夜雨聆风我对于AI接触的比较早，N多年前就知道有人在用电脑大模型在做量化交易。在AI普及后，我对 AI 的认知和使用心态，也在一次次实践中不断转变。
我第一时间试用AI进行代码编写，全程由 AI 协助执行各项具体工作，整体推进效率很高。当时我颇为看好，认为借助 AI 就能包揽具体执行环节，自己只需专注业务统筹、方向规划即可。
可问题很快显现。启动后续项目时我发现，AI 输出的成果不够严谨，思路杂乱、内容冗余，前期产出反而拖慢了新项目进度。我不得不花大量时间梳理、整改已有工作内容。而想要修正问题，就得逐一核对、理清全部细节，这对我的统筹把控能力提出了不小考验。
经历这次教训后，我养成了逐份审核 AI 输出内容的习惯，有效避免了无效内容堆积的问题。
可新的矛盾也随之浮现：在和 AI 协作的过程中，我的角色慢慢偏向产品、技术管理，不再亲自上手做基础落地工作。
可现阶段的 AI，更像一名经验不足的实习生，每一份产出都必须仔细核查。这就意味着，想要管好 AI、用好 AI，我自身反而必须具备扎实的专业功底。
同时，由于审核他人的工作成果，往往比独立完成创作更耗费心神，这也是很多人感慨 “借助 AI 反而更累” 的原因。
我也时常自嘲当下的两难处境：如果脱离传统的工作方式、完全依赖 AI，就无法精准提出需求、给出有效指引，AI 最终也难以产出合格结果；可如果事事都按传统模式亲力亲为，那使用 AI 的意义又何在？
除此之外，AI 生成内容的等待时间也让人困扰。
一两分钟的等待不长不短，可一旦中途分心刷视频、看课程，原本连贯的思路就会被打断。
长此以往，我很担心自己会慢慢丧失把控整体成果的能力。
在不断磨合、试错的过程中，我慢慢摸索出了和 AI 协作的边界，分清了适合交给 AI 做和绝对不能依赖 AI的事。
一、AI 可以放心发挥价值的场景
排查解决问题：定位问题本质是信息梳理、线索检索的工作，AI 检索梳理能力优势明显，且这类工作改动量小，基本不会产生无效冗余内容。
打磨功能原型：很多时候我只有初步的业务想法，不清楚具体落地形式。这时可以让 AI 快速搭建原型，在试用原型的过程中，不断完善思路、敲定方案。
梳理整体架构：以往做整体规划多凭经验，现在我会先和 AI 共同研讨整体框架，敲定核心结构、关键模块，让整体规划更有条理。
优化视觉与样式：各类界面排版、样式调整这类琐碎且记忆成本高的工作，交给 AI 处理效率极高。
小型内容或者模块重构：针对局部模块拆分、功能迁移这类小型调整，AI 可以高效完成基础工作。
交叉核验成果：我完成规划、设计或落地工作后，会把内容交给 AI 做复盘检查，它往往能发现我疏漏的细节问题，起到很好的查漏补缺作用。
二、使用 AI 必须坚守的底线
切忌彻底依赖 AI，丢掉对业务、技术底层逻辑的理解。
规范项目管理流程，做好版本、分支管理，不要因为有 AI 就打乱工作规范。
零基础、经验尚浅的新人，不建议直接依靠 AI 开展工作，很难把控质量与方向。
AI 等待生成内容时，不要刷短视频、做无关事，避免打断思维连贯性。
不要抱有 “AI 会取代专业能力” 的想法而停止学习。现阶段，只有自身专业能力过硬，才能真正驾驭 AI。
在对比纯人工工作与 AI 协作两种模式后，我也重新看到了传统工作方式的独特价值：
专注力更强：亲手梳理、落地工作时，大脑更容易深度专注；而频繁依赖 AI，思绪容易变得浮躁。
而深度思考和专注，才是做出优质项目的基础。
需求指引更精准：对底层逻辑理解越透彻，向 AI 提出的需求就越清晰。如果自己一知半解，给出的指令模糊，AI 的产出自然也达不到预期。
