讨论 + 职业
发布: (2026年3月17日 GMT+8 05:00)
4 分钟阅读
原文: Dev.to
Source: Dev.to
AI 承诺自动化日常工作，却带来了新的日常
我们曾被告知 AI 会让我们摆脱重复性工作。实际上，许多开发者现在花数小时管理 AI 工具、审查 AI 输出以及调试 AI 生成的代码。日常工作并没有消失——它变形了。
2026 年的典型一天
| 时间 | 活动 | 时长 |
|---|---|---|
| 早晨 | 审查夜间 AI 代理的输出 | 30 分钟 |
| 上午中段 | 修复 AI 破坏或遗漏的内容 | 45 分钟 |
| 下午 | 为明天的 AI 任务编写提示词 | 30 分钟 |
| 晚上 | 检查监控仪表盘是否有异常 | 15 分钟 |
这意味着 每天 2 小时 用于管理 AI。AI 之前，我在手动完成这些任务上花的时间大致相同。净生产力提升？对日常任务来说几乎为零。
真正的收益所在
社交发布
之前： 手动在 19 个平台发布需要 3 小时。
节省： 3 小时/天。研究与摘要
之前： 研究并摘要 29 个平台需要 2 天。
节省： 12 小时/项目。服务搭建
之前： 为新服务设置测试、Docker、CI 需要 2 小时。
节省： 1.5 小时/项目。
AI 带来的新挑战
- 细微的 bug —— AI 生成的代码看起来正确，却可能隐藏错误。调试别人的逻辑往往比自己写代码更费时。
- 上下文窗口限制 —— 大型项目超出模型的上下文窗口，迫使你花时间对内容进行摘要、分块并重新向 AI 解释上下文。
- 提示脆弱性 —— 今天有效的提示在模型更新后可能失效，使提示维护成为一种新的技术债务。
- 额外开销 —— 管理 AI 输出、监控仪表盘以及编写 glue 代码本身就增加了工作量。
利用 AI 的策略
- 自动化自动化 —— 构建系统自动管理 AI 输出，减少人工审查。
- 接受不完美 —— 稍有偏差的图片总比根本没有发布要好。
- 知道何时不该使用 AI —— 写 20 行 Python 代码往往比为 LLM 编写提示更快。
添加 AI 前的决策清单
- 任务真的重复吗？（每次完全相同，而不仅仅是无聊。）
- 输出可以验证吗？（能否自动检查正确性？）
- 失败成本低吗？（错误的社交帖子可以修正；错误的数据库迁移则不可接受。）
如果以上三个答案都是 是，则可以自动化。只要有一个 否，请再三考虑。
实践建议
- 从最高频、最低风险的任务开始。
- 先构建监控再构建代理。
- 优先使用 JSON 状态文件而非数据库来保存代理状态。
- 免费层 LLM 已足以完成约 80 % 的任务。
- 以 80 % 质量可靠运行的代理，胜过仅在 60 % 时间内完美运行的代理。
结论
AI 革命是真实存在的，但它是一次演进，而非彻底替代。日常工作改变了——但并未消失。
有什么想法？欢迎在 sborka.work 讨论。