AI时代，我们如何与AI同行

该渲染由 marked 生成，可能存在排版问题，最佳体验请前往：

这两年，我越来越频繁地把 AI 放进自己的工作流里。它帮我查资料、读代码、分析问题、生成实现、补测试，也让我第一次非常直观地感受到：很多过去昂贵的认知劳动，正在迅速变得廉价。过去需要几个小时甚至几天才能完成的信息检索、代码阅读和方案整理，现在往往可以在很短的时间内完成第一次收敛。

这当然是一场真实的生产力革命。但使用得越多，我越觉得，AI 带来的变化并不是简单的“机器替代人”，也不是认知从此变得不再稀缺。真正发生变化的，是不同类型工作的成本结构。已有知识的获取越来越便宜，内容生成越来越便宜，代码实现越来越便宜；但未知问题仍然需要探索，新知识仍然需要被创造，判断仍然需要经验，结果仍然需要验证，风险和责任也不会因为模型变强而自然消失。

所以我越来越愿意把 AI 理解成一根杠杆。它不会替我们决定方向，只会让我们更快地朝某个方向前进。而杠杆越长，方向就越重要。

当知识获取变得廉价，知识生产仍然昂贵

过去，一个工程师想理解一项陌生技术，可能需要自己翻文档、读源码、查 Issue、搜索博客和论文。现在，大模型可以帮助我们迅速完成第一次知识压缩，把分散在互联网和开源社区中的信息重新组织成一种更容易理解和吸收的形式。

如果 PostgreSQL 的某种行为早已被文档记录，如果一个 Kubernetes 故障已经有人在 Issue 中讨论，如果一种算法已经有成熟论文和实现，那么 AI 可以帮助我们绕过大量检索、筛选和信息整理的成本，更快抵达已有知识的边界。

但这里需要区分两个概念：知识获取和知识生产不是一回事。

一个已经被世界知道的答案，和一个尚且不存在的答案，成本完全不同。如果这是一个从未出现过的生产问题，如果这是私有代码里的未知缺陷，如果没有文档、没有公开案例，甚至连问题出现的条件都尚且不清楚，那么我们依然需要观察现象、提出假设、设计实验、修改变量、排除错误方向、反复复现、阅读实现，再逐渐建立起因果关系。新的知识依然要从现实世界中被“撞”出来。

AI 可以帮助我们提出更多假设，可以帮我们阅读更多代码，也可以替我们完成大量实验性的实现，但它不能让探索本身凭空消失。AI 可以压缩探索空间，却不能取消探索。

这意味着，AI 最大程度上削平的是公开知识、开源知识和标准化知识的获取门槛，而真正构成长期竞争力的专有知识，依然要通过实践、失败、试错和创造产生。某一个私有系统的特殊行为，某一个版本中特殊的性能退化，某一个客户环境中才会出现的边界问题，某一种组织长期磨合出来的工程方法，这些东西不会因为模型更强就自然存在。

相反，当公开知识越来越容易获得以后，公开知识本身反而越来越难成为竞争优势。如果任何人都可以快速获得相似的公开知识，那么真正能够区分人与组织的，将越来越不是“我知道什么别人也知道的东西”，而是“我发现了什么别人还不知道的东西”。

从这个角度看，AI 越强，专有知识、原创判断和实践经验的重要性反而越高。

当执行变得廉价，判断变得更加重要

也正因为如此，我越来越习惯把 AI 理解成一种能力放大器，而不是认知本身的替代品。

杠杆本身没有方向，它不会天然让事情变好。它只是让一个人可以用更少的力量，对现实产生更大的影响。一个优秀的工程师使用 AI，可以更快地阅读陌生代码、分析调用链、提出方案、生成实验、修改实现、补充测试。过去一个人一天只能完成的工作，现在可能几个小时就能完成。

但与此同时，一个错误的判断也可以以同样的速度被放大。

过去，一个工程师手工修改几十个文件，本身就需要相当长的时间。这种劳动成本甚至会形成一种天然的谨慎：改动越大，人越容易意识到风险。Agent 出现以后，这层天然摩擦正在消失。今天，一个错误的假设可以在十分钟内传播到几十个文件；一个不正确的架构方向，也可以迅速得到一整套结构完整、测试齐全、文档完备的实现。

于是 AI 同时降低了两件事情的成本：正确行动的成本，和错误行动的成本。

所以 AI 本身并不等于正确性。它更接近一种 Capability Multiplier，也就是能力放大器。它放大的不仅是能力，也包括错误、偏见和判断缺陷。

这也是为什么我认为，AI 越强，对人的要求未必越低。过去我们很看重一个工程师能不能把某几百行代码写出来，未来“能不能写出来”可能越来越不重要。真正昂贵的问题会逐渐变成：这些代码到底该不该存在？这个方向到底对不对？Agent 的假设是不是建立在错误上下文之上？这个修改有没有破坏一个没有写进文档的历史约束？即使测试全部通过，这个实现是否真的符合系统长期需要？

