折腾了那么多 AI 工具后，我反而想劝你先别急着追新

这半年，AI 圈最不缺的就是新东西。

今天大家在聊新的模型，明天在装新的客户端，后天又开始研究 MCP、Skills、Agent、自动编程、工作流编排。朋友圈、推特、群聊里永远都有一种气氛：你要是没跟上，就落伍了。

我一开始也是这么想的。

看到新工具就想试，看到新框架就想接，看到别人晒一套自动化流程，就忍不住打开电脑开始配环境。 结果折腾了一圈之后，我开始反过来问自己一个问题：

这些东西，到底有没有真正帮我解决问题？

不是“看起来很先进”。 不是“好像以后会很有用”。 不是“我已经会配了所以舍不得放弃”。 而是一个非常现实的问题：

它有没有进入我的真实工作流？有没有提升效率？有没有替我省下时间和脑力？

很多时候，答案其实没那么乐观。

---

大家追的，很多其实不是“效率”，而是“参与感”

现在很多人对 AI 工具的热情，本质上有点像前几年大家折腾 NAS、机械键盘、Obsidian、Vim 配置、生产力系统。

它们当然都不是没用。 但问题在于，很多人获得的并不是结果，而是“我正在使用先进工具”的满足感。

这种感觉特别容易上头。

比如：

• 装了十几个 AI 客户端，真正每天用的只有一个
• 配了一堆 MCP，最后连一个高频场景都没跑通
• 看了很多 Skills、Agent 的教程，但没落地到自己的工作流程里
• 各种编程辅助工具都试了一遍，结果写代码还是老样子
• 工作流搭得很复杂，实际节省的时间还不如手动做

你会发现，很多时候我们不是在追求“更高效”，而是在追求一种 “我已经站在技术浪潮最前面”的心理安全感。

这没什么丢人的，我自己也经历过。 但如果你真想把 AI 用起来，第一步不是继续追新，而是先承认这件事：

很多 AI 折腾，满足的是情绪，不是生产力。

---

判断 AI 工具有没有价值，只看一件事：它有没有进入你的日常

我现在看一个 AI 工具值不值得继续用，标准特别简单：

它是不是已经进入了我的高频工作场景。

不是我“会不会用”，而是我“是不是离不开它”。

这个区别很重要。

1. 低价值使用：偶尔惊艳一下

比如有些工具第一次用的时候很震撼：

• 能自动帮你写代码
• 能自动连一堆服务
• 能看起来像个全能 Agent
• 能做很复杂的自动化演示

但你用了两次之后，发现：

• 触发条件太苛刻
• 配置成本太高
• 出错率太高
• 改起来比手工还麻烦
• 不适合你真实的工作节奏

那它大概率只是一个“演示价值”很高的工具，不是“日常价值”很高的工具。

2. 高价值使用：天天都在用，甚至懒得换

真正有价值的 AI 工具通常没那么花哨，它的特点反而很朴素：

• 你几乎每天都要打开
• 你已经形成固定用法
• 它减少了重复劳动
• 它让你少切换上下文
• 它替你处理了本来很耗精力的部分

比如对很多人来说，真正最有价值的 AI 使用方式，可能不是复杂 Agent，而是这些很普通的事：

• 帮你整理思路
• 帮你改写文档
• 帮你写初版方案
• 帮你读长文和总结重点
• 帮你快速生成代码骨架
• 帮你查漏补缺、做 review
• 帮你把“卡住的 30 分钟”缩短成 5 分钟

这类能力没有那么炫，但它们真的会改变你的日常工作效率。

所以，别老问“这个工具厉不厉害”，先问：

我会不会在一周内稳定用它五次以上？

如果不能，那它大概率还不是你的工具，只是你围观过的工具。

---

MCP、Skills、编程工具这些东西，不是没用，而是很容易“工具先行”

