AI 时代,如何给自己提效?
AI 时代,如何给自己提效?
TL;DR
- AI 写代码的能力在过去半年发生了跃迁,执行成本正逼近零,真正的瓶颈已经不是代码,而是人的认知。
- 应对的思路不是"挑一个当下最强的 AI 产品",而是给自己搭一艘能跟着 AI 一起变强的船。
- 船必须是"自己的" —— 通用产品解决不了个人问题,而自己搭的成本已经低到周末就能跑通。
- 本文记录我这艘船的第一版样子:编排、信息、接入、沉淀,以及接下来要继续做的事。
体感最强烈的一次冲击,来自两次 Helm 需求的对比。
去年 6 月做 Coze-Studio 开源的时候,项目需要支持 Helm 部署。在我对 Helm 完全不懂的情况下,我用 Gemini 2.5 Pro 一边查一边学,硬是折腾了整整 3-4 天 才勉强搞通。
12 月份又有一个 Helm 相关的需求,我只跟 Claude Code Opus 4.5 说了一句话 —— 它就把整个 Helm Chart 完整写好交给我了,一次跑通,我只改了 2 处配置。
那之后,我反复问自己一个问题:在 AI 这么强的时代,什么样的人还有优势?
我的答案是:AI 时代打工人的核心竞争力,就是把 AI 当成杠杆 —— 用它把自己的效率撬到最大。
最近我在做一个 ACP 协议 的项目,让 AI Agent 跑了一个超长任务 —— 自主开发、Review、重构,一晚上跑了几十轮循环。
然后问题来了:我花了整整 1-2 天,才把 AI 写的代码读懂,重新想清楚架构该怎么调整,再让 AI 按我的想法重构一遍。
AI 早已不是瓶颈了,瓶颈是人的认知深度。
换个角度想 —— 如果我一开始就对 ACP 协议了如指掌、对架构设计想得足够清楚,我根本不用等 AI 生成完再 review。我可以直接告诉它"应该这样写",让它一次到位。
这也解释了为什么 AI 时代会放大"有经验的人"的优势 —— AI 把"执行"的成本压到了接近零,于是"想清楚"的价值变得前所未有地高。
既然人是瓶颈,AI 又在飞速变强 —— 最理性的选择,就是给自己搭一艘能跟着 AI 一起长大的船。
Claude Code 的产品负责人有一句话我印象很深:
“别给今天的模型做产品,要给六个月后的模型做产品。”
Manus 团队也讲过类似的话:
“如果模型技术的进步是上涨的潮汐,我们希望 Manus 是水面上的船,而不是被固定在海床上的柱子。”
两句话讲的是同一件事:AI 在飞速进步,你要做的是搭一艘船,不是盖一根柱子。
把这个思路翻译到"个人"身上:
你今天要做的,不是挑"现在最强的那个 AI 产品",而是给自己搭一个"会跟着 AI 一起成长的 Agent"。
这艘船一旦搭起来,你就永远是浪头上的人。
你可能会问:市面上已经有一堆现成的 Agent 框架了 —— OpenClaw、Hermes …… 为什么还要自己造?
我的答案是一句话:通用产品,解决不了个人问题。
每个人的工作流都不一样,用的工具也不一样。 不同岗位做的事情完全不同、工作流完全不同、使用的工具也千差万别。目前通用 Agent 还处于非常早期的阶段,我相信 1-2 年后肯定会出现一个大而全的平台,能满足 90% 白领的自动化办公需求 —— 但现在我还没看到这样的产品。
题外话:最近我观察了一圈,发现很多 AI 产品都在跟风卷表层的东西 —— “上下文优化”、“产品形态升级” …… 但在模型能力差距已经被拉平的前提下,我觉得一个通用 AI 智能体真正的核心竞争力,是工具池的深度与场景的覆盖度。这才是真正的护城河,其他都是浮在水面上的花。
真正让我下决心"自己造"的,是另一件事 —— AI 时代最大的变化就是软件开发的成本大大降低了。
过去搭一个 AI 工作台,可能要几个全职工程师干半年。现在我一个人加上 Claude Code,晚上和周末拼一拼,两三个星期就能把框架搭起来。既然自己造的成本已经低到这个程度,为什么还要勉强去用一艘"别人定义"的船?