AI 可以极大压缩执行，但它不会自动产生正确的方向。随着执行成本下降，真正稀缺的部分会自然向判断迁移。

当生成变得容易，验证成为新的瓶颈

这一点在软件工程中尤其明显。

Coding Agent 的进步非常快。今天，让 AI 阅读代码、实现功能、补测试，已经不是什么稀奇的事情。一个过去需要几天才能写完的 Feature，实现本身很可能真的只需要几个小时。但软件交付从来不只是代码生成。

真实的软件交付过程至少包括需求理解、影响面分析、方案设计、实现、测试、Debug、Regression、Review、集成以及最终验收。AI 可以显著压缩其中很多阶段，尤其是代码实现，但这并不意味着整个链路会按照相同比例被压缩。

假设过去一个中等复杂度的功能需要十四个工作日，其中五天花在实现上。AI 把实现压缩到半天，这是巨大的效率提升，但十四天不会因此自动变成一天半，因为其他环节不会以相同比例消失。甚至随着代码生成速度越来越快，验证本身会占据整个研发流程越来越高的比例。

Agent 十分钟可以生成一个修改，证明这个修改真的正确，可能需要几个小时；生成一个错误可能只需要几秒，找到这个错误为什么发生，却可能需要几天 RCA。这里存在一个非常重要的非对称性：制造候选答案越来越容易，而建立可信度依然昂贵。

因此，AI 时代真正发生的并不是瓶颈消失，而是瓶颈迁移。过去，瓶颈可能是“我怎么把它做出来”，未来，瓶颈越来越可能变成“我怎么证明它真的对”。

而比验证本身更稀缺的，是知道什么时候应该产生怀疑。

AI 最危险的地方，并不是它完全不会做。一个完全不会做的工具很好识别。真正困难的是，它常常能够给出一个九成正确、结构完整、逻辑流畅、甚至拥有大量测试的答案，而剩下的一成错误，可能藏在并发、异常路径、兼容性、历史设计、性能回退或者某个极端边界条件里。

很多资深工程师真正的价值，本来就不是多记住几个函数、多知道几个参数，而是经历过足够多失败以后形成的一种模式识别能力。有时候你看到一个现象，会觉得“这里不对”，你甚至未必能马上说清楚为什么。这种直觉不是玄学，它是几十次事故、几百次 Debug、无数次失败之后，被压缩进人的经验中的内部模型。

AI 可以帮助我们解释这种经验，可以调用历史信息，可以提出候选方向，但“知道什么时候不应该相信表面答案”依然非常昂贵。

这里还有一句话我一直很喜欢：真正让人陷入困境的，往往不是未知，而是那些你确信为真、实际上却是错的东西。

这句话放在 AI 时代尤其重要。人们很擅长做一件事：先形成一个观点，然后不断寻找对这个观点有利的证据去佐证自己，同时忽略那些不利的信息和反例。AI 的出现，会让这个过程变得前所未有地容易。它可以迅速帮你补充论据、寻找类比、组织语言，甚至把一个原本只是直觉的判断包装成一套结构完整、逻辑流畅的理论。

所以，一个成熟的思考过程，不应该是提出假设以后不断寻找材料证明自己是对的，而应该主动寻找那些可能推翻自己的证据。真正有价值的问题，不是“我还能找到多少理由支持这个判断”，而是“什么事实一旦出现，我就必须承认这个判断错了”。

如果我们看到 CPU 高，于是提出“CPU 是瓶颈”的假设，接下来不应该只是继续寻找 CPU 指标来印证这个判断。更重要的问题应该是：如果 CPU 不是瓶颈，我应该看到什么？什么现象能够推翻现在的判断？有没有一个反例足以说明我的模型错了？

同样，如果我们认为某个 Feature 在 AI 辅助下可以从两周压缩到一周，也不应该因为“AI 写代码很快”就不断寻找支持这个结论的理由，而应该去看真实的 cycle time、返工率、测试时间、缺陷率、Review 成本和验收成本，然后允许数据告诉我们，原来的假设可能并不成立。

好的工程判断，不是把自己的假设解释得越来越漂亮，而是不断给它失败的机会。AI 不只放大能力，也放大人的认识论习惯。一个习惯寻找反例的人，可以利用 AI 更快地挑战自己的假设；一个习惯先形成结论、再寻找论据的人，也可以利用 AI 更高效地完成自我合理化。

今天的大模型非常擅长构建框架、寻找历史类比、补充术语、组织论据，于是一个直觉很容易被包装成一套漂亮的理论。但表达得更完整，不代表判断更加正确。真正的理性，并不是拥有一个能够解释一切的框架，而是允许现实推翻自己的框架。

