夜雨聆风你好，欢迎关注「AI工程手记」。
这里主要分享 AI 工程、Agent、自动化工作流和项目实战。
不讲太多概念，重点是怎么做、怎么用，趟过哪些坑。
今天这个话题，很可能让你的团队重新算一遍 AI 投入产出账。
先说结论：
这两天，海外开发者社区和中文社区同时冒出一种很真实的情绪：大家不是不用 AI 了，而是开始讨厌“什么都去问 AI”的粗暴建议。
AI 疲劳潮就是来提醒我们这件事的。
它能说明一个转折：团队不再只问模型有多强，而是追问它到底节省了多少时间、减少了多少返工、有没有让人更清醒。
这篇文章会按 6 个问题讲清楚：发生了什么 / 为什么重要 / 对团队有什么影响 / 各方怎么吵 / 我怎么看 / 接下来该关注什么。
一、发生了什么
过去一年，很多团队对 AI 的期待像坐过山车：刚开始觉得它什么都能干，后来发现它也会一本正经地胡说八道，还会把简单问题包装成一锅“科技味火锅”。
最近 Hacker News 上一篇文章火了，标题大意是：别再告诉我去问 LLM。它拿到 153 分、83 条评论，热度不算天花板，但情绪特别集中。作者的核心意思不是“我不会用”，而是“我已经问过了，现在我需要的是人的判断”。
这句话很戳人。
在很多工作场景里，AI 的确能帮你起草邮件、整理会议纪要、写第一版方案。但到了真正要拍板的时候，比如产品路线要不要砍、客户需求要不要接、一次事故根因到底是什么，团队不能把锅甩给一个聊天窗口。
这就像公司里多了一个特别勤快的实习生：资料整理得飞快，态度也很好，但你不能让他一个人签合同。否则最后不是效率提升，是法务同事血压提升。
更有意思的是，这股情绪已经不只是嘴上说说。GitHub 上出现了 kill-ai-slop 这样的项目，专门识别和剥离 AI 生成内容里的俗套表达。它的存在本身就很有象征意义：当大家开始写工具来清理 AI 味儿，说明 AI 疲劳已经从情绪变成行动。
所谓 AI 味儿，很多人应该都见过：动不动“释放潜能”、动不动“无缝集成”、动不动“重新定义未来”。看多了以后，像连续吃三天预制菜，不能说没营养，但真的有点腻。
二、为什么重要
这轮讨论重要，不是因为有人开始反 AI，而是因为 AI 进入了更正常的采购和管理阶段。
早期大家讨论 AI，常常是“能不能做”。现在问题变了：值不值得做、谁来复核、成本谁承担、错误谁负责。
对 36 到 45 岁的团队负责人来说，这比模型跑分更现实。你关心的不是某个榜单提升了 2%，而是下个月团队能不能少加两天班，客服能不能少返工，研发能不能少开三次无效会。
这也是为什么“反向半人马”这个说法重新被拿出来讨论。传统的半人马模式，是人和机器一起工作；但很多组织实际做反了：人给 AI 打杂，负责复制、粘贴、修补、解释，AI 反而像坐在主位上发号施令。
更健康的模式应该反过来：AI 做重复、低风险、可复核的苦活，人保留判断、取舍和责任。
比如一个销售负责人要准备季度复盘，AI 可以先把客户反馈聚类、把流失原因分组、把竞品提及频次排出来。但是否调整价格、是否换行业打法、是否放弃低毛利客户，这些不能交给模型“感觉一下”。
如果团队没有把边界画清楚，AI 很容易从“省时间的工具”变成“制造新麻烦的同事”。它会给你一堆看起来完整的材料，让你花更多时间验证。表面上速度快了，实际上审核成本悄悄涨了。
这就是 AI 疲劳真正的来源：不是大家懒得学新东西，而是很多人发现，自己从写内容的人变成了检查内容的人，从解决问题的人变成了给 AI 擦屁股的人。话糙理不糙，这笔账必须算。
三、影响分析
这股价值重估，对企业和个人都有影响。
第一，AI 工具的卖点会从“能生成”转向“可交付”。
