佳文共赏 全部文章

使用 Codex 回溯近30天会话、记忆与纪事，识别重复、高成本、可复用的工作流程，优先复用现有技能、子代理或自动化，只为高置信度缺口创建最小资产，并输出候选短名单、创建结果、跳过项及需更多证据的事项，避免推测、重叠和宽泛封装。能有效沉淀有用技能、子代理或自动化。

AI写作和学习工具正在制造低信息密度内容，并诱发“认知投降”：用户把思考、写作、判断交给AI。研究显示，直接给答案会削弱学习和判断，定制化引导则能提升成绩。关键不在是否使用AI，而在有意识地区分哪些任务可外包、哪些能力必须保留。

现代AI并非复制人类智能，也不是简单统计工具，而是学习并延展沉淀在人类语言中的认知结构，因此能生成流畅文本、代码和推理，却因缺乏与现实世界的直接经验而容易幻觉、组合推理失败、视觉理解脆弱。AI风险不在于其拥有自主意图，而在于无责任地放大未扎根现实的模式，可信AI必须依赖人类设计的治理、评估、审计和安全约束。

企业为证明AI工具投资价值，开始用AI生成代码行数、token消耗等指标衡量开发者生产力，但这些数字可被误触或刻意刷高，且与问题是否被正确解决无关；真正高效的工程往往是删减、简化和提升可靠性，按输出体量考核只会奖励无效活动，最终衡量的是订阅消耗而非生产力。

作者反驳“AI 编程只会快速制造低质代码”，主张用 LLM 放慢开发、提升质量：让多个模型联合审查 PR、交叉验证并排序缺陷，再由开发者筛选修复关键问题；这种方法未必提高产出速度，却能发现新旧漏洞、避免错误方案、加深对代码库理解，最终让 AI 成为谨慎、高质量编程的辅助工具。

Pi团队用Pi维护Pi时发现，LLM生成的议题和PR大量涌入，常把真实观察扩写成错误诊断、伪复现和过度设计，误导代理与维护者，增加审查和修复成本；近90天外部3145项中多数被自动关闭，PR合并率仅约8%。作者主张提交者只提供可验证事实，维护者坚持全局不变量和上游协作，开源价值不在孤立产码，而在共同维护可靠基础。

AI编码代理显著提升代码生成速度，却把瓶颈转移到代码审查、上下文理解、安全、协作和最终判断，开发者工作时长未变但决策密度上升，易引发疲劳和失误；组织需重构SDLC，将人类判断从逐行审核转向需求、边界、结果与风险验证，并用AI辅助审查和评估。

AI辅助编程提升产出速度，却把开发者推入更高强度的提示、审查、调试和返工循环，削弱写代码带来的成就感、掌控感与系统理解，造成任务量膨胀、认知疲劳和职业认同动摇。可持续使用AI的关键不是追求全天候效率，而是重建边界、保留手写与思考时间、控制任务节奏，并把AI作为辅助而非压力放大器。

真正有效的借鉴不是复制表面风格，而是拆解作品为何成立；创作者应通过长期转录、分析和跨领域吸收，理解结构、判断与取舍，再让多重影响相互碰撞生成个人表达。AI让表层模仿变得廉价，稀缺的是隐性判断和扎实学徒期，绕过过程只能得到产物，无法形成原创能力。

职场低效的根源常不是能力差本身，而是低信息环境让人失去判断标准，把重复经验误当专业，把完成任务误当达标；当团队及格线不一致，协作会陷入防御、推诿和低质交付。真正进步必须跳出舒适区，对齐更高坐标系，否则市场会用结果淘汰无自知的平庸者。