我的 Agent 目前分成五层能力,每一层对应一类具体的使用场景:
| 层 | 能力 | 对应场景 |
| 协议层 | ACP 接入多 CLI(Claude Code、CodeX、COCO 等) | 打通"一个大脑 + 多只手" |
| 编排层 | 多 Agent 递归 Review / Refactor | 让 AI 自己写、自己查、自己改 |
| 信息层 | 定时任务 + 主动拉取 | 技术动态、Oncall、发版通知自动送达 |
| 接入层 | 飞书 / 微信 / 手机网页 | 躺着也能写代码 |
| 沉淀层 | WIKI + 软链共享上下文 | 让 AI 与我共用同一份知识库 |
下面每一节挑一个维度详细讲讲。
这个模块最初的动机很简单:Claude Code 自带的 Ralph Loop 满足不了我的需求。我用模型 Review 代码时,真实流程是 “先 Review → Double Check → 修改”,而且跑多轮对话(多 Session)时,每一轮都能发现不同的问题。所以整体流程是:
Code Review → Double Check → Code Refactor → Code Review → Double Check → Code Refactor → …
如果 Code Refactor 也交给模型来改,这个过程其实不需要人介入。于是我做了一个"递归树结构"的循环能力:
两个关键设计:
这套流程跑下来,Review 和 Refactor 场景体验都不错。一个有意思的副产物:ACP 网络传输链路的参数配置 —— 也就只有 AI 才能把这些细节考虑得这么周全(当然这是多轮迭代的结果,手工写一般不会这么细)。
定时任务场景,我主要有三个需求:
整体体验挺不错的 —— 新技术动态都能自动收到,还能帮我做摘要总结,不用自己定期去刷网页(忙起来很容易错过消息)。
既然 Agent 已经能 24 小时不停跑了,用手机随时接入就是顺理成章的需求。所以我接入了飞书和微信 —— 不过由于两者都不支持流式输出,体验不如开 VPN 用网页版。
但能用手机接入以后,真的可以躺在床上写代码了。 上周末我就是躺着让它跑完了一个小功能,体验挺微妙。
我把自己的知识库 WIKI 统一收敛到一个 git 仓库里;再在各个代码仓库中通过软链的方式,链到个人知识库里对应项目的文件夹。这样 AI 做相关任务时,能跟我的 context 保持一致 —— 我读过的资料、做过的决策、踩过的坑,它都能看到。
大多数场景下,十几轮重复 Review + 修改之后,基本没什么 Bug。但也遇到过一些 Corner Case:
Anthropic 在 Scaling Managed Agents: Decoupling the brain from the hands 把一个 Agentic System 分成了 5 个部分:
和我之前做 Coding App 调研时梳理的架构差不多。
顺着这个框架,接下来想做的事:
软件工程师这个职业不会消失,但岗位结构会发生剧变。真正值得思考的,不是"会不会被淘汰",而是"如何抓住这一轮变革的红利"。
如果你也想搭自己的 Agent,我的建议是 —— 从最小闭环开始:选 1 个你每天都要做的重复任务(写周报、追技术动态、整理会议纪要……),用 ACP / Claude Code 做一个定时任务跑通,然后再迭代。一个能跑的 MVP,比一个完美的架构图更重要。
让每个人都拥有自己的 AI Agent,让个体的生产力被无限放大 —— 这既是这个时代留给我们的礼物,也是留给我们的考题。
最后,借 DeepSeek 论文结尾的一句话共勉:
“不诱于誉,不恐于诽,率道而行,端然正己。”
我也来评论一下吧
测试一下