01 一周的戒断

美国有一支工程团队,队里最强的资深工程师是个重度 AI 用户。探索仓库、生成测试、排查事故、评审代码,全都交给 agent,产出涨了一大截,质量没见下滑。

某个周一,他把所有 AI 工具关了,想按 2022 年的方式干一周活。

第一天,一个本该轻松的小需求,他手动翻仓库,顺着方法调用一路追进一段两年前的注释,才搞清一条校验规则为什么存在。中午他跑去问负责人:为什么两个服务各自实现了一版略有差异的同一条业务规则?没人答得上来。

周二,生产延迟告警。慢查询是真的,但根因在另一个服务:几周前对方改了调用模式,才把这条查询养贵了。优化 SQL 治的是症状,改调用方直接消掉大半工作量。事后有人问,AI 能不能找到这个根因。他耸耸肩:也许吧。

周三,他手动改配置,理解错一处交互,弄挂了集成测试,花了 40 分钟排查。同事笑话实验证明了人类过时。他说这 40 分钟是全周最有用的部分。

周四评审架构方案,文档漂亮得挑不出毛病,容量估算、失败模式、可观测性一应俱全。他问了一句:外部操作成功了、我们的进程却在记录成功之前崩掉,会怎样?对方接口幂等吗?全场安静。没人验证过。

周五复盘。产出更少,任务更慢,还犯了个 agent 大概率能拦住的错。实验算成功吗?他的回答是否定的。然后补了一句让全屋安静的话。

我开始把 AI 辅助下的能力,当成我自己的能力了。

02 它先改变问题,再改变答案

这个案例最容易被误读成「AI 让人变笨」。变笨?恰恰相反,他是被优化得太成功了。

搜索变成摘要,样板代码变成生成,排障从「面对空白」变成「面对几个现成假设」。每一步都省了时间,合在一起改掉的是工作的质地:他困惑的时间变少了。

困惑听起来纯属浪费。但注意周一那条路径的形状:手动追代码制造摩擦,摩擦带来绕路,绕路里有垃圾,也有解释「系统为什么长成这样」的线索。agent 的本职工作就是帮他跳过一切无关信息。他开始怀疑,有多少重要信息恰好住在无关信息里。

更要命的是提问顺序。异常出现,先问 AI 这是什么;查询变慢,先问 AI 怎么优化;方案评审,先让 AI 给一份失败分析。每一次都在人独立形成假设之前,插入了一个假设。

模型提供的不只是答案,它决定接下来出现的是哪些问题。

这层风险有另一副面孔。一个糟糕的助手反而安全,一半回答是胡说,人就会事事核验。一个极好的助手才危险:几百次正确的回答教会你,核验通常是白费功夫。然后某一次它错了。不荒唐地错,是合理地错。而你带着一整段成功委托的历史走向它。最危险的时刻,就是 AI 连续答对 400 次之后。

03 摩擦的双胞胎

先用一个开车的事例把这件事说直白。一个老司机做了个实验:关掉导航开一周。前两天苦不堪言,路线全靠试,还走错了几次。但他被迫记住了哪条路早晚高峰堵、哪个路口左转要等两个灯。一周下来他发现:导航省下的时间是真的,可他快要不认识自己住了十年的城区了。

这里面的卡顿分两种。跟着导航走错、被事故堵死,是浪费;被迫绕路时顺便记下的街区布局,是长进。两种都叫「开车不顺」,价值天差地别。

工程团队遇到的是同一个问题。真正的难点在这里:摩擦分两种,浪费型的(重复劳动、无意义的翻找)和生成型的(心智模型在困惑里长出来的那部分)。它们在生产力仪表盘上长得一模一样,都叫「低效」。

区分它们,我常用三个检验。

复现检验。这条弯路里的信息,六个月后我还会用到吗?会,它是理解系统的地基。不会,它就是纯粹的绕路。

锚定检验。先写下自己的假设再去看答案,答案会变吗?每次都变,说明你的独立判断还活着。从不变化,你只是在确认,确认是最低级的思考。

代价检验。这段困惑发生在测试环境还是生产事故里?前者的 40 分钟是学费,后者的 40 分钟是事故升级。

第三个检验最容易被忽略。摩擦有没有教育价值,取决于环境替它付不付得起学费。

04 我对这个故事的两点保留

第一,它的形状太好了。重度用户,一周戒断,顿悟层层递进,周五自带金句。这是教学故事的标准构造。真实世界里同样多的是另一种结局:停下来,只是变慢了,什么也没悟到。我们听到这个版本,因为它好听。

第二,别把那 40 分钟浪漫化。它便宜,是因为代价只是一个测试环境和同事的笑声。同样的手工摸索发生在凌晨三点的生产事故里,叫雪上加霜。

所以真正的问题从来是:谁在什么环境里,付得起多少摩擦的账。

05 给理解留预算

那个工程师复盘之后没有回到从前,他改了习惯。生产难题,先写自己的假设再问模型。架构决策,先记下关键不变量和失败问题,再生成备选方案。陌生的代码,偶尔先手动逛一圈再要摘要。重要评审,先自己看变更,再看 AI 的意见。不必每次都做,挑独立思考有回报的场合。

个人还可以加一个记账动作。每个季度挑一件最近引以为豪的事,不碰 AI 重做一遍,看断在哪里。断点就是你的真实能力边界。这个边界平时看不见,因为工具一直在替你垫着。

组织层面才是难点。绩效表天然给浪费型摩擦记负分,理解型摩擦在报表上永远是负数,除非管理者专门为它留预算:事故复盘不追个人、允许新人慢半天、把读代码算进工时。没有人做这件事,五年后团队里全是会用工具的人,没有人在工具失效的那天知道该怎么办。

工具开始参与推理之后,分清哪些判断属于自己,就成了职业素养的一部分。

上一次没有 AI 你也独立搞定的大难题,是什么时候?

参考原文链接:https://medium.com/javarevisited/my-best-senior-engineer-refused-to-use-ai-for-one-week-by-friday-he-said-something-nobody-7bbee1c80f3a

本文话题 #AI依赖 #工程师 #独立思考 #工作流 #新人培养 #摩擦成本 #AI工具 #职业成长