当信息可以复制，能力依然无法简单复制

同样的逻辑也可以延伸到组织。

AI 很适合帮助组织沉淀和调用信息。过去大量知识分散在人脑、聊天记录、邮件、Ticket 和业务系统里，今天可以通过知识库、RAG 和 Agent 让这些信息更容易被检索、更容易被复用。但信息和能力不是一回事。

系统可以记录客户负责人是谁、预算是多少、历史上讨论过什么，但系统不能因此自动获得“这个客户为什么信任某个人”。系统可以保存一个专家过去所有的 RCA，但它不能因此自动获得“下一个未知问题出现时，他为什么第一时间怀疑某个方向”。可以存储决策结果，也不等于拥有下一次做出正确决策的能力。

组织可以保存客户关系的数据，但不能因此保存客户关系本身；组织可以保存专家的经验，却不能因此完整复制专家。因为很多真正有价值的能力属于隐性知识，它存在于实践、判断、信任、责任，以及人与人长期形成的协作关系中。这些东西并不会因为我们把所有信息写进数据库，就自动变成可以无限复制的组织资产。

而当组织开始大规模依赖 AI 分发知识以后，还会出现一个新的问题：错误知识同样可以被规模化分发。一个理想化的知识系统往往被描述为一个正反馈循环：使用越多，数据越多；数据越多，经验沉淀越多；系统越聪明，更多人愿意使用。这条链路当然存在，但还有另一条完全对称的路径：错误判断被记录，被 AI 检索，被新人采用，再次进入组织知识，最后被进一步传播。

也就是：

Garbage In → RAG → Garbage Out → Garbage Back In

当组织开始大规模依赖 AI 分发知识时，知识治理会比知识堆积更重要。什么是真实结论？什么只是事故现场中的临时猜测？哪个 Workaround 已经过期？哪个方案只适用于某个版本？哪一个 RCA 才是最终根因？谁有资格把一种经验晋升成 Best Practice？出现冲突知识时，谁负责裁决？

AI 可以大幅降低知识分发成本，但它也让知识认证变得更加重要。过去的问题可能是没有信息，未来的问题越来越可能变成信息太多，却不知道哪些值得相信。所以，当知识越来越便宜，可信知识反而会越来越昂贵。

同样，AI 可以降低很多沟通和协作中的信息成本，但它不能自动解决所有组织问题。很多冲突本身就不是因为信息不足，而是因为目标不同、资源有限、责任不同、风险承担者不同。AI 可以帮助大家更快知道发生了什么，却不能替组织决定谁应该承担后果。

因此，AI 能够改变组织，但它不会把组织变成一个纯粹的信息系统。资源、目标、责任和决策权依然存在，它们仍然需要人来设计和承担。

当AI越来越强，人应该保留什么

那么，AI 时代，人到底应该做什么？

我的答案并不是人必须牢牢控制一切。如果所有 Agent 做完的事情，都需要人从头到尾重新做一遍，那 AI 就失去了意义。真正需要改变的，是人应该逐渐退出那些低价值、低风险、可重复的执行，把注意力转移到真正需要判断的地方。

对于容易验证、容易回滚、影响范围小、结果确定性高的任务，可以给予 Agent 更高的自主权；而对于影响半径大、不可逆、涉及生产数据、安全边界、关键架构或者重要客户的事情，人应该保留最终控制权。

因此，我越来越觉得，AI 时代真正重要的问题，并不是 How much work can AI do?，而是 How much autonomy can we safely give AI?

能做多少，是能力问题；能放多少权，是风险问题。真正成熟的 AI 工程体系，最终一定不是围绕“AI 能不能做”建立的，而是围绕“如果 AI 做错了，代价是什么”建立的。

这也解释了为什么我一直把 AI 看成杠杆。杠杆越长，人能够撬动的东西越大，但这也意味着，一个很小的方向偏差，会在更远的地方形成更大的误差。

AI 会让我们走得更快，但走得更快从来不是目的。真正重要的是，当工具越来越强、杠杆越来越长的时候，我们仍然知道自己为什么出发，正在向哪里走，也仍然有能力在偏离方向的时候停下来。

AI 时代，人的价值未必是在逐渐消失，它更像是在发生迁移。我们不再需要和机器比赛谁记得更多，也不必和 Agent 比谁敲代码更快。真正值得人投入注意力的，会越来越集中在那些机器无法单靠速度解决的问题上：目标、创造、判断、验证、责任，以及风险。

AI 可以帮助我们更快地提出答案，但我们仍然需要保留一种更重要的能力：不急于证明自己是对的，而是不断寻找自己可能错在哪里。

因为真正让人陷入困境的，很多时候不是我们不知道什么，而是我们确信自己知道，却恰好错了。

这大概就是我理解的，AI 时代，我们如何与 AI 同行。