过去一个产品只要说能生成文案、能生成代码、能生成图片，就容易让人眼前一亮。现在不够了。用户会问：生成之后能不能直接用？错误率多少？能不能追溯来源？出了问题谁能发现？
这对工具厂商是压力，也是机会。真正有价值的产品，不是把按钮做得更多，而是把从输入到交付的链路做得更稳。
第二，团队会更重视复核流程。
我前阵子帮朋友看一个内部知识库项目，他们一开始想把所有文档都丢给 AI 自动问答。听起来很美，像给公司装了一个“万事通”。但试跑一周后发现，最大痛点不是回答慢，而是回答太自信。错的时候也像销售冠军一样笃定。
最后他们改成了两层流程：AI 先找资料和草拟答案，关键回复必须带出处，再由业务负责人确认。速度没有宣传页里那么夸张，但返工明显少了，大家心里也踏实。
第三，个人能力的差距会从“会不会问”转向“会不会判断”。
会写提示词当然有用，但它不是终点。真正拉开差距的是：你能不能判断答案有没有偏、数据有没有漏、建议是否符合业务上下文。
这对中层管理者尤其关键。你不一定要亲自调每个参数，但你必须知道 AI 适合放在哪个环节，不适合碰哪类决策。否则工具越多，流程越乱，最后大家在群里互相甩链接，像在办公室里养了一群电子鸽子。
第四，AI 成本会从显性账单变成综合 ROI。
账单上的调用费用只是第一层。更大的成本，是错误校验、流程改造、员工培训、合规风险和机会成本。如果一个工具每月花费不高，但让团队多了三道审核、多了两个群、多了无数“这个答案靠谱吗”的讨论，它就不便宜。
所以接下来衡量 AI 项目，不能只看“用了多少次”，而要看：节省了多少有效人时、减少了多少重复劳动、提升了多少交付质量、有没有降低关键岗位的精神负担。
四、各方观点
国际社区的声音，大概可以分成三类。
第一类是疲劳派。他们不是完全不用 AI，而是厌倦了把 AI 当万能答案。对他们来说，“去问 LLM”已经从建议变成噪音。尤其是当问题涉及经验、情绪、伦理或组织政治时，AI 的回答再流畅，也可能只是高级版废话。
第二类是务实派。他们承认 AI 很有用，但要求把它放回工具箱。它适合做搜索、归纳、草稿、测试、翻译、格式化，不适合替人承担判断责任。这类人往往不是唱衰者，而是被生产环境教育过的人。
第三类是乐观派。他们认为现在的疲劳只是过渡期。就像早期互联网也充满垃圾页面和弹窗广告，后来搜索、推荐、浏览器和内容生态逐步成熟，AI 也会经历一轮筛选。
中文社区的情绪更复杂。
知乎上“AI 能让人减少孤独，还是会让人更孤独？”这个问题在热榜出现，说明国内用户的关注点不只在效率，还在关系和感受。很多人一边用 AI 陪聊、写作、学习，一边又担心自己越来越不愿意和真人沟通。
B站上 DeepSeek V4 相关评测能有 108K 播放，也说明大家对模型进步仍然有期待。中国用户并不是简单疲劳，而是处在一种“期待还在，但滤镜变薄了”的阶段。
这很正常。
任何技术热潮走到第二阶段，都会从“哇，好神奇”进入“好吧，账怎么算”。移动互联网如此，低代码如此，AI 也不会例外。热闹之后，老板要看结果，员工要看负担，用户要看体验。
还有一个容易被忽略的分歧：资本市场和一线使用者的节奏不同。
市场仍然会为算力、模型、平台买单，因为故事足够大。但一线团队每天面对的是具体任务：这份报告能不能少改两轮？这个客服答案会不会误导客户？这段代码上线后谁背锅？
宏大叙事和日常工作之间，正好就是 AI 疲劳滋生的缝隙。
五、我的判断
我的判断很简单：这不是 AI 的退潮，而是 AI 的成人礼。
小时候大家夸一个孩子聪明，会说他什么都懂。长大以后，真正靠谱的人不是逢问必答，而是知道哪些事该查资料，哪些事该请教专家，哪些事必须自己负责。
AI 也一样。