我现在越来越觉得，很多人用 AI 最大的问题不是能力不够，而是顺序反了。

正确顺序应该是：

先有明确问题，再找工具。

但现实里很多人是反过来的：

先装工具，再努力给它找问题。

这就很容易陷入“工具先行”的陷阱。

1. MCP 很酷，但不是所有人都需要

MCP 这类东西，本质上是在帮模型接更多上下文和外部能力。 它很强，但它真正适合的是这些场景：

• 你有稳定的外部数据源
• 你有明确要调用的工具链
• 你有重复执行的任务流程
• 你愿意维护接口、权限、稳定性

如果你连自己的高频场景都没想清楚，上来就接一堆 MCP，结果通常就是：

• 配的时候很兴奋
• 跑的时候问题很多
• 平时根本用不上
• 一段时间后就放着吃灰

MCP 不是不能折腾，而是要先问：

我到底想让 AI 连接什么，替我完成哪一步？

如果这个问题答不上来，那大概率只是“为了接而接”。

2. Skills 也一样，关键不在“有多少”，而在“有没有复用”

很多人看到 Skills 会很激动，因为它让 AI 不只是会聊天，而是可以沉淀固定流程、固定套路、固定输出格式。

这当然有价值。 但 Skills 的价值不在于“我做了几个”，而在于：

这个能力是不是会被反复复用。

比如下面这些就比较适合做成稳定能力：

• 周报生成
• 技术文档整理
• PRD 初稿输出
• 代码审查模板
• 常见问题排查流程
• 某个业务场景的固定分析框架

而很多人做 Skills 的时候，问题是把“一次性需求”也硬做成流程化能力。 最后不仅复用率低，维护成本还高。

说白了，不是所有流程都值得产品化，也不是所有习惯都值得自动化。

3. 编程工具最容易让人产生“我效率变高了”的幻觉

AI 编程这块尤其明显。

因为它最容易给人即时反馈。 你输入一句，它啪一下生成一大段。 视觉冲击特别强，成就感也特别高。

但真实效率不等于“生成速度”。

真正影响效率的，通常是下面这些：

• 生成的代码是否靠谱
• 你是否能快速校验
• 出 bug 后你是否更难定位
• 它是否真的减少了思考负担
• 还是只是把“写代码”变成了“审代码”

很多时候，AI 编程工具确实能提速，但提速的不是所有环节。

它最适合的是：

• 搭脚手架
• 写重复代码
• 补全样板逻辑
• 做 API 调用示例
• 写测试用例初稿
• 快速探索陌生库的写法

它不太适合的是：

• 替你做关键架构决策
• 替你理解复杂业务约束
• 替你兜底高风险逻辑
• 替你保证最终代码质量

所以我现在对 AI 编程的理解很简单：

它最像一个速度很快的初级工程师，而不是一个可以完全托管的高级工程师。

用得好，确实提效。 用不好，就会变成代码债务加速器。

---

我后来只保留两类 AI 用法：高频的，和高杠杆的

折腾久了之后，我现在会故意克制自己，不再追求“全都试一遍”，而是只保留两类 AI 用法。

1. 高频用法：每天都能省一点

这类场景单次收益不一定大，但天天都能用。

比如：

• 写文档前先让 AI 帮我列提纲
• 技术方案写完后让 AI 帮我做结构检查
• 遇到卡点时让 AI 帮我拆问题
• 看长材料时先让 AI 提炼重点
• 写代码时让 AI 先给出一个可运行版本
• 做表达润色，把“我知道但说不清”的内容先说出来

这类使用方式的好处是： 它不要求完美，但持续能省脑力。

而工作中最珍贵的，很多时候不是节省体力，是节省“切入问题的心理成本”。

2. 高杠杆用法：偶尔用一次，但能省很多时间

这类场景不是天天发生，但一旦发生，收益非常大。

比如：

• 快速读懂一个陌生技术方向
• 帮你梳理复杂需求的边界
• 快速搭建一个 demo
• 将零散想法整理成成型文章
• 用统一格式批量处理信息
• 帮团队做知识沉淀和标准化输出

