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。
一、起点：Coding Agent 的跃迁
1.1 从 3-4 天到一句话 —— 我经历的两次 Helm
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。
1.2 当执行成本逼近零，瓶颈转移到了"认知"
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。
二、策略：做船，不做柱子
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。
2.1 别给今天的模型做产品，给六个月后的模型做
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。
- 什么是柱子？把今天 AI 的所有限制当成理所当然，围绕"AI 现在还不能做 X"去设计的产品 —— 明年水位一涨，它就沉了。
- 什么是船？做一个能随着 AI 变强而自动变强的东西 —— 今天它帮你写周报，明天换个更强的模型它就能帮你做决策；今天帮你整理简报，明天帮你做战略分析。
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。
2.2 为什么船必须是"自己的"
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？
三、实践：我给自己造的 Agent
3.1 架构全景
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。
3.2 编排 · 递归式 Review/Refactor
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：
- 最大化利用公司 Token 额度：我接入了 ACP 协议，便捷地接入 COCO、Claude Code、CodeX 等 CLI，24 小时不停跑把 Quota 打满，变相解决了限流问题。
- 跨模型协作节省 SOTA 配额：引入多 Agent 通信能力。先让 GLM 5.1、Kimi 2.6 这些速度快、不限频的模型跑一轮 Review，再把结果自动交给 Claude Code、CodeX 去 Double Check，判断是不是真的问题。最终修改代码的动作，全部收敛到 SOTA 模型上。
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）。
3.3 信息 · 让技术动态主动找上门
定时任务场景，我主要有三个需求：
- 监听 Claude Code 发版通知，自动反编译 cli.js 源码，对比 ChangeLog 生成基于源码的新功能报告。
- AI Blog 监听：追踪 Claude、OpenAI、LangChain 的技术 Blog，关注最新技术动态。
- Oncall 日报：监听飞书 Oncall 群消息，每天总结都有哪些 Oncall，看看别人都踩过哪些坑。
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）。
3.4 接入 · 躺着用手机写代码
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。
3.5 沉淀 · WIKI + 软链共享上下文
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。
3.6 踩过的坑 · AI 也会糊弄你
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：
- AI 不熟悉的库会出错：让 AI Review N 轮以后，也不能保证一点 Bug 都没有。我就遇到过 AI 使用 Hertz 的 SSE 流式输出出 Bug 的情况。Learning：对一些 AI 不熟悉的库，需要重点提示它 Review 一下库的用法是否正确。
- 上下文不够会漏改：一个你自己都不熟悉的项目，你也搞不清改动涉及面到哪 —— 简单让它 Review 某一部分代码时，很容易遗漏其他关联逻辑。
- 警惕 AI 的 “context anxiety”：测试环节需要额外小心。AI 有时会为了让单测通过，用一些欺骗性的手段（比如直接改测试断言），需要人工卡一道。
四、让这艘船继续长大
Anthropic 在 Scaling Managed Agents: Decoupling the brain from the hands 把一个 Agentic System 分成了 5 个部分：
- Harness：调用 Claude 并路由工具调用的循环组件，相当于 Agent 的"大脑"
- Session：只追加的事件日志，记录所有发生的内容，相当于 Agent 的"记忆"
- Sandbox：Claude 运行代码和编辑文件的执行环境，相当于 Agent 的"家"
- Tools：给模型的工具（内置 Tool、MCP Tool、Skill 等），相当于 Agent 的"手脚"
- Orchestrator：协调器，负责组件之间的交互，相当于 Agent 的"指挥官"
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：
- Self-Evolution（自我进化）：让 Agent 能自动读取程序运行日志发现问题；并把程序的所有功能暴露给大模型，通过对话来调用。
- Auto-Memory（自动记忆）：OpenClaw 能火，最大的亮点是它的 Soul.md / Identity.md / User.md 记忆系统，能给用户提供情绪价值。单纯从功能看我觉得这个用处不大 —— 比如你知道我是谁，对"实现一个 ACP 协议"这种事并没有太大帮助。但在压力巨大的社会环境下，情绪价值对牛马来说是很珍贵的东西（就像很多人带娃去迪士尼，体验的是服务里的情绪价值，不是项目本身有多好玩）。
- Tool-Kit（工具包）：沉淀自己的工具包、Skill，让船越开越稳。
- Sandbox（沙箱）：安全隔离的运行环境。最早我用的其实是 Sandbox，后面因为 ACP 不支持远程通信协议，全部改用本地环境了 —— 这块后面还想捡回来。
五、结语：做顺势而为的人
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。”