我的 AI 采用之路

原文:  https://mitchellh.com/writing/my-ai-adoption-journey^[1]

译者: Fermi@dscli 修订

我采用任何有意义的工具，都必然经历三个阶段：（1）低效期，（2）够用期， 最后（3）工作流和人生为之改变的发现期。

多数时候，我得逼自己熬过前两个阶段，因为我通常已经有一套满意、舒服的工 作流。学新工具像干活，我 不想 费这个劲——但为了在自己的手艺上做个全面 的人，我通常还是会去做。

这篇文章，就是我在 AI 工具中寻找价值、并决定下一步试什么的旅程。在满屏 夸张和炒作的噪音里，我希望这篇东西能代表一种更细致、更节制的声音——记 录我对 AI 的看法，以及这些看法如何随时间变化。

这篇博客完全是我亲手写的，用自己的话。我不喜欢专门声明这个，但鉴于主题 特殊，我想说清楚。

第一步：扔掉聊天机器人

立刻停止用聊天机器人（比如 ChatGPT、网页版 Gemini 等等）做正经工作。聊 天机器人确实有价值，也是我每天 AI 工作流的一部分，但它们在编程上的效用 非常有限——你基本上是在赌它凭训练数据碰出正确结果，而纠正它需要一个人 （你）一遍遍告诉它"不对"。效率太低。

我想每个人第一次接触 AI 都是聊天界面。每个人第一次尝试用 AI 写代码，也 都是让聊天界面写代码。

当时我还是个深度 AI 怀疑论者，我的第一个"哇"时刻，是把 Zed 的命令面板 截图贴进 Gemini，让它用 SwiftUI 复现——它做得 非常好 ，我彻底懵了。今 天 Ghostty 在 macOS 上的命令面板，跟 Gemini 几秒钟给我生成的东西相比， 只做了极轻微的修改。

但当我试图在其他任务上复现这种体验时，失望了。在存量项目里，聊天界面产 出的结果经常很差，而我在界面之间来回复制粘贴代码和命令输出，极其让人沮 丧。显然，这比我自己动手做效率低得多。

要找到价值，你 必须 用 智能体（agent） 。智能体是业界采用的术语，指 能聊天并在循环中调用外部行为的大语言模型¹。最低要求，智能体必须能： 读文件、执行程序、发 HTTP 请求。

第二步：复现你自己的工作

旅程的下一阶段，我试了 Claude Code^[2]。直说吧：我一开始没觉得多厉害。会话里 就是拿不到好结果。它产出的每样东西我都得修，这个过程花的时间比我自己做 还多。我读博客、看视频，就是不太服气。

我没有放弃，而是 强迫自己用智能体提交去复现我所有的手动提交 。我真的把 每件事做了两遍。先手动做完，然后跟智能体死磕，要它在质量和功能上产出完 全相同的结果（当然，它看不到我的手动方案）。

这个过程 极其煎熬 ，因为它直接挡在了"把事做完"的路上。但我跟非 AI 工 具打过足够多年交道，知道摩擦是正常的——不把力气耗尽，得不出一条站得住 的结论。

然后，内行眼力就练出来了。我很快从第一性原理自己发现了别人已经在说的东 西——但自己发现，带来的底层理解更坚实：

1.把会话拆成独立、清晰、可执行的任务。别试图在一个超大会话里"一笔画 出猫头鹰"。2.对模糊需求，把规划和执行拆成两个独立的会话。3.给智能体一套验证自己工作的方法，它多半会自己修好错误、防止回退。

更宽泛地说，我也摸到了智能体——当时那个阶段——擅长什么、不擅长什么， 以及对于它擅长的任务，怎么拿到我想要的结果。

这一切带来了显著的效率提升，以至于我开始自然地使用智能体，感觉不比自己 做慢（但也不觉得更快——因为我主要是在"看孩子"）。

反面教训值得再说一遍：效率提升的一部分，是理解了什么时候 不该 找智能体。 让智能体做它大概率失败的事，显然是巨大的时间浪费，而拥有这种判断力，本 身就是省时间²。

这个阶段，我在智能体身上找到了足够的价值，很乐意在工作中使用它们，但仍 然没觉得有净效率提升。不过我不在乎——到这个份上，我对 AI 作为一种工具 已经满意了。

第三步：下班前的智能体

为了再挖出一些效率，我开始了新模式： 每天留出最后 30 分钟，启动一个或 多个智能体 。我的假设是， 也许 在我反正没法工作的时间里，智能体能做出 一些 正向进展 ，我就能白捡一些效率。基本逻辑：不是在"有的时间"里做更 多，而是在"没有的时间"里做更多。

跟之前一样，我一开始觉得既不成功又烦人。但很快又发现了真正有用的几类工 作：

•深度研究会话 ：让智能体调研某个领域，比如找出某种语言下、某种许可证 类型的所有库，为每个库产出多页摘要——优缺点、开发活跃度、社区口碑， 等等。•并行智能体尝试我那些模糊的想法 ：有些想法我有，但没时间真的上手。我 不指望它们产出能发布的东西，但也许能在我第二天真正动手时，照亮一些 "未知的未知"。•Issue 和 PR 的分诊/审阅 ：智能体擅长用 gh （GitHub CLI），所以我手动 写了个快速脚本，并行启动一批智能体去分诊 issue。我 不 允许智能体回复， 我只要第二天的报告，帮我聚焦高价值或低成本的任务。

要说清楚，我没像有些人那样让智能体整夜循环运行。多数情况下，智能体不到 半小时就完成了任务。关键在于，工作日的后半段，我通常很累，从心流里退出 来，个人效率很低——把精力转到启动这些智能体上，反而给了我第二天早上的 "热启动"，让我比原本更快进入工作状态。