过去我们太容易把“能回答”误认为“能负责”，把“写得像”误认为“做得对”。现在社区开始集体反思，反而是好事。它意味着大家终于从魔法叙事回到了工程叙事。
对团队来说，下一步不是减少 AI 使用，而是把 AI 使用分层。
低风险任务，可以大胆自动化。比如格式整理、初稿生成、会议纪要、资料归纳、内部 FAQ 草稿。
中风险任务，需要人机协作。比如客户方案、需求分析、代码改动、招聘筛选、财务解释。
高风险任务，AI 只能辅助，不能拍板。比如战略取舍、合同承诺、合规判断、人员评价、重大事故结论。
这套分层不复杂，但很管用。它能让团队少一点“全都上 AI”的冲动，多一点“该在哪上 AI”的清醒。
如果你是管理者，我建议从一个很土但有效的问题开始：这个 AI 流程最后节省的是谁的时间？
如果答案说不清，先别急着买工具。否则很可能出现一种尴尬场面：老板以为效率翻倍，员工感觉多了一个需要哄的机器人。机器人还不喝咖啡，连团建都不去，锅却一点不少。
如果你是一线工程师，也不用因为这波反思就抵触 AI。更好的做法是把它当成一个能力放大器，而不是判断替代品。让它帮你铺路、搬砖、查漏，但方向盘还得握在自己手里。
六、值得关注的方向
接下来，我会重点关注三个方向。
第一个方向，是“可验证 AI”。
未来真正有竞争力的 AI 工具，会更强调来源、证据、引用、版本、变更记录。不是只给答案，而是告诉你答案从哪里来、哪里不确定、哪里需要人工确认。
这会直接影响企业采用。因为公司怕的不是 AI 不够聪明，而是它聪明得让人看不出哪里错。
第二个方向，是“反 AI 味儿”的工具链。
kill-ai-slop 这类项目虽然看起来小，但它抓住了一个真实痛点：当 AI 内容泛滥后，人们会重新追求真实、具体、有经验感的表达。
未来内容团队、品牌团队、产品团队，可能都会需要类似能力：不是禁止 AI 写，而是让 AI 写完后更像人话，更少套话，更贴近真实业务。
第三个方向，是团队内部的 AI 使用规范。
很多公司现在的问题不是没有 AI，而是 AI 用得太散。有人拿它写代码，有人拿它写周报，有人拿它回客户，有人拿它做绩效材料。表面上百花齐放，实际上一地鸡毛。
更成熟的做法，是明确哪些场景鼓励用、哪些场景必须标注、哪些场景必须人工复核、哪些场景禁止直接输出。
这不是给创新泼冷水，而是给创新装护栏。没有护栏的高速路，跑得越快越吓人。
如果要落到团队动作，我建议先做一张很简单的 AI 使用清单：哪些任务已经稳定节省时间，哪些任务只是看起来热闹，哪些任务让审核压力变大。每个季度复盘一次，比追着每个新模型跑更有价值。
更务实一点，还可以给每条自动化流程配一个负责人。不是为了背锅，而是为了让团队知道：这条链路谁维护、谁复核、谁决定停用。AI 真正进入生产，不靠口号，靠这些有点笨但很可靠的制度。
最后回到今天的核心：AI 疲劳不是因为 AI 没用，而是因为大家终于开始认真区分“有用”和“值得”。
真正的转折点，不是某个模型又强了多少，而是团队能不能把 AI 放在正确的位置：让它做苦活、做重复活、做资料活；让人继续做判断、做取舍、做负责。
这听起来没有发布会那么燃，但对真实业务更重要。
项目地址：本文为趋势观察，无单一项目地址；行动信号参考 GitHub：yetone/kill-ai-slop
Stars：231 ⭐（截至 2026-07-12）
一句话总结：AI 不是不值得用，而是该从“万能回答者”退回“高效执行者”，团队 ROI 才会真正变好。
这里是「AI工程手记」。
我会持续更新 AI 工程、Agent 工作流、自动化实战和项目观察。
关注 AI 工程怎么真正跑起来。
你最近有没有遇到“AI 看似帮忙，实际添乱”的场景？评论区聊聊，下期可以专门拆几个真实案例。
