篇文章就是写给你的。你没有疯，也不是你变弱了。你是遇到了一个整个行业都在假装不存在的真实问题。
效率是个陷阱
这事儿最搞心态的地方在于：AI 确实让单个任务变快了，这没撒谎。
以前要花 3 小时搞定的事，现在 45 分钟就能搞定。写设计文档、搭服务脚手架、写测试用例，统统都变快了。
但我的日子反而变得更难了。不是更轻松，是更难。
原因其实很简单，但我花了好几个月才想明白。当每个任务耗时变短，你并不会少做任务，你会做更多任务。
你的产出能力看似膨胀了，于是工作量就膨胀来填满它。老板看你交付快了，期待值就水涨船高；你自己看交付快了，对自己的要求也跟着加码。基准线就这样被悄悄抬高了。
以前，我可能会花一整天琢磨一个设计问题。画图、洗澡时思考、散个步，然后带着清晰的思路回来。节奏慢，但脑力负荷可控。一个问题，一天，深度专注。
现在呢？我一天可能要碰六个不同的问题。每个都“只要用 AI 花一小时”。但在六个问题之间来回切换，对人类大脑来说是极其昂贵的。AI 在任务之间不会累，但我会。
这就是悖论：AI 降低了生产成本，却抬高了协调、审查和决策的成本。而这些成本，全都要由人来买单。
你成了不情愿的质检员
在 AI 之前，我的工作是：思考问题，写代码，测试，交付。我是创造者。这也是大多数人喜欢工程的初衷——那种“造物”的快感。
AI 之后，我的工作越来越变成这样：提示词，等待，读输出，评估输出，决定对不对，决定安不安全，决定是否匹配架构，修补不对的地方，重新提示，循环往复。
我变成了一个审核员。一个审判官。一条永不停止的流水线上的质检员。
这是两种截然不同的工作。创造是让人充能的，审查是让人耗能的。心理学研究都支持这一点——生成性任务带来心流，评估性任务带来决策疲劳。
我最早意识到这一点，是在重度使用 AI 开发一个微服务的那周。到了周三，我已经做不出任何简单的决定了。函数叫什么名字？无所谓。配置放哪？无所谓。我的脑子满了。不是写代码写满的，是审代码审满的。成百上千个微小的判断，全天候轰炸。
讽刺的是，AI 生成的代码比人写的更需要仔细审查。同事写的代码，我知道他的路数，知道他的盲点，我可以信任地跳过一部分，只看重点。但面对 AI，每一行都值得怀疑。代码看起来很自信，能编译，甚至能通过测试。但它可能藏着只有生产环境高负载下才会爆发的微妙错误。
所以你不得不逐行阅读。去阅读那些不是你写的、由一个不懂你代码库历史也不懂团队规范的系统生成的代码，真的太累人了。
工程师讨厌惊喜
工程师是训练有素的“确定性”信徒。同样的输入，必须同样的输出。这是契约，是 Debug 的基础，也是推理系统的前提。
AI 毁了这个契约。
我有个提示词，周一用的时候完美无缺，生成了干净整洁的 API 端点代码。周二我用同样的提示词去弄类似的端点，结果输出结构完全不同，用了另一套错误处理模式，还引入了我根本没要的依赖。
为什么？没理由。或者说，我看不到理由。没有“模型今天心情不好”的堆栈跟踪，也没有日志告诉你“采样走了 B 路径而不是 A 路径”。它就是……随机发生了。
对于一个整个职业生涯都建立在“如果坏了，我就能找到原因”信条上的人来说，这让人极度不安。不是那种戏剧性的不安，而是一种缓慢的、研磨式的、背景焦虑。你永远不能完全信任输出，永远不能彻底放松。每一次交互都需要保持警惕。
我试过反抗。我对提示词做版本控制，构建复杂的系统消息，搞模板。有点用，但没解决根本问题：你在和一个概率系统协作，但你的大脑是为确定性系统设计的。 这种不匹配，就是一种持续的低压力源。
别追了，那是跑步机
深呼吸，试着跟上最近几个月的节奏。
Claude Code 发布了子代理，然后是技能，然后是 Agent SDK，然后是 Claude Cowork。OpenAI 推出了 Codex CLI，然后是 GPT-5.3-Codex——一个能帮自己写代码的模型。各种新的编码代理宣布了支持数百个并发自主会话的后台模式。Google 扔下了 Gemini CLI。GitHub 加了 MCP Registry。
这还不是这一年，这只是几个月。
我狠狠掉进过这个坑。我花整个周末评估新工具，读每一个更新日志，看每一个演示，生怕自己掉队。
实际上呢？周六下午搭个新 AI 编码工具，周日弄出个基本工作流。到了下周三，有人发帖说另一个工具“强多了”。我心里一紧。下个周末，我又在搭新东西。旧的就扔那儿吃灰。从一个编码助手跳到另一个，再跳回来。每次迁移花掉我一个周末，带来的提升可能只有 5%，而且我都没法准确测量。
把这事乘以每一个类别——编码助手、聊天界面、代理框架、多代理编排平台……你会得到一个永远在学习新工具、却从未深入了解任何一个的人。
最惨的是知识衰减。2025 年初，我花了两周搞了一套复杂的提示词工程工作流。精心设计的系统提示词、少样本示例、思维链模板。效果很好。三个月后，模型更新了，提示词最佳实践变了，我那一半模板的效果还不如简单的一行指令。那两周不是投资，是挥霍。
我后来换了种活法。不再追每一个新工具，而是深耕它们下面的基础设施层。工具来来去去，要解决的问题不会变。上下文效率、代理授权、审计跟踪、运行时安全——这些才是持久的问题，不管这个月流行哪个框架。
“再试一次”的成瘾性
这个最阴险。
你想让 AI 生成点特定的东西。第一次输出对了 70%。你优化提示词。第二次对了 75%，但把第一次对的地方搞错了。第三次：80% 对了，但结构又变了。第四次：你已经折腾了 45 分钟，其实
参考链接：
https://siddhantkhare.com/writing/ai-fatigue-is-real