"AI 提高了我的生产力，但我却更累了…… "

最近一篇名为《AI 疲惫是真实存在的，但却无人提及》的文章在论坛里爆火，引发了广大开发者的共鸣：

我也是！

作者 Siddhant Khare 是一名专业程序员，也是 OpenFGA 的核心维护者之一，开发有 agentic-authz、Distill 等多个项目。

但即便专业如他，在使用 AI 提效的过程中，却仍然觉得有些力不从心。

就拿近期的 AI 动态举例：OpenClaw、Moltbook、GPT-5.3、Claude Opus 4.6 ……每一个光听名字，就让人鸭梨山大。

但他还不得不学，否则就会被扣上 " 落伍 " 的帽子。

再比如说写代码，AI 看似节省了大把时间，但实则要求他进行逐行审核，编程以外的工作陡然加倍。

所以当他将这些经历汇总，往开发者论坛里大倒苦水时，出乎意料的是，许多人深有同感：

我并不觉得自己效率变高了，反而觉得自己像个懒散的保姆，只能勉强维持着孩子们不受伤的状态。

AI 让我更容易分心，然后一天工作结束后，我就会感到内疚 TT

感觉身体被掏空

至于为啥会出现这种情况呢？Siddhant Khare 分析，其实是多方面因素造成的。

效率提升带来的工作量负担

首先，AI 是提效了，可能一个小时就能完成过去一天的工作量。

但这并不意味着可以带薪摸鱼，事实上，开发者的 +1 也会注意到这种高效，于是他会非常开心地为开发者增加工作量，毕竟能者多劳嘛。（doge）

所以接下来开发者需要在一天时间里同时处理 6 个 1 小时的 AI 任务。

而且每个任务都相当碎片化，需要反复的上下文切换和更高的精力消耗。

这里就存在一个悖论：AI 降低了生产成本，但与此同时，却增加了额外协调、审核和决策的成本，而这些多余的成本最终还是由人来承担。

从创造者到审查者的身份转变

过去，开发者是自己写代码、测试、发布系统，享受着从 0 到 1 的 "Hello World！" 创造过程。

而现在呢？变成了：提示→等待输出→评估→修正→重新提示。

程序员的角色定位变成了质检员，从生成性工作换成了评估性工作。

但审查 AI 生成的代码显然更累，因为每一行都可能存在 Bug，不像审查人类同事的工作那样，可以只聚焦于某一部分代码。

连续不断的评估只会导致严重的决策疲劳，以及失去解决问题带来的成就感。

AI 输出的非确定性引发焦虑

工程师习惯的是输入相同、输出相同的确定性，但 AI 是概率性的。

相同的提示词，今天能输出不错的代码，明天给出的就是一堆垃圾，甚至你都不知道是什么原因导致的这种情况。

这种不可预测性将会导致用户必须时刻保持高度警惕，无法做到完全放松。除非你能完全接受这种结果，提前预料到需要进行内容重写，对 AI 不抱有那么高的期待。

但显然这很难做到。

不断更迭的 AI 工具

AI 更新迭代太快，每周都有新的模型、协议出现，可能前一秒你还在花费大量时间学习某个工具，下一秒就又来了个新 SOTA。

例如 Claude Code 这几个月，先后发布 sub-agents、skills、Agent SDK、Claude Cowork；OpenAI 发布 Codex CLI、GPT-5.3-Codex、Swarm 框架；Kimi K2.5 可同时协调上百个 Agent 并行；OpenClaw 推出了模块化的 skills 市场……

学不完，根本学不完。但又不能不学，否则稍不留神，就会被前沿进展抛下。

期间需要耗费大量的业余时间，但对效率的提升实际寥寥无几，而且对于某个具体进展很难做到深入探究，只是在不停地切换学习。

结果就是每天的脑容量都在适应和焦虑新进展，而不是解决实际问题。

无限循环的提示改写

AI 生成过程中存在一个陷阱，你总会相信，只需要再微调一下提示词就能输出理想的结果，却忽略了背后所消耗的时间成本。

原作者称之为 " 再来一次提示 " 陷阱。

为了让 AI 输出更好，人们会陷入无限循环的提示词改写过程，最后发现，其实如果自己写可能会更快。

而由于边际递减效应，后续每次提示词迭代带来的效果也愈发不够明显。最终你将完全偏离第一性原理，即发布功能的本质，而是全身心聚焦在让 AI 输出完美结果上。

当你能够意识到这一点时，或许已经为时已晚。

思维能力的退化

过度依赖 AI，会导致大脑的思考能力萎缩。

例如在 GPS 导航出来之前，人们会在脑海里自行构建地图并推断合理的路线，但现在出门，没有 GPS 几乎寸步难行。

因为大脑就是这样不进则退，你不使用它，它就会退化。当你过多地使用 AI 协助，那些解决问题的能力就会逐渐消失。而这一点已经被诸多研究所证明。

所以与其放任能力退化而感到焦虑，不如每天留出一定时间用来独立思考。

社交媒体的比较陷阱

比较是引诱压力的元凶，尤其是现在互联网时代，所有人都在同步晒自己的 AI 学习成果，比如 " 我用 AI 在两小时构建了整个应用程序 "、" 一分钟理解 OpenClaw"。

很少有人会分享自己的失败经验，这就导致屏幕另一边的你会显得焦虑，觉得自己是不是哪里能力不足，跟不上别人的脚步。

但事实上，还有很多人和你一样卡在第一步：配置环境。

所以总的来说，我们可以把 AI 疲惫看作个人因为 AI 快速发展而产生的疲惫感，要适应这种变化而被迫承受的心理、情感和运营压力。

也就是 Too Much，Too Fast（过犹不及）。

放过自己，享受 AI

为此，原作者专门提出了一套可持续的工作方式：

- 限时使用：为 AI 任务设置闹钟，如果 30 分钟内 AI 搞不定，就手动完成。

- 区分思维时间和执行时间：每天早上坚持不使用 AI，用纸笔思考架构，保持大脑活跃，下午再利用 AI 辅助执行。

- 接受 70% 原则：不强求 AI 输出完美代码，达到 70% 可用即可，剩下的内容手动修改。

- 关注底层而非表层：不要过度追逐每一个新出的 AI 工具，而应关注更耐用的底层逻辑，如上下文管理、安全权限等。

- 实时记录：坚持记录 AI 在不同工作内容中的使用效率，从而知道什么时候该用 AI，什么时候该停止。

- 停止审查 AI 生成的全部代码：集中精力在最核心的部分，例如安全边界、数据处理、错误处理路径等，其余部分依靠自动化测试和静态分析。接受非关键代码的粗糙。

换言之，他认为，AI 时代的真正相处之道不是如何使用，而是知道什么时候该停下来。AI 的提效，透支的不只是物理资源，还有人类的精力上限。

所以工程师们应该要像设计系统一样，为自己的大脑设计缓冲区，以确保产出的可持续性，而不是盲目追求产量的最大化。

更终极的解法是：适当摸鱼，有助于身体健康～