看透本质，规避风险：任何工具、框架都有局限，不能只停留在表面使用。深入理解底层逻辑，才能判断 AI 产出是否合理，把控项目风险。
所有辅助文档都只是参考，实际落地的内容才是核心依据。
激发创新思路：吃透现有业务、模块、数据、接口的逻辑后，才能像拼接积木一样灵活组合，从现有体系中衍生出新想法、新功能。
这里也分享一个小习惯：
AI 运行等待的间隙，不必沉迷娱乐，可以拿出纸笔梳理核心框架、数据结构、业务链路，之后再对照 AI 的成果核对调整，既能守住思路，也能提升整体效率。
如今我也在不断调整两种工作模式的配比，结合自身需求搭配工具，让 AI 成为得力帮手而非主导者。
结合近期使用体验，从几个维度聊聊当下的协作模式变化：
1. 专属技能配置，解放琐碎工作
新增的技能配置功能，相当于给 AI 预设专属指令与执行脚本，用来处理标准化、重复性的琐碎事务十分稳妥，几乎不会出现理解偏差。交由 AI 完成后，我得以从繁杂琐事中抽离，把精力放在搭建整体工作流程上。
2. 多智能体协同，适配多项目管理
我日常同时维护多个不同类型的项目，一个新想法往往需要多项目同步配合调整。基于这个需求，我搭建了统一的管理入口：从最初的头脑风暴、梳理想法，到输出完整规划文档，全程和 AI 协作完成；规划落地后，最后再由 AI 分工推进各项目的落地执行，实现多环节、多项目协同运转。
3. 从 “副驾” 到 “管控”，重塑协作关系
协作角色发生了明显转变：过去是我主导推进，AI 作为辅助；现在 AI 承担更多执行工作，我的核心工作变成管控、约束、校准。工具也开始适配个人工作习惯，理解每个人的做事风格、命名规则、架构思路、验收标准。没有绝对标准的优劣，核心是让 AI 适配个人工作模式，实现人机高效配合。
4. 测试核验，成为工作核心环节
随着 AI 承接的执行工作越来越多，测试与核验的重要性达到了新高度。仅凭想法就能生成大量内容，想要保障落地质量、规避线上问题，完善的测试体系必不可少。无论是面向使用功能的黑盒测试，还是核查内部逻辑的复盘校验，都需要投入大量精力。目前我近一半的使用AI的工作重心都放在测试上，我个人认为，这也是接下来 AI 生态大概率重点完善的方向。
5. 核心内容，仍需亲自把关
即便 AI 能力大幅提升，依旧需要亲自审核确认。AI 偶尔会出现判断失误，一旦轻信，很可能导致整体方案走偏。所以我始终坚持：自身具备过硬的专业能力，才是用好 AI 的前提。
6. 持续学习，价值不降反升
当下很多人会疑惑：AI 越来越强大，还有必要深耕专业知识吗？我的答案是不仅要学，还要学得更深。行业里不少顶尖从业者也在大幅调整人机协作比例，但人与人之间的能力差距，并没有因为 AI 缩小，反而进一步拉开。AI 能处理标准化工作，真正拉开差距的，是个人底层认知、长期积累的专业能力。
好在如今学习也有了新方式，AI 可以化身专属助教，帮忙整合资料、定制学习方案、拆解难点，省去大量搜集整理的琐碎步骤，让我们能直击知识核心，提升学习效率。
7. 守住注意力，拒绝碎片化干扰
之前提到的 “避免碎片化娱乐打断思路”，至今依旧是我坚持的原则。人脑并不适合多线程并行思考，一旦注意力被频繁切断，深度思考的能力会慢慢退化，最终也会失去驾驭复杂项目、管控 AI 的能力。现在我依旧刻意远离短视频等碎片化内容，在 AI 等待执行的间隙继续梳理工作、打磨思路，守住专注力。但这个有点反人性，任重而道远，我也没做到。
最后的最后，不要盲目，要保持克制和理性。大神们的工作流程不一定适合我们，还请理性分析。
