相信现在很少有人不用 AI，做调研、写论文、做报告…… AI 早已浸入生活方方面面。而对 AI 的焦虑情绪也随应用场景越来越落地而蔓延。诚然，论垂直领域顶尖表现，AI 比不过人类顶尖专家，但很大一部分工作内容的组成并不需要 99 分的能力，70、80 分足够使用。
作为一个未来迟早面对择业问题的 PhD 在读学生，这种焦虑和不确定性同样在心中萦绕许久，甚至开始影响科研生活心态， 接触 Claude Code 满血 Plan 后这份情绪被进一步放大，最顶尖的模型和不限速的吞吐，开始理解为什么 X 上渲染一股 AI 取代一切的氛围，并在小红书产出了很多民科文章。
"To understand a house, one must build it." 面对 AI 焦虑，不如把自己作为变量，投入到一场“全面自动化”的压力测试。以订阅 Plan 开始纪年，一代目合拼账户坚持了 3 天封号，二代目到现在已坚持 6 天有余，算上中间戒断的两三天，总共两周左右。
一些踩坑
早期也是被 Claude Code 创始人 Boris Cherny 分享使用经验鼓动[1]，尝试多并发以掩藏延时，以纯自然语言对话交互完成端到端的开发。盲目挪用这种方法很快撞到边界：
- 垂直任务激进用 AI 取代。 博主研究领域是芯片设计，刚开始大胆地将一些实际工程需求让 AI 接手。显然模型没太在训练时见过太多 Verilog 代码，纯指挥 AI 倒也不是不能做，只是等待修正对话的时间不一定比我直接上手改来得快，并且这种开发模式很挫败积极性[2]。Boris 说的方式应该只能在 AI 比较熟悉的框架下体验比较 sweet。
- 用社媒对话式管理开发。 如果开发能够纯以自然语言交互，纯自然语言交互最成熟的模型便是社交媒体。于是也开始在社交媒体中接入 bot，幻想能够在无聊的通勤时间也能跑跑程序看看结果，确保 AI 一直在工作。但在垂直领域开发很难绕开具体代码，而小小的手机屏幕+纯自然语言还是很难直观展示代码。而从第一性上来说，通勤可能也就周末出门会占用几个小时，提高 AI 运行时间的大头是利用上晚上睡觉的时间。
方法论
结合踩坑经验，我想需要以更加科学的方法论重新审视 AI 协作，不要 vibe coding，而是要让 agentic 可复现、可量化、可改进，尽管目前的进度离愿景尚有距离，但这构成了底层实验方法论：
- 获取具有统计意义结果： 科学研究第一件事是搭建研究平台，确保结果具有显著性意义。在深度冲浪和调研文献后，社媒上很多推介使用方法比如 ralph loop 没有明确的结果对比，而学术界很多指标已落后实际生产。还是拿芯片设计领域举例，Verilog Eval benchmark 包含 HDL Bits 的几百个模块，每个模块长度最多 200 行，远远不能满足实际生产动辄上万上代码、数百个模块连接的复杂场景，一些更新的 benchmark 则太新很少测试数据并且不满足我的测量需求。需要自己定义测试集，测试不同供应商，并 profilling token 开销/延时占比这类量化 metric；
- 全场景闭环优于局部打磨： 目前的 AI 只能做好纯数字任务，纯数字任务中又很难放手处理垂类任务。打通垂类要经过数百小时的磨合，且磨合本身便是违反“the bitter lesson”, 违背模型“智价比”不断增长规律。类似摩尔定律，agentic workflow 也需要对模型智能鲁棒性，有可能耗费数个月调试的 skill 规律，新模型发布直接变为技术债务。垂类研究只占生活中一部分，还有诸如看邮件、跟踪课程作业等等很多细碎事情，因此激进尝试将生活中一切数字任务用 AI 裸模和裸服务替代，打通闭环反馈迭代；
- 按公司架构模式设计系统： 一个 AI 效用指标是 “AI 每天运行时间”，比如如果开了 3 台机器，每台机器运行 4 小时，那么算一天运行了 12 小时。这个指标量化了 AI 撬动生活的算力杠杆。而人类-AI 系统很容易在人类上成为瓶颈，随着 AI 每天产出的信息越来越多，人类不可能把握每个一个细节。让 AI 自动化的关键是赋予系统自我纠错演化的能力，参考公司架构一样协作，有 AI 调研、AI 干活、AI 验收、AI 总结改进系统，人类作为 CEO 把握大方向，而这不可避免进一步对 AI 放权。而在场景打通的早期好比创业，人类作为一个万能组件，像胶水一样粘合整个系统运作起来，迭代直到各个部门业务线稳定。
