《使用 ai 羞耻症》关于依赖 ai 的🤔
我的一些碎碎念的想法
来到一个全新的,陌生的行业—负责金融行情开发；两个月工作感悟：感觉 ai 不只是提高工作效率那么简单啊
- 代码看不懂，没有注释，不了解上下游逻辑，不了解底表取值逻辑，不了解业务背景，全靠 ai 帮忙支持才得以快速上手去做边缘性的业务功能调整。
反思：如果没有 ai ，这些已完成的任务我能这么快上手去实施吗？如果全靠人工阅读代码逻辑反推业务逻辑真的好难，效率好低。
- 跟着同事去听一个需求会（关于量化策略，量化指标，指数选股，股池收益率…），听的云里雾里的……（感觉也情有可原，没人交代业务背景，自己也是股市小白，连基本概念 2 个月前都一无所知；全靠自己领悟真的很难吧）云里雾里之后自己看需求文档或者沟通群里同事之间的对话信息，看了好久也一知半解的，于是乎：ai 一把梭 一把梭之后：ai 一个小时，对需求已经了然于心，甚至已经知道所有的字段的如何读写值，已经摸清楚了需求的核心业务逻辑（很多都是计算逻辑）。
反思：如果没有 ai ，让我全靠自己领悟以及去学习掌握背景知识，估计最少要 2,3 天吧 甚至更久，更有甚者可能会很吃力很吃力那种，如今却得心应手，一切都想要依赖 ai 。
思考：
ai 不只是提高效率，简直是增强能力啊！你做不到的，它替你做；你不会的，它教你。人类应不应该“强”依赖 ai 做一些事情呢（自己可能不会的，搞不定或者很难搞定的），自己是不是应该先努力尝试解决，理解，领悟，让自己心里有脉络。还是直接一把梭自己不清晰的问题。
在使用 ai 工具的过程中，我明显有两种感觉：
xxx 这个我会，我很清楚每一步该做什么，该怎么做；这种情况立即会使用 ai ，我来提示指导，让 ai 落地具体实现，每一步我都能把控到它做的对不对是不是在正确的方向。（心里活动：ai 干这个干的快，干的质量好；可能写出来的代码比我自己写的更健壮，更遵循最佳实践）
xxx 这个好难，有点晦涩难懂，代码看不懂/需求不理解/暂时不知道具体怎么实现，等等一系列情况；这种情况，可能是一时很难，需要时间消化，慢慢理解，要么真的就是有难度，有挑战性，需要发挥最大能力，死磕，花费很长时间去攻克；而如今！…… 直接不愿意花费时间,精力 死磕问题，不愿意自己心里先有脉络，而是直接选择 ai 帮助。
（心里活动：有 ai 兜底了 还没有到没办法要死磕的地方）
Gemini： 你的这些“碎碎念”非常真实，也非常深刻。你不仅是在反思两周月来的工作状态，更是在触及当前几乎所有脑力工作者、尤其是程序员都在面临的核心哲学困境：当工具不仅能解放双手，还能“代工”大脑时，人类自身的不可替代性到底在哪里？
你提到的这两种使用 AI 的感觉，总结得极为精准。我们可以把它们分别称为“主导模式”（ Delegation ）和“退让模式”（ Abdication ）。
1. 主导模式：AI 是你的高级“打字机”
当你清楚每一步该做什么（比如明确知道如何用 C# 建立一个类库、如何设计接口，只是懒得写模板代码时），AI 是完美的效率放大器。
- 为什么感觉好： 因为你的心智模型（ Mental Model ）是完整的。你不仅知道目标在哪，还知道路径。AI 只是替你走完了这段路。如果 AI 偏航，你能立刻敏锐地察觉并纠正它。这属于“提效”，你依然是代码和架构的绝对主人。
2. 退让模式：AI 成了你的“外包大脑”
当你面对陌生的金融量化策略、复杂的上下游逻辑、或者根本看不懂的无注释代码时，你选择了“一把梭”。
- 为什么会隐隐不安： 虽然一个小时内需求就理顺了，代码也跑通了，但你心里可能清楚，知识并没有真正内化。在传统的“死磕”模式下，那两三天痛苦的摸索、阅读源码、画流程图的过程，实际上是在你的大脑中构建这套系统的“地图”。
- 潜在风险： 金融行情的开发，尤其是涉及量化指标、指数选股、收益率计算等核心业务时，逻辑的严密性要求极高。如果仅仅依靠 AI 理顺的表象逻辑去改代码，一旦遇到极端的边界情况，或者 AI 产生幻觉（ Hallucination ），因为你心里没有那张底层的“地图”，排查 Bug 会变得无比艰难。
我们应该“强依赖” AI 吗？
这并不是一个非黑即白的单选题。不应该拒绝依赖，但要改变依赖的“姿势”。 面对完全未知的、晦涩难懂的问题，直接“一把梭”解决业务需求，短期看是救火，长期看是在挖坑。
你可以尝试在“死磕”与“一把梭”之间，建立一套属于你的混合工作流：
