我的AI采用之旅

核心洞察：Mitchell Hashimoto——一位曾对AI持深度怀疑态度的资深技术专家——通过一套六步系统化实践，完成了从抗拒到有效使用的转变。他发现，真正的价值不在于聊天机器人，而在于能够读取文件、执行程序、发起网络请求的智能体（Agent）。关键在于刻意练习、模式转变和工程化约束，而非盲目追随炒作。

引言：从怀疑到拥抱 - 一位技术专家的AI采用心路

技术专家面对新工具，尤其是像AI这样被过度炒作的技术，往往经历一个典型的心理历程：从舒适区的抗拒，到主动探索的效率阵痛期，最终才能抵达工作流重塑的新阶段。资深开发者Mitchell Hashimoto也不例外。他曾公开表示对AI的怀疑，但最终通过一套严谨、可复现的六步方法，找到了AI工具在其工作流中的真实价值。

本文基于Mitchell Hashimoto在2026年2月发表的《My AI Adoption Journey》一文，将其核心实践本地化为中文技术社区的分享。在AI炒作满天飞的环境中，我们需要的不是口号，而是像这样务实、可操作的路线图。

第一步：抛弃聊天机器人，拥抱智能体

几乎所有人的AI初体验都是聊天界面——向ChatGPT或Gemini提问，然后复制粘贴代码。Mitchell的第一次“惊叹时刻”也是如此：将Zed编辑器的命令面板截图丢给Gemini，要求用SwiftUI复现，结果完成度极高。如今Ghostty for macOS中的命令面板，就源于那次几秒钟的生成。

然而，当试图将这种成功复制到已有项目（Brownfield Project） 中时，挫败感接踵而至。聊天机器人严重依赖其训练数据，在复杂、具体的上下文中频频出错。开发者不得不反复进行“复制代码-粘贴错误-纠正提示”的低效循环，速度远低于手动编码。

真正的转折点在于认识到：必须使用“智能体（Agent）”。 在技术语境中，智能体指能够与开发者对话，并能在循环中调用外部行为的大语言模型。其最低能力要求包括：读取本地文件、执行终端程序、发起HTTP请求。只有具备这些能力，AI才能理解你的项目上下文，运行测试验证代码，或查询最新文档——从而摆脱“盲猜”模式。

第二步：刻意练习 - 重复你的工作

理解了工具，下一步是掌握其边界。Mitchell采用了一种近乎“自虐”的练习方法：先完全手动完成一项工作并提交，然后在不参考自己解决方案的前提下，指挥智能体去复现一个质量与功能完全相同的结果。

这个过程极其痛苦，因为它阻碍了“快速完成事情”的本能。但正是这种刻意练习，让他从第一性原理中总结出了关键经验：

• 拆解任务：将会话拆分为多个清晰、可执行的小任务。不要试图在一个会话中“画出整个猫头鹰”。

• 分离规划与执行：对于模糊的需求，先开启一个规划会话明确步骤，再开启执行会话具体操作。

• 提供验证机制：如果给智能体提供验证其工作的方法（如运行测试套件），它往往能自行修复错误并防止退化。

更重要的是，他摸清了智能体的能力边界：擅长什么、不擅长什么，以及如何引导才能获得期望的结果。最大的效率提升，反而来自于知道何时不应该使用智能体，避免了无谓的时间浪费。

第三步：下班前的智能体 - 利用非工作时间

掌握了基础用法后，Mitchell开始寻求效率增益。他的新假设是：能否利用我无法工作的时间，让AI创造价值？ 于是，他养成了一个新习惯：每天工作结束前，留出最后30分钟，专门启动一个或多个智能体任务。