体验报告
生产力场景
进度总结：高估了网页前端开发能力，垂类场景意料之中困难，需要进一步扩大测试规模。
测试模型：
- Claude Code + Claude Opus 4.5 / Mini Max 2.1 / Kimi K 2.5
- Gemini CLI + Gemini 3.0 pro
- Opencode + Claude Opus 4.5 (copilot)
- Copilot + Claude Opus 4.5 / GPT Codex 5.1
- Kimi k 2.5 Web
在早期测试模型尝试过 Gemini 、国产 MiniMax 2.1 和 Kimi k 2.5，切换到 Claude Opus 4.5 后交互次数显著降低，也遇到 Kimi k 2.5 在 CC 上容易上下文爆炸问题（然后不兼容 cc 的 autocompact 格式被迫清空上下文），后主要收敛在 Claude Opus 4.5 上做测试。测试包含对话式交互以及全自动 ralph loop 测试，尚未对比 claude yolo 模式。包含两个“前端”场景，AI 难以处理的芯片前端和 AI 比较熟练的网页前端。
出人意料，即使在网页前端任务上，Claude Code + Claude Opus 4.5 或者 Kimi k 2.5 Web 也很难一次成功，这里不是指一些交互审美要求，而是经常会犯一些低级错误，比如功能漏添加、布局排列明显不合理。好在无论 Opus 或者 Kimi k 2.5 都有视觉处理能力，还需要显式在提示词中提示截屏测试。
芯片任务测试两个场景，（1）让 AI 接管实际生产全 flow 前端流程以及（2）聚焦验证任务：
- 数千行的小模块即使赋予完整的代码和测试用例也很难让 AI 理解。而靠 spec 又很难把握描述粒度的边界，本身写好一个好的 spec 不比开发 RTL 难度低，而描述过于笼统则需要频繁交互消耗开发者心力。
- 从 ChipAgent 半年多以前放出的 demo [3] 来看就像 Claude Code CLI + 看波形的能力，于是用 MCP 复刻了相同功能。并自己构建测试集，和不看波形纯改 tb 看 log 做消融实验，在目前测试结果上来看二者没有显著性差异，波形 MCP 总体 token 和延时消耗更高但置信度较低，函待进一步扩大测试规模。不过波形 MCP 非常利好人类使用，波形完美兼容现有工作流，特别是集成测试场景，不用操作一堆 gui 界面开发体验良好很多；其次相比 tb 改一次看一次 log 频繁修改，波形作为交付格式版本更加稳定。
说回运行效率，目前实验顶多能连续跑 3 个多小时，离“覆盖睡眠时间”的目标还差得远。至于 Ralph-loop 这种方法论到底是不是智商税，我还没腾出手做消融实验去证伪。
最近社区有两个实验挺出圈，刚好撞出了 AI 自动化的“天花板”和“地板”：一个是 Cursor 挑战 7 天手搓浏览器，结果几百个 Agent 哪怕“背诵”开源代码也翻了车，这算试出了 AI 处理超大型工程的智力下限；另一个是 Opus 4.6 挑战用 Rust 写 C 编译器，据说可以编译 Linux 内核了，有一点意思。
生活场景
进度总结：接口难以获取，手机 Agent 表现惊喜
测试模型：
- Claude Code + Claude Code Opus 4.5 + Playwright / Browser-use [4]
- Microsoft Copilot 365
- AutoGLM 9B
“生活场景”这一定义并不恰当，工作中的看邮件看通知也被归为这类。生活场景目的在于使用 AI 处理消息来源的接口复杂，比如上学期一门课程就有邮件、学校选课网站、课程自己论坛三个消息渠道，获取最新消息十分疲惫；邮箱一天至少要收到 10 多封邮件，以后这个数字只会只多不少；又比如规划旅游行程要在小红书、地图、美团、交通购票软件频繁切换，对于选择困难症往往定好行程也要数个小时。
