0. 一些吐槽（仍然是吐槽帖）
有一些人，他们追求着 SOTA 模型，用着最好的模型和 Harness，但是产出几乎为 0。
最近的一个项目中，我认识一个人，使用 Codex with GPT-5.6 Sol Ultra，花了将近 8 亿 tokens，但是没有给我交付什么产品。
8 亿 tokens 是什么概念？它大概相当于几千万个汉字的处理量，足够把一本大部头原著翻来覆去读上很多遍。而这一切换来的，是三天的时间成本、一次次"正在处理中"的等待，和一张触目惊心的账单。
所以想把它写下来，给同样在折腾 AI 的朋友提个醒，也总结总结这次踩坑的教训。（主要是为了吐槽）
1. 为什么 AI 会"空转"？
复盘这个项目，问题基本可以归结为三点：目标不明确、依赖过度、信任盲目。
1.1 目标不明确
目标不明确，是我用 AI 时遇到的最常见的问题。尤其到了现在这个 Agent 时代，这个问题被放大了好几倍。
过去我们用 AI 写一段代码，任务是具体的："写一个函数""修一个 Bug"。但进入 Goal 模式后，我们常常只是丢过去一句——"帮我搭一个项目吧。"
于是，AI 就开始了它的表演：为了一个模糊的目标，它自己决定范围、自己定义验收标准、自己反复重构。每一次迭代，都和真正想要的东西偏离一点，直到彻底跑偏。
空转的本质，不是 AI 不努力，而是它根本不知道终点在哪里。
1.2 过分依赖 AI
过分依赖 AI，特别是在非文本处理领域。
就拿最近那个项目来说，团队从头到尾只用了 AI，没有配合任何其他 skill、MCP 工具，甚至连参数手册都没准备一本。所有的"专业知识"，都指望 AI 凭空生成。
结果也可想而知：表面上看代码能跑起来，实际上摇摇欲坠，根本没法稳定运行。因为缺少人的专业判断和领域检查，很多"看起来合理"的实现，其实踩在了一个又一个错误的假设上。
AI 很擅长给出一个"看起来能跑"的答案，但它不保证这个答案在真实环境里站得住脚。
1.3 过分相信 AI
AI 说到底是个概率模型，它不会像人一样思考，也不会像人一样做决策。
这件事上，我最烦的一句话是："AI 是这样说的。"
当代码跑不起来、接口报错、设计有明显漏洞时，这句话就成了挡箭牌。似乎只要把锅甩给 AI，问题就与自己无关了。但问题是，AI 的每一次输出都是概率采样——同一个问题问它十次，你可能得到十种答案，其中至少七种是错的。
把人应该做的判断，交给一个概率模型，这本身就是最大的风险。
2. 一些经验
如果把这些教训归纳成几条能落地的做法，大概是这样。
2.1 目标要明确，不能模糊
目标一定要落到纸面上，不能模糊。
我自己在使用 AI 的时候，会在 Prompt 中写清楚目标；更好的方式是反过来，让 AI 主动向我询问所有不清楚的问题，把模糊地带消灭在开始工作之前。
在项目根目录下，我会维护一个目标文件，用来记录我需要 AI 完成的任务，通常叫 AGENTS.md（也有人叫 CLAUDE.md，不过那基本上是 Claude Code 在使用）。
这份文件里不止要写"要做什么"，我还会写清楚：
- 项目的最终交付物是什么
- 验收标准是什么
- 不允许 AI 自行决定的边界在哪里
- 遇到分歧时，应该问我还是自己判断
好的 Prompt 不是把话说得更长，而是把范围划得更清。
2.2 依赖 AI 要适度
依赖 AI 要适度，不能把 AI 当成万能的。
工具就该在合适的地方使用：写文档、重构、写测试、解释现有代码，AI 都是好帮手；但在涉及专业判断、架构决策、参数调优、物理世界约束的时候，人必须亲自下场。
我的做法是，把 AI 当成一个能力很强的实习生，而不是一个无所不知的老师。实习生的产出需要 review，需要指导，需要在关键节点上人工把关。
2.3 相信 AI 要适度
相信 AI 要适度，不能把它的输出当作标准答案。
AI 的输出只配当一个"初稿"。任何进入生产环境的代码、任何对外发布的内容，都应该经过人工验证。要学会在交付前问自己一个问题：
如果 AI 在这里说错了，我能不能发现？
如果答案是不能，那这件事就不该全权交给 AI。
2.4 小步快跑
最后一条经验，也是前面三条最直接的落地方式：小步快跑。
小步快跑，是指让 AI 每次只完成一个小目标，而不是一次性完成整个项目。目标拆得越小，模糊地带就越少；每一步都有验收，也就不存在"整体跑偏之后才发现"的惨剧。
我的具体做法是：
- 把大目标拆成小的里程碑，每个里程碑只对应一个可验证的结果
- 每完成一步立刻验证：代码能不能编译、测试能不能通过、输出是否符合预期
- 验证失败就停下来检查，而不是让 AI 在错误的上下文里反复重试、继续烧 tokens
- 每到一个里程碑，重新向 AI 确认下一步，防止它自作主张地扩大范围
跑得慢，反而到得快。真正烧掉几亿 tokens 的项目，往往不是死在"做得慢"，而是死在"一口气想做太多"。
3. 写在最后
回到开头那位朋友。他用最贵的模型，烧了最多的 tokens，却什么也没有交付。这件事最讽刺的地方在于——问题从来不在模型不够强，而在于从目标到执行的整条链路，都交给了概率。
AI 其实只是个放大器：目标清楚，它放大你的效率；目标模糊，它放大你的混乱。最后产出什么，不取决于模型有多贵，而取决于你有多清楚自己想要什么。
到了 AI 时代，自己的思考反而比以前更重要了。以前一个不会思考的人，顶多让产出平庸；现在，错误会被 AI 以更快的速度、更大的规模复制出去。
所以，别停下思考。Keep thinking.