我如何使用 AI：2026 年 10 月的视角

向代理工作流的转变

截至 2026 年 10 月，AI 辅助开发的范式已从简单的自动补全转向了代理式编码（agentic coding）。开发者不再逐行编写代码，而是管理多个 AI 代理——例如 Claude Code、OpenCode 或 Codex——它们在隔离的 Git 工作树中处理功能实现、错误复现和测试。这些代理显著加快了原型设计速度并允许快速实验，但它们并不能取代人类工程。如果缺乏引导，代理往往会产生过度架构化、难以阅读或“凭感觉编码”（vibe-coded）的解决方案。人类的品味、架构监督和严格的手动验证对于确保最终产出的质量和可维护性仍然至关重要。

代理疲劳的现实

虽然代理式编码提供了巨大的速度，但它引入了一种令人精疲力竭的新型认知负荷。在不同任务中同时与多个代理进行对话可能会导致过度刺激。用户经常报告编程的“冥想”乐趣有所下降，因为编写代码的行为被自动化系统的管理所取代。此外，存在一种持续的“AI 迷雾”风险，即审查、调试和纠正 AI 生成代码所需的工作量可能会超过从头开始编写代码的工作量。

研究与学习

生成式 AI 已成为搜索和文献综述的默认界面，在综合细微数据方面往往优于传统搜索引擎。然而，AI 对于原创研究来说仍然是一个不完美的工具。虽然模型在解释众所周知的概念和充当苏格拉底式导师方面表现出色，但在处理复杂的原创问题时，它们可能会误导研究人员。用户需警惕 LLM 可能表现出的微妙偏见或“幻觉”架构，因此必须依赖人类专家和基础学术文献来为研究奠定基础。

AI 内容生成现状

AI 生成的写作在很大程度上仍然平庸，通常表现为缺乏真正见解的重复、空洞的散文。虽然这些工具在寻找特定词汇时很有用，但它们作为高质量作品的编辑通常是无效的，因为它们倾向于回归平均值且缺乏批判性的细微差别。同样，AI 艺术和视频领域也充斥着“垃圾内容”（slop）——即旨在获取广告收入的低投入、商业驱动型内容。相反，AI 音乐已找到了一席之地，成为人类创造力的一种透镜，尽管社区对商业化、重复的合成内容仍保持警惕。

社区见解与反驳观点

围绕现代 AI 使用的讨论凸显了对“编码问题已解决”这一说法的严重怀疑。批评者认为：

"在许多情况下，阅读代码是无可替代的。我每天都能发现代码（最终规范）中内置的错误假设，而这些假设往往被代理和测试所忽略。" — @handle

其他人指出了当前工作流的经济和实际权衡：

"每月 3000 美元太疯狂了！花 3.6 万美元（一年的支出），你可以买一套配备双 rtx pro 5000 的系统……你从这些系统中获得的东西远不止每月 3000 美元的 token，因为你可以 24/7/365 地运行它。" — @handle

关于人类技能价值的更广泛的哲学辩论也随之展开。评论者指出，社会在看待 AI 辅助工程与 AI 辅助艺术时存在双重标准，并质疑为什么我们庆祝软件创作的民主化，却同时哀悼音乐和视觉艺术中传统工艺的丧失。