夜雨聆风
一个让我重新认识AI的问题
我用AI越用越累。
这个感觉困扰了我很久。明明是效率工具，明明身边所有人都在说"AI让我的效率提升了10倍"，但我每天对着屏幕，感觉自己不是在用工具，而是在被工具追着跑。
要学习新的 prompt 写法，要跟上新的模型发布，要研究别人总结的"最佳实践"，要把自己的工作流硬塞进各种AI工具的使用范式里。
我开始怀疑：是我的问题，还是这件事本身就不对？
后来我读到一篇文章，才慢慢想清楚了这个问题的答案。那篇文章的作者是 Terraform 的创始人 Mitchell Hashimoto，他用一句话点醒了我：
"在过度戏剧化和炒作的海洋中，我希望这代表了对 AI 更微妙、更审慎的观点。"
就这一句话，让我重新开始审视自己和 AI 工具的关系。
炒作的海洋里，我选择逆流
关于 AI，现在有两种声音都非常用力。
一种是狂热派："AI 要取代程序员了！""用上 AI，人人都能造 APP，毫不费力！""效率提升 10 倍不是梦！"
另一种是怀疑派："AI 根本没用，全是泡沫。""写出来的代码一堆 bug，还不如自己写。""炒作而已，过两年就凉了。"
两种声音都很响亮，但有一个共同点——都非常情绪化，都在推着你站队。
而 Hashimoto 的文章，选择了第三条路：诚实地记录自己真实的使用经历，不卖兴奋感，也不泼冷水。他写道，他最初用 Claude Code 并不满意，一度觉得还不如自己手写。但他没有放弃，也没有因此就说 AI 没用。
他只是继续用，继续观察，继续调整。
这种姿态，在今天的舆论环境里，其实需要一点勇气。因为承认"我用了 AI，一开始效率反而下降了"，在炒作的语境里，听起来像是在说 AI 没用。但那恰恰是真实的。
对工具的判断，应该来自自己的体感，而不是别人的叙事。 别人的 10 倍效率是别人的，你的使用场景、你的工作方式、你的项目性质，都和别人不一样。
逆流，才是正确的姿势。
真实的工具采用曲线，没有人告诉你
我学 TDD 的时候，痛苦程度远超我的预期。
我有十几年的一线开发经验，见过太多项目因为缺乏测试而在后期陷入泥潭。所以我在理论上对 TDD 是信服的，我知道它是对的。但真正实操起来，我几乎寸步难行。
先写测试，再写实现？我脑子里根本转不过来这个弯。效率不知道下降了多少倍。心中满是焦虑和质疑，也几度放弃。
放弃，并不是因为否定这个理论。而是知难而退——理论我认同，但实操太难，毫无头绪。
后来我意识到，这不是 TDD 的问题，也不是我的问题。这是所有真正有价值的工具，都必然经历的两个阶段：低效期，和磨合期。
低效期，是你在用新工具的方式干活，但脑子里还是旧的内部模型，两套逻辑不断冲突，消耗巨大。磨合期，是你开始摸到一点门道，但还不稳定，时好时坏，焦虑感最强。
这中间有一个著名的漫画：一个人在挖矿，眼看再挖一铲就能见到钻石，但他并不知道，他选择了放弃。如果继续挖，是钻石；如果放弃，什么都没有。
学一个工具就是这样。任何声称跳过了这两个阶段的人，不是在骗你，就是在骗自己。
意志力不够用，实验来救场
撑过低效期，靠的不是意志力。
意志力是有限资源，靠它撑过漫长的磨合期，往往撑不住。更扎实的方式，是把"要不要坚持"这个问题，从意志力问题变成一个可验证的问题。
Hashimoto 的做法很有启发性。他没有靠信念说服自己"AI 肯定有用，我要坚持"，他强迫自己做了一件很笨的事：把同一件事做两遍——一遍手工，一遍用 AI——然后看结果。
这很痛苦，因为它占用了双倍的时间。但它带来了一样东西：数据。不是感觉，不是别人的经验，是你自己做出来的数据。有了数据，"要不要继续用"就不再是一个需要意志力的问题，而是一个可以做判断的问题。
这让我想到 Kent Beck 说过的一句话——他提倡始终让自己处于"无知"的状态，不断驱动学习，然后靠反馈来检验认知是否正确。
这里说的"无知"，不是真的什么都不懂，而是一种主动的姿态：悬置已有的判断，让现象本身说话，再形成新的结论。 不一上来就抵制，也不一上来就认同，两种态度都跳过了最关键的环节——让反馈来说话。
TDD 里红绿重构的节奏，本质上就是把"我不知道对不对"这个焦虑，压缩到几分钟内就能得到答案。你不需要事先笃定，因为你很快就会知道。
对 AI 工具也一样：你不需要先判断它是否适合你，你只需要设计一个足够小的实验，让它很快告诉你答案。 Hashimoto 做了两遍同样的工作，就是这个逻辑。
最难的问题：哪些习惯该强化，哪些该被颠覆
聊到这里，有一个更深的问题绕不开。
我们说"让工具适应我的工作方式"，这句话听起来很对。工具是为人服务的，不是人变成工具的附属品。
但这里藏着一个陷阱：你现在的工作方式，真的值得被 AI 去适配吗？
有时候，我们当前的工作方式本身就是有问题的。只是因为用了很多年，它变得"自然"了，我们不再觉得它有问题。如果这时候让 AI 去适配你现有的工作流，你等于是用新工具来强化了一套旧习惯。
一个有十几年经验的开发者，最大的资产是积累的判断力。但这个资产，在面对真正的新事物时，会变成负债——你太容易用旧框架去评判新东西了。
TDD 之所以难学，恰恰是因为它不是一个工具，而是一次对思考顺序的改造——先想失败，再想成功。这和大多数人的本能是反的。它不是在适配你，它是在要求你改变。
这让我意识到，面对 AI，真正值得问自己的问题不是"怎么让 AI 更好地配合我"，而是：
哪些工作方式值得用 AI 去强化，哪些工作方式本身就该被 AI 倒逼着改掉？
这个判断，比"如何使用 AI"更难，也更有价值。
驾驭，而不是被驾驭
说到驾驭（harness）这个词，它原本的意思是马具——套在马身上的全套装备，缰绳、马鞍、嚼子。
它不是束缚马的，而是让骑手和马能够协同工作的。马提供力量，骑手提供方向，马具是两者之间的接口。
这个比喻让我觉得很准确。AI 是马，快但没有方向；你是骑手，有判断但没有速度。马具——也就是你和 AI 之间那套协作方式——决定了这段合作能走多远。
而建设这套协作方式，没有捷径，没有别人的模板可以直接套用。因为每个人卡住的地方不一样，所以每个人需要建设的东西也不一样。
你的起点，就是你自己卡住的那个地方。
不是别人的10倍效率，不是炒作的标题，不是模型发布的新闻。
就是你，坐在屏幕前，发现某件事 AI 总是做错，然后停下来想：我能不能让它永远不再犯这个错误？
从这里开始。
（很多人的 CLAUDE.md 都是这样诞生的：当 AI 重复犯同一个错误，人们不再一次次纠正它，而是把经验沉淀成规则，让这些经验在未来持续生效。）
参考资料
《My AI Adoption Journey》- Mitchell Hashimoto
───────── END ────────
AI在加速世界，但你可以选择慢下来思考。关注我，一起思考AI
👇👇👇
