用AI越多，为什么越来越累？

大多数人踩的那个隐形陷阱

本文约 2100 字，阅读需 5 分钟

3月15日深夜，一位叫 Tom 的程序员在 Hacker News 发了一篇文章，标题叫「LLMs can be absolutely exhausting」（LLM 会把人榨干），几个小时内冲上了首页热榜，205 个赞，147 条评论——几乎每个人的回复都是：

“这说的就是我。”

Tom 描述了一个熟悉的场景：

有时候我熬了四五个小时和 Claude 或 Codex 搏斗，上床睡觉时心里只有一个问题：刚才到底发生了什么？

然后他发现——第二天状态好的时候，用同一个模型、同一个问题，却顺畅得像换了个人。

模型没变。变的是他。

你以为是 AI 变蠢了

用过 AI 编程工具的人，几乎都有过这种经历：

明明昨天还很顺，今天怎么就开始答非所问？
同样的问题，上午回答得很好，下午全是废话？
这模型是不是又"降智"了？

于是大家开始找锅：

❌ “他们偷偷压缩了模型来省成本”
❌ “是 Context Rot，上下文太长了就变蠢”
❌ “框架太臃肿，加了太多无用的提示词”

这些解释不是没有道理。但 Tom 的观察指向了一个更不舒服的真相：

大多数情况下，AI 没有变蠢。是你提问的质量下降了。

疲劳-提示-输出的死亡螺旋

人在疲劳时，思维质量会系统性下降。这件事在 AI 辅助工作中被严重低估了。

Tom 描述的"死亡螺旋"是这样运转的：

你开始疲劳
    ↓
提示词写得越来越模糊（"你知道吗，就是那个问题……"）
    ↓
AI 只能靠猜，输出质量下降
    ↓
你更沮丧，开始打断 AI、反复修正、情绪化输入
    ↓
上下文窗口被打断的碎片塞满，AI 开始"表演理解"
    ↓
你彻底崩溃，认为是 AI 的问题
    ↓
你更疲劳

这个循环里有一个关键词：认知外包的诱惑。

AI 太擅长"填补空白"了。你说"帮我做个登录功能"，它真的会给你写一个——但它填补的不一定是你想要的那个空白。这让人产生一种错觉：我不用想清楚，AI 会帮我想清楚。

错了。AI 擅长的是执行清晰的意图，而不是替你形成意图。

Tom 的原话很犀利：

如果我没法享受"写出完美提示词"这件事，如果我对结果没有九成把握，那就说明我还没想清楚这个问题。

上下文消耗是 AI 使用中最被忽视的成本

除了提示质量，还有另一个隐性问题：上下文窗口的滥用。

很多人用 AI 的姿势是这样的：

往会话里扔一大堆背景信息
发现不对，继续追加修正
越追加越乱，越乱越追加
上下文窗口用到 80%，模型开始"装作知道"

这不是模型的问题，这是上下文管理能力的缺失。

今天 GitHub 上有一个项目突然爆了：volcengine/OpenViking，字节跳动开源，今天涨了 1870 颗星，总星数破 1.3 万。

这个项目的核心观点很直接：

传统 RAG 是平铺存储，缺乏全局视图。上下文管理需要的是文件系统，而不是向量数据库。

OpenViking 把 Agent 需要的上下文分成三层：

层级	内容	加载策略
L0 核心层	Agent 的角色定义、核心技能、当前任务	每次必须加载
L1 工作层	当前会话的背景、已决定的技术方案	按需加载
L2 归档层	历史对话、已完成的任务记录	只在检索时加载

这个架构翻译成人话就是：

不是所有信息都要在当前会话里，但所有信息都应该在需要时能被找到。

这对个人 AI 使用习惯有一个很有意思的启示——

3 个让 AI 使用不再"榨干你"的方法

方法一：识别"临界信号"，立即停止

Tom 的核心建议是建立一个元认知信号：

当我不再享受写提示词这件事的时候，就是该停下来的时候了。

具体来说，你可以观察这几个信号：

你开始用"随便你"、"差不多就行"这类表达
你提交了一个自己都没想清楚的提示词
你开始打断 AI 而不是等它完成

出现这些信号，不是继续加大力度，而是关掉会话，去睡觉或者去散步。

这听起来很简单，但大多数人的本能是"再推一把就好了"——这往往是最浪费时间的选择。

方法二：把反馈循环压缩到 5 分钟以内

Tom 描述过一个痛苦经历：他在调试一个解析 bug，每次修改都要重新跑一遍大文件，等 10-15 分钟才知道对不对。

他的解法是：让 AI 帮他先把反馈循环加速。

具体操作：

开一个新会话
说明：我现在有一个问题，但反馈太慢。帮我设计一个能在 5 分钟内复现这个问题的最小测试用例
拿到快速反馈路径后，再开始实际解决问题

这本质上是 TDD 的思路——先花时间建立快速验证机制，而不是直接开干。

当你的"slot machine"每次只需要 3 分钟而不是 30 分钟，你的心态和效率都会完全不同。

方法三：给自己的 AI 会话建立「上下文分层」意识

借用 OpenViking 的思路，普通人也可以这样管理 AI 会话：

开始一个任务前，先建立 L0：

“我今天要做的事是 X，核心约束是 Y，已经决定的方案是 Z。”

任务过程中，只往 L1 里加当前进展，不往上下文里堆历史废话。

一个子任务结束后，开新会话（或 /compact），把历史归档到 L2。

这样做的结果是：每次 AI 会话都是「轻装上阵」，而不是背着几百轮对话的历史负重前行。

为什么这件事很重要

这不只是效率问题。

当 AI 工具越来越强，能帮你完成的任务越来越复杂，你作为"人类协作者"的认知质量，反而变成了最稀缺的资源。

一个清醒、有条理、会管理上下文的人类，和一个疲惫、模糊、随手发提示词的人类，在 AI 面前的产出差距会越来越大——甚至不是线性差距，而是指数级的。

这就是为什么有人用 AI 越用越强，有人越用越累。

不是因为他们用的 AI 不同，而是因为他们带进 AI 对话的认知质量不同。

最后一句话

下次你觉得"AI 今天特别蠢"的时候，先停下来问一句：

我今天的状态怎么样？

你可能会发现答案。

相关链接

HN 原帖: tomjohnell.com/llms-can-be-absolutely-exhausting（搜索标题可达）

volcengine/OpenViking: github.com/volcengine/OpenViking

你有过那种「AI 今天怎么突然变蠢了」的时刻吗？更像是模型问题，还是你自己的状态问题？欢迎留言聊聊你的经验。

关注公众号，每天一篇 AI 实践观察

ai exhaustion context trap