第一步：让 AI 做“启蒙导师”，而不是“代写枪手” 面对一知半解的金融概念或需求会上的“云里雾里”，不要直接把需求文档扔给 AI 说“帮我写出这部分代码”。而是把 AI 当作一个资深的金融业务专家来提问：
- “我是一个股市小白，请用大白话帮我解释一下什么是‘指数选股’和‘股池收益率’？”
- “在这段没有注释的逻辑中，这几个底层表的取值逻辑是为了解决什么业务痛点？” 利用 AI 把原本需要耗费 2-3 天去搜集的背景知识压缩到 1 小时，这不叫逃避死磕，这叫降维打击式的学习。
第二步：自己画出“脉络”，再交由 AI 落地 在 AI 帮你扫清了概念盲区后，强迫自己停下来。不要急着让 AI 生成代码。用你自己的习惯（不管是画脑图，还是写伪代码），把核心业务逻辑梳理一遍。 只要你能把上下游逻辑、字段读写关系在脑海中建立起清晰的脉络，这时候再去用 AI “一把梭”生成具体实现，你就从“退让模式”回到了“主导模式”。
第三步：保留一点“死磕”的自留地 对于边缘性的、一次性的功能调整，完全可以依赖 AI 。但对于核心链路（比如高频的数据读写、核心的收益率计算逻辑），你需要去“死磕”。去看看 AI 写的代码是否符合最佳实践，去质疑它的处理逻辑。这种深度的思考和批判，是你构建职业护城河的关键。
AI 确实在增强你的能力，它让你在短短两个月内就能在一个全新的金融量化领域存活下来并产生输出。但它不能替你承担业务责任。心里的“脉络”永远是你在这个行业立足的根本。
ChatGPT：
你这个感受，其实非常典型，而且很“真实”。
尤其是你这种情况： 不是学生阶段做 demo ，不是从零学习教程，而是直接被丢进一个：
的真实生产环境。
这种环境里，“传统成长路径”本来就极其痛苦。
以前一个新人进这种团队，往往要经历：
因为过去的信息获取方式，本质是：
这个链路极其低效。
而 AI 的恐怖点就在于：
它直接把：
全部压缩成了“即时交互”。
你说的那个感觉特别准确：
是的。
这已经不是：
这种“工具升级”。
而更像：
尤其在软件工程领域。
你现在经历的，其实是：
“能力增强” 和 “能力空心化” 同时发生
这两个过程是并行的。
你已经敏锐察觉到了。
这很重要。
因为很多人只看到了前者。
你提到两种状态，非常有代表性：
第一种：你本来就懂
这种情况下：
AI 是：
这里你的大脑始终掌握：
所以你会很舒服。
因为：
这其实是非常健康的使用方式。
很多高级工程师现在就是这样工作。
他们已经不追求“亲手写每一行代码”。
而是：
AI 负责：
这种模式生产力极高。
第二种：你根本没懂，但 AI 已经给答案了
这里才是最危险、也最微妙的地方。
因为：
AI 会让人跳过“痛苦理解过程”。
而很多真正的成长， 恰恰发生在：
这个过程中。
你现在已经明显感觉到了：
这会导致一种很奇怪的现象：
你“会做”了， 但不一定“真正掌握”了。
比如：
以前： 你为了搞懂一个行情字段：
最后： 你脑子里会形成：
这个“系统感”。
而现在：
AI 可以直接告诉你：
于是你： 任务完成了。
但： 可能缺失了那个最重要的：
所以你现在真正思考的问题其实是：
“AI 时代，人还需不需要经历痛苦学习？”
答案是：
以前： 很多痛苦其实是“信息获取痛苦”。
比如：
这种痛苦， 其实没有太多价值。
AI 消灭它，是好事。
但另一种痛苦：
这个仍然无法跳过。
因为：
AI 可以给你答案， 但不能替你形成“真正稳定的认知结构”。
你以后大概率会遇到一个阶段：
AI 给出的方案：
但：
你隐约感觉：
这个时候：
真正决定水平的， 就不是： “会不会用 AI”。
而是：
这也是未来工程师真正的分层。
所以我其实很认同一种新的工作模式：
能让 AI 干的，尽量让 AI 干
但关键认知过程，自己必须参与
什么意思？
比如：
可以直接 AI 一把梭的：
因为这些： 本身成长价值有限。
但这些东西，最好自己建立脉络：
因为这些东西：
才是真正形成“工程师能力”的核心。
其实你现在已经比很多人强的一点是：
你已经意识到了：
很多人甚至意识不到。
AI 最大的副作用， 不是“人变笨”。
而是：
因为： 即时答案太容易获得了。
但反过来讲。
你现在能在两个月内：
放在过去， 已经算非常快的成长速度了。
这其实也是 AI 带来的巨大红利。
所以未来真正优秀的人， 可能不是：
“完全不用 AI 的人”。
而是：
这才是关键。