相比垂直场景，这一类场景是“技术过剩、商业模式不足”。以 AutoGLM 手机 agent 为例，云端推理目前 AutoGLM 瓶颈完全在模型推理而不在操作通信上，模型仅仅 9B 表现已足够亮眼，infra 建好完全可以将吞吐拉到每秒数百乃至千 token 吞吐；而就算边缘推理，手机配上顶尖工艺 NPU，模型稍微压缩量化，9B 也完全能在本地带起来。总结消息、操作屏幕并不需要太强的智能，但 Agent 本质上在解构平台的流量话语权，于是出现豆包手机被大厂联合封杀，网站严格的反 bot 机制。关键不在技术而在商业上，如何在技术冲击下开辟出一条可行的商业模式。
这方面场景体验大部分都卡在平台拦截上，想连通校园微软邮箱只能经过 OAuto 2.0 协议，而校园邮箱似乎又有诸多限制无法打通；浏览器爬取又在和各种 WAF 较劲，账户登录又需要 2 FA 。体验最好反而是使用官方的平台，Microsoft Copilot 自带 Outlook 集成终于让我愿意每天看邮件；浏览器爬取上 Browser-use 虽然也会遇到 WAF，相比自己的策略绕过阻碍成功概率更大一些，打通完整系统还需要时间。
总结和展望
还有一些比如 DeepResearch 调研场景由于测试较少不再展开。这两周的探索有一些惊喜，但总体对实际生活改变影响不大。同时这两周探索同样也暴露三个问题：
技术债务。 尽管在实验设计之处便考虑这方面，但在生产力场景仍然很难避免 flow 与模型的竞争，AI 模型迭代发展又太快，发布一代新模型很多结论测试都失去意义。以 Anthropic 家模型为例，想要让方法论达到同样按月的迭代速度，似乎只能更大程度放权给 AI 提高自动化程度。
| 发布日期 | 模型版本 | 发布间隔 |
|---|---|---|
| 2024-03-04 | Claude 3 系列 (Opus, Sonnet, Haiku) | — |
| 2024-06-20 | Claude 3.5 Sonnet | 108 天 (~3.5 个月) |
| 2024-10-22 | Claude 3.5 Sonnet (升级版) & 3.5 Haiku | 124 天 (~4 个月) |
| 2025-02-24 | Claude 3.7 Sonnet | 125 天 (~4 个月) |
| 2025-05-22 | Claude 4 系列 (Opus, Sonnet) | 87 天 (~3 个月) |
| 2025-08-15 | Claude 4.1 Opus | 85 天 (~3 个月) |
| 2025-09-25 | Claude 4.5 Sonnet | 41 天 (~1.5 个月) |
| 2025-10-30 | Claude 4.5 Haiku | 35 天 (~1 个月) |
| 2025-11-20 | Claude 4.5 Opus | 21 天 (<1 个月) |
| 2026-02-04 | Claude 4.6 Opus | 76 天 (~2.5 个月) |
学习吸收效率减缓。 虽然 AI 大大加速产出工程速度，但在领域研究深度上这阵子大大减缓。一方面是很多知识是从实践中总结，AI 隔断了具体实践；另一方面 AI 只懂见过的东西，不能创造新抽象新知识。这阵子芯片相关博客产出减少相比和加大 AI 使用有一定关联。
削弱个体生产比重。 中间封号那几天空窗期，一旦 AI 被掐断，那些项目都不想手动去调，这种戒断反应在 Lab 同学里还不是个例。用惯了顶尖模型，很难没法忍受降级甚至回到纯手工开发。依赖感的背后揭露一个事实：个体在生产中的比重正在被算力这种“重资本”稀释。这事在半导体领域不是新鲜事——搞芯片个人价值需要借助昂贵的 EDA 工具和流片预算展现。一般来说，一个领域越依赖资本，个体空间越小，入场券就越贵，也就越容易形成垄断。
很显然 AI 工具的使用还有非常大的改进空间，只要相信 AI 智能会不断增强，就绕不开如何和 AI 共生的话题，以后还会继续投入探索。
https://x.com/i/status/2017742741636321619 ↩︎
https://www.zhihu.com/pin/1991459378382001493 ↩︎
https://chipagents.ai/ ↩︎
https://github.com/browser-use/browser-use ↩︎