夜雨聆风上个月，一个做后端的朋友跟我说："我现在每天用 AI ，感觉没什么用，写的代码还是要改半天。"
我问他：你主要用来干什么？
他说：让它写代码。
我笑了。
不是他的问题，是大多数人都在用 AI 做最低效的那件事。
我这半年做过一件蠢事：把公司一个 200 行的数据处理模块，完整地扔给 ChatGPT ，让它重构。它给我生成了 180 行新代码，格式完美，注释清晰。
然后我跑起来，崩了。
花了三个小时排查，最后发现是 AI 引入了一个它"合理推断"的数据库字段，在我的项目里压根不存在。
三个小时。自己改原来 20 分钟搞定。
这不是 AI 的问题，是用法的问题。
一、大多数人用 AI 的方式，其实在浪费时间
你有没有这种体验——
把需求扔给 GPT ，它给你一段代码，你复制过来，跑起来报错，然后又回去问它怎么改，它给你改了，还是报错……
半小时过去了，自己写可能早就写完了。
问题出在哪？
AI 不是"代码自动贩卖机"。它本质上是一个基于上下文的预测引擎——你给它的输入越清晰、越有结构，它输出的质量就越高。
你把一个模糊的需求扔进去，它只能给你一个"听起来合理"的模糊答案。
而大多数人用 AI 的姿势，就停在这一层。
真正的效率提升，发生在三个地方。
二、让效率真正翻倍的 3 个用法
用法 1 ：把 AI 当"思路清算机"，不是"代码打印机"
我现在开始一个新功能前，不是直接让 AI 写代码。
我先跟它"说清楚"我要做什么，让它帮我做方案评审。
比如最近要写一个定时任务模块，我会先问：
"我有一个需求：用户可以设置每天早上 9 点发通知，支持自定义消息内容，需要持久化不能因为服务重启丢失任务。我在考虑用 APScheduler 还是 Celery Beat ，项目是 FastAPI + PostgreSQL 。你帮我分析下两个方案在这个场景下的优劣，以及我需要额外考虑的边界情况。"
注意——我没有让它写代码。
我让它帮我把方向想清楚。
AI 的回答通常很实用： APScheduler 足够轻量适合单机， Celery Beat 适合需要横向扩展的场景；然后它会提醒我： PostgreSQL 的定时任务持久化需要用 jobstores 配置，避免任务在重启后消失……
这一步平均能帮我省 30 分钟查文档的时间，而且让后续写代码目标清晰 10 倍。
方向对了，后面的代码才值钱。
用法 2 ：把 AI 当"代码审查员"，不是"代码生产者"
写完代码之后，我不急着跑单元测试。
我先把代码贴给 AI ，加一句：
"帮我找这段代码里可能的边界情况、潜在的性能问题，以及不符合 Python 最佳实践的地方。假设这段代码会在高并发环境下运行。"
你会发现，它挑出来的问题，很多是自己看三遍都忽略的。
上周我写了一段处理并发写数据库的逻辑，本地自测 10 次没问题。 AI 审查后指出：我用了进程级锁，但在多进程部署场景下，这个锁不跨进程，会有数据竞争问题。应该用数据库的行级锁或者 Redis 分布式锁。
这个问题如果上线才发现——用户数据不一致，排查至少半天，修复还要回滚。
把 AI 当审查员用，比把它当代码生产者用，价值高出不止一倍。
AI 不怕你质疑它，它怕你不提供足够的上下文。
用法 3 ：用 AI 做"经验提炼"，每天积累技术复利
这是最容易被忽略、也是长期价值最高的用法。
每天工作结束前，我会花 5 分钟做这件事：
把今天遇到的一个难点，让 AI 帮我写成结构化总结，格式如下：
【问题】：今天遇到了什么？（1-2句）
【根因】：为什么会出现这个问题？
【解法】：用了什么方式解决？
【下次】：如何从一开始就避免？
【关键词】：#并发 #数据库锁 #FastAPI
然后存进 Obsidian 或者任何笔记软件。
一个月后，你有 30 条这样的记录。
三个月后，你建起了一个属于你自己的踩坑知识库。
半年后，这个知识库会成为你在团队里最难被替代的竞争壁垒——因为它是你独有的、经过实战验证的经验，任何人都复制不了。
而且有一个额外的好处：这些笔记本身，就是你下次给 AI 提供上下文的"弹药"。你把历史踩坑记录贴给 AI ，它能给出精准 100 倍的建议。
三、普通人和效率高手的本质区别
我观察了很多用 AI 用得好的人，他们有一个共同点：
他们用 AI 做"杠杆"，而不是"替代"。
杠杆型用法：我已经想清楚了方向，用 AI 来放大我的执行速度。
替代型用法：我还没想清楚，让 AI 帮我想，结果两个人都糊涂。
你把一个自己都说不清楚的需求扔给 AI ，它给你一个看起来合理但经不起推敲的答案——然后你花时间验证、质疑、修改，最后发现自己不如直接去想。
但如果你把一个清晰的问题交给 AI ，它能在 10 秒内给你一个熟练工程师级别的回答。
这才是 AI 的正确打开方式。
有个数据可以参考： Stack Overflow 在 2023 年的调查显示，高效使用 AI 辅助编程的开发者，生产力提升中位数是 26%——但低效使用的人，生产力实际上在下降，因为他们花了大量时间校验 AI 生成的错误内容。
同样的工具，使用方式不同，结果天差地别。
四、一个可以直接用的 AI 效率框架
总结成三步：
Step 1 — 做决策前用 AI （ 5 分钟）
把你的选项和约束条件告诉 AI ，让它帮你做方案对比。不要问"帮我选哪个"，要问"这两个方案在我的场景下各有什么优劣"。
Step 2 — 做完之后用 AI （ 10 分钟）
把你的产出交给 AI 审查。告诉它具体的运行场景和约束条件，让它找边界情况和潜在问题。
Step 3 — 每天结束后用 AI （ 5 分钟）
把今天一个有价值的经验，让 AI 帮你结构化成可复用的知识卡片。
这三步加起来每天 20 分钟，但积累下来是指数级回报。
不需要任何付费工具，免费版 GPT 、 Claude 、国内的文心一言、通义千问都可以。
关键不是用什么，是怎么用。
AI 带来的生产力革命已经真实发生，但绝大多数人还停在"最蠢的那一层"——让它生产内容，然后花更多时间验证内容。
掌握杠杆用法的人，正在悄悄地和他们拉开距离。
你现在用 AI 最多的场景是什么？欢迎评论区聊聊，看看我们还能找到哪些没人讲过的用法。
关注「羡进」，每周分享一个实战效率工具或职场生存经验。不水文，只说有用的。
