我已被 AI Agent 燃尽；AI 越聪明人越忙；需要关注人类的休息权今天读了一篇很好的文章，叫： 10 things I learned from burning myself out with AI coding agents作者 Benj Edwards 是一位在科技新闻界颇具影响力的记者和历史学家。Benj是个 AI Agent 狂人，他通过 50 多个 AI 辅助编程项目的亲身体验，分享了 10 个核心感悟： AI 编码工具像 3D 打印机，能快速生成原型但需人类把控生产细节；人仍是关键，经验和架构能力无法被替代；模型在训练数据外脆弱；创造新的东西是一场艰苦的战斗； 90% 的问题依然存在；功能蔓延非常容易失控； AGI 远未到来；工具加速工作却让人更忙，需关注人类的休息权；快速迭代令人兴奋也引发焦虑； AI 工具不会消失，终将成为人类创意的放大器。核心观点是：AI 是强力工具，但人类始终是掌舵者。在阅读和学习的同时我做了一份精校的中文版本，图文注解高亮齐全，放到墨问里了，欢迎阅读收藏： 我被 AI Coding Agent 累惨了，并从中学到了 10 件事 内容节选： 4、90% 问题一个 AI 编码项目的前 90% 往往来得又快又惊艳。最后那 10% 则变成和 Agent 来回试错、补充繁琐细节的过程。那些需要比 Agent 更深层洞察或理解的任务，仍然得由人来完成“串联”和“决断”，把它往正确的方向上引导。之前提到的那些局限，都可能让你的项目撞上看不见的墙。从我近期的观察来看，更大的 LLM 通常能在上下文里建立起比小模型更深的关联。它们拥有更多参数（被编码的数据点），而且这些参数在多维空间里彼此勾连，因此在语义关系上会有一张更深更密的地图。可即便如此，人脑对语义关系的把握似乎仍然更深一层，还能在概念之间做那种“疯狂跳跃”，这是 LLM 不太会做的事情。从这个角度讲，创造力也许就是：你能从篮球跳到肥皂泡成膜时气泡的形状，然后在这两个看似无关的领域之间建立某种有用的联系，实现一个突破。而 LLM 通常会沿着那些更保守、更常规的语义路径行进，完全被训练数据里已经铺好的关系牵着走。 5. 功能蔓延变得不可抗拒在用 AI 编码工具开发软件时，那种不断体验新奇的快感，会驱使你不停给项目加各种有趣的新功能，而不是老老实实去修 bug 或打磨已有系统。而 Claude（或者 Codex）也非常乐意配合，它会一头扎进那些新点子里，迅速做出看起来赏心悦目的小 demo（又一次典型的90% 问题），而不是静下心来把代码打磨好……