这种场景下，AI 的价值不是替你做全部，而是帮你跨过最难开始的那一步。

很多任务真正卡人的，不是执行，而是：

• 不知道从哪开始
• 不知道怎么组织
• 不知道什么算完整
• 不知道哪里有坑

AI 在这里非常有用，因为它能先给你一个“可迭代的起点”。

---

判断自己是不是在“假装高效”，有几个很直接的标准

如果你最近也在密集折腾 AI，我觉得可以对照看看。

1. 你花在配置上的时间，是否超过了节省的时间

这个特别重要。

很多自动化、工作流、MCP 链路看起来很高级，但如果你搭 3 小时，只能省 20 分钟，而且这个流程还不稳定，那本质上是亏的。

除非它未来会被大量复用。 否则这不是提效，这是娱乐。

2. 你是否总在看教程，而不是沉淀自己的用法

如果你每天都在关注“别人又发现了什么新工具”，但没有把任何一种方法真正变成自己的固定工作流，那你其实一直在输入，没有完成转化。

真正有价值的成长通常不是：

“我知道了更多工具。”

而是：

“我固定下来了一套自己真的会反复使用的方法。”

3. 你是否越来越依赖复杂系统，反而失去简单解决问题的能力

这是很容易被忽视的一点。

有些人用了很多 AI 工具以后，开始什么都想自动化、流程化、Agent 化。 结果一个本来 5 分钟能干完的事，非要设计成一个 30 分钟的系统。

这不是能力增强，而是复杂性上瘾。

技术人很容易掉进这个坑，因为我们天然喜欢构建系统。 但现实世界奖励的不是“系统最复杂”，而是“问题解决得最快”。

---

AI 真正厉害的地方，不是替你干活，而是放大你的判断力

我现在越来越不把 AI 当“自动替身”，而更愿意把它当成一种认知放大器。

它最有价值的地方，不是完全代替你，而是放大你已经具备的东西：

• 你会写，它让你写得更快
• 你会想，它让你想得更完整
• 你会判断，它让你更快比较方案
• 你会编程，它让你更快落地
• 你会表达，它让你更快组织内容

但反过来说，如果一个人没有目标、没有判断、没有优先级，只是不断追工具，那 AI 只会放大混乱。

所以，AI 用到最后，拼的其实不是谁装的工具多，而是：

• 谁更清楚自己要解决什么问题
• 谁更知道哪些步骤值得自动化
• 谁更懂得在什么地方信 AI，什么地方不信
• 谁能把“能力展示”变成“结果交付”

---

对普通人来说，最实用的 AI 策略其实很朴素

如果你不想再陷入“永远在追新”的状态，我觉得可以试试一个很简单的原则：

只保留 3 类东西

第一类，一个你最顺手的主工具。 不要装太多，选一个你真正每天会打开的。

第二类，两三个已经证明高频有效的场景。 比如写作、总结、代码辅助、资料阅读、会议整理。

第三类，一个月复盘一次：它到底帮你省了什么。 不是感觉，而是具体：

• 省了多少时间
• 少了哪些重复劳动
• 哪些场景已经形成习惯
• 哪些工具只是偶尔炫一下但没留下来

这样你会慢慢发现，真正有价值的 AI 使用经验，并不复杂。

不是“什么都懂一点”，而是“有几招特别稳”。

---

结尾：别让自己成为 AI 浪潮里的勤奋围观者

现在这个阶段，最容易出现的一种人，不是不学习的人，而是学了很多、试了很多、配置了很多，但没有真正把 AI 变成生产力的人。

他很勤奋。 他很关注前沿。 他知道很多术语。 他甚至能讲很多框架。

但最后回到工作里，效率并没有明显变化，产出也没有质变。

这其实挺可惜的。

因为 AI 的真正价值，从来不是给你更多可聊的话题， 而是让你在真实工作里：

• 少一点重复
• 少一点卡顿
• 少一点低价值消耗
• 多一点判断
• 多一点产出
• 多一点把事情做完的速度

所以比起继续追下一个新工具，我现在更在意的是：

这个东西，明天我还会不会用？ 下周我还会不会打开？ 它到底在帮我完成工作，还是只是让我觉得自己很先进？

想明白这几个问题，可能比再多装十个 AI 软件都更重要。