他发现了三类特别适合在此时间段进行的任务：

• 深度研究调查：例如，查找某种编程语言下具有特定许可证的所有库，并为每个库生成包含优缺点、开发活跃度、社区评价的多页摘要。

• 并行探索：针对几个模糊的想法，同时启动多个智能体进行初步探索，不期望立即产出可交付成果，而是为了扫清认知盲区。

• Issue与PR初筛：利用智能体调用GitHub CLI的能力，并行扫描和初步分类Issue与PR。关键是不允许智能体自动回复，只生成报告供次日人工决策。

这30分钟通常是一天中效率较低的时段，将其用于“启动智能体”，相当于为第二天早晨提供了一个高质量的“热启动”，让人能更快进入深度工作状态。

第四步：外包“灌篮得分” - 专注于核心工作

经过前期的积累，Mitchell对智能体能轻松搞定的某类任务建立了高度信心。他将这类任务比喻为篮球中的“灌篮得分（Slam Dunks）”——几乎必然成功。

他的工作模式随之升级：早晨，先审阅前晚智能体生成的报告，筛选出那些“灌篮得分”型任务（例如简单的Bug修复、格式调整、文档更新），然后让智能体在后台逐个执行。

与此同时，他本人则专注于其他需要人类创造力与深度思考的核心工作。 这并非偷懒，而是有意识的注意力分配。为了保持高效，他严格执行一条规则：关闭所有智能体的桌面通知。上下文切换的成本极高，必须由人类来控制何时中断工作去检查进度，而非被AI的通知随意打断。

这种模式也巧妙地回应了关于“AI导致技能退化”的担忧。通过继续手动处理自己喜爱且富有挑战性的任务，Mitchell保持了核心技能的持续精进，而将那些重复、繁琐的“灌篮得分”任务外包，实现了整体产出的优化。

关键实践：关闭智能体通知！ 由你控制何时中断工作，而不是反过来。上下文切换是隐形成本最高的效率杀手。

第五步：工程化约束 - 构建智能体框架

当智能体成为日常伙伴，下一个目标就是提升其首次成功率，减少人工擦屁股的次数。Mitchell将这一过程称为“工程化约束”或“构建智能体框架（Harness Engineering）”。

核心思想是：每当智能体犯下一个错误，就投入精力构建一种机制，确保它永远不会再犯同样的错误。这主要通过两种方式实现：

• 优化隐式提示（AGENTS.md）：对于智能体反复运行错误命令或调用错误API等问题，更新项目中的AGENTS.md文件。该文件作为给智能体的“项目须知”，每一行都源于一次实际错误。例如，Ghostty项目中的AGENTS.md文件就几乎杜绝了所有常见的不良行为。

• 构建编程工具：为智能体编写专用的脚本或工具，使其能够自行验证工作。例如，自动截图对比工具、过滤式测试运行脚本等，并同样在AGENTS.md中告知智能体这些工具的存在和用法。

这一步标志着从“使用工具”到“塑造工具”的转变，是专业工作流与业余玩票之间的分水岭。

第六步：持续运行 - 让智能体成为默认状态

当前五步成为习惯，最终目标便浮现出来：让智能体的运行成为工作流的默认状态。Mitchell为自己设定了这样一个原则：如果当前没有智能体在运行，就应该问自己——“现在有什么任务是智能体可以替我做的吗？”

他偏好结合使用速度较慢但思考更深度的模型（如Amp的Deep模式，基于GPT-5.2-Codex），这类模型可能需要30分钟以上来完成一个小修改，但产出质量显著更高。目前，他选择只运行一个智能体，在享受深度手动工作乐趣的同时，与这位“时而愚笨却异常多产的数字朋友”保持协作。

截至发文时，他大约能在10%-20% 的工作日时间里保持有后台智能体在运行。他坦言，这仍是一个努力的目标，挑战在于持续优化自己的工作流，以产生更多值得委托的、高质量的智能体任务。

总结：一位工匠的务实AI观

回顾这六步历程，从抛弃华而不实的聊天界面，到建立持续运行、工程化约束的智能体工作流，Mitchell Hashimoto展示了一条务实、可复现的AI采用路径。

他的核心立场并非技术狂热，而是一种工匠式的专注：“我不关心AI是否会长期存在，我关心的是作为软件工匠，如何用它更好地构建东西。”他清醒地意识到，AI领域变化迅猛，今天分享的经验可能很快显得天真，但敢于被未来的自己嘲笑，恰恰是成长的证明。

最后，他特别强调对个人选择的尊重：完全理解并尊重任何人出于任何理由选择不使用AI。本文的目的在于分享一套经过验证的个人方法，为感兴趣的同道提供一张可能的地图，而非说服任何人必须踏上旅程。在这个喧嚣的时代，审慎的实践远比盲目的欢呼更有价值。

最终建议：忘掉炒作，从一个小任务开始，尝试与一个真正的智能体合作。经历低效，刻意练习，摸清边界，然后思考如何让它融入——而非颠覆——你的工作流。价值，终将浮现于持续的实践中。

本文基于 Mitchell Hashimoto 于 2026年2月5日发表的《My AI Adoption Journey》编译与重构，已获理念授权进行本地化分享。所有核心观点与六步框架均忠实于原文，旨在为中文技术社区提供一份去伪存真的AI实践参考。