我挺高兴的，开始觉得比 AI 之前做得更多了——哪怕只多了一点点。

第四步：把十拿九稳的事外包出去

到这个阶段，我对 AI 擅长什么、不擅长什么已经很有把握了。对某些任务，我 有极高的信心——AI 能产出基本正确的方案。所以我旅程的下一步是： 让智能 体做所有这些事，而我去做其他任务 。

具体来说，我每天先看前一晚分诊智能体的结果，人工筛出智能体几乎肯定能做 好的 issue，然后让它们在后台跑着（一次一个，不并行）。

与此同时， 我做别的事 。不是去刷社交媒体（没比不用 AI 时多多少），不是 看视频。我处于自己正常的、AI 之前的深度思考模式，做我想做或必须做的事。

这个阶段非常重要：关掉智能体的桌面通知 。上下文切换的成本极高。为了保 持效率，我发现——作为人，我的职责是掌控什么时候去打断智能体，而不是反 过来。别让智能体通知你。在工作自然间隙，切过去看一眼，然后继续。

重要的是，我认为「做别的事」有助于对冲那篇广为流传的 Anthropic 技能形成 论文^[3]。嗯，你在做取舍：委托给智能体的任务，你不形成技能；继续手动做的任 务，你自然地形成技能。

到了这里，我已经坚定地进入了「回不去了」的领域。我感到更有效率，但就算 没有——我最喜欢的一点是，我可以把自己的编码和思考聚焦在真正热爱的任务 上，同时那些不喜欢的任务也能充分完成。

第五步：造好护栏

说个明摆着的事：智能体第一次就产出正确结果——或者最差也只产出仅需微调 的结果——效率要高得多。实现这点最稳妥的办法，是给智能体快速、高质量的 工具，让它自动知道自己错了。

我不知道业界有没有广泛接受的术语，我自己管这个叫「护栏工程（harness engineering）」。意思是：任何时候你发现智能体犯了错，你就花时间设计一个 方案，让智能体 再也不会 犯同样的错。我不需要发明新词——如果有现成的， 我一定跟。

具体分两种：

1.

更好的隐式提示（AGENTS.md） 。对于简单问题，比如智能体反复运行错误 的命令、找错误的 API，更新 AGENTS.md （或等效文件）。这是Ghostty 的例子^[4]。 那个文件里的每一行，都来自一次智能体的不良行为——而它几乎完全解决了 所有这些问题。

这就是我目前所处的阶段 。每当我看到智能体做了一件坏事，我就认真努力地 防止它再做那件坏事。反过来也一样——我认真努力地让智能体能验证自己在做 好事。

第六步：始终跑着一个智能体

与第五步同步，我还在追求一个目标： 始终跑着一个智能体 。如果智能体没在 跑，我会问自己：「现在有什么是智能体可以替我做的？」

我特别喜欢把这个跟更慢、更深思熟虑的模型结合起来，比如 Amp 的deep mode^[5]（基本就是 GPT-5.2-Codex），做小改动都能花上 30 多分钟。但另 一面是，它确实倾向于产出非常好的结果。

我还没（目前也不想）并行跑多个智能体 。我觉得跑一个智能体，对我现在来 说是个很好的平衡——既能做我觉得享受的深度手动工作，又能照看我那个有点 蠢、却又神秘地高产的朋友。

「始终跑着一个智能体」目前还只是一个目标。我会说，现在我大概能在一个正 常工作日里让后台智能体有效运行 10% 到 20% 的时间。但我在积极改进这一点。

我不想为了跑智能体而跑智能体 。我只在想，有一个我认为对我真正有帮助的 任务时才跑。这个目标的部分挑战在于，改进我自己的工作流和工具，让我能有 源源不断的高质量任务可以委托出去。这一点——即使没有 AI——也很重要！

今天

这就是我目前的状况。

通过这段旅程，我个人已经到了一个点：在现代 AI 工具上取得了成功，并且我 相信自己正以一种立足现实、恰如其分的态度对待它。我其实不在乎 AI 会不会 留下来³——我是一个软件工匠，想写东西，只是因为爱这门手艺。

整个领域变化太快了，我确信很快回头看这篇文章，会嘲笑自己的天真。但就像 人们说的，如果你不能对过去的自己感到尴尬，你大概没有在成长。我只希望自 己往对的方向成长！

我在这件事里没有利害关系⁴，当然，除了效用之外也有其他理由选择不用 AI。我完全尊重每个人在这上面的个人选择。我不是来说服你的！对那些感兴趣 的人，我只是想分享我个人驾驭这些新工具的方法，也展示一下我 总体上 怎么 对待新工具——不管是不是 AI。

Footnotes

¹ 现代编程模型如 Opus 和 Codex，相比对话模型，经过专门训练倾向于使用工具。

² 由于模型创新的速度极快，我必须不断重新审视这方面的既有判断。

³ 不过，技能形成的问题——尤其是在基础不扎实的初级开发者身上——让我深感担忧。

⁴ 我不在任何 AI 公司工作、投资或担任顾问。

References

[1]: https://mitchellh.com/writing/my-ai-adoption-journey
[2] Claude Code: https://github.com/anthropics/claude-code
[3] Anthropic 技能形成 论文: https://www.anthropic.com/research/AI-assistance-coding-skills
[4] Ghostty 的例子: https://github.com/ghostty-org/ghostty/blob/ca07f8c3f775fe437d46722db80a755c2b6e6399/src/inspector/AGENTS.md
[5] deep mode: https://ampcode.com/news/deep-mode