为什么追求全自动的 AI 工作流反而让我们失去了创造的快感

最近在构建 AI Agent 的过程中，我陷入了一种很诡异的矛盾：工具的进化速度是指数级的，但每完成一个项目的满足感却在持续下降。很多开发者和 Prompt 工程师现在都掉进了一个同样的误区——试图用 AI 替代掉所有的思考环节，追求极致的自动化。结果就是，最终产出的东西虽然符合所有逻辑闭环，却像工业标准件一样毫无灵气，变成了一种“高效的空虚”。

这种现象在追求零报错部署的复杂工作流中尤为明显。当你把一个 Agent 优化到极致，让它变成一个完全封闭的黑盒时，你对结果的掌控感其实在悄悄消失。技术异化就在于此：我们以为在节省时间，实际上是在剥夺自己作为创造者的参与感。

要打破这种“低快感陷阱”，我认为在实操层面不能再死磕“全自动”，而应该尝试引入一些“人机协作的摩擦感”。

首先，建议在 System Prompt 中引入随机性变量，打破那种死板的、可预测的输出。大多数人习惯写极其精准的指令来锁定结果，但这恰恰是导致 AI 产出“AI 味”太重的原因。试着给 AI 赋予某种“批判精神”，让它在给出标准答案后，尝试从相反视角提出挑衅性问题。

例如，你可以尝试在提示词中加入这段逻辑：
“你现在不仅是一个执行者，还是一个带有批判精神的观察员。在给出标准答案后，请尝试从一个完全相反的视角提出一个挑衅性的问题，挑战之前的结论。”
当你面对一个会质疑你的 AI 时，这种不可预测的碰撞反而会激发你大脑的活跃度，让创作过程重新变得有趣。

其次，在设计复杂工作流时，必须刻意建立“手动干预点”（Human-in-the-loop）。不要试图一步到位地生成最终成品，而是在关键节点设置人工确认环节。当你亲手修改一个关键参数，或者在 AI 生成的粗糙草稿上加上自己的注脚时，那种通过干预而获得结果的愉悦感才会回来。掌控感不是来自“一键生成”，而是来自“我知道在这里我做了决定”。

最后，我建议把注意力从构建“超级 Agent”转移到关注微小的实操成就上。很多人执着于搭建一个能接管所有业务的庞大系统，但面对这种空洞的架构，人很容易产生疲惫感。相反，写一个能切实解决具体痛点的极小脚本，带来的正向反馈要真实得多。

比如，与其依赖大模型全自动处理文档（结果往往伴随着大量的冗余口癖），不如自己写一个简单的 Python 文本清洗脚本。即便只是利用 re 模块做简单的正则替换，这种从零到一的可见反馈也比面对一个黑盒系统要爽快得多。

这里分享一个简单的文本清洗逻辑，专门用来剔除那些典型的 AI 口癖：

import re

def clean_text(text):
    # 定义需要剔除的冗余AI口癖模式
    patterns = [r'首先，', r'总之，', r'综上所述，', r'值得注意的是，']
    for p in patterns:
        text = re.sub(p, '', text)
    return text.strip()

这种简单的代码实现，其实就是一种对技术掌控权的夺回。

总的来说，技术应该是增强人的感官，而不是替代人的感知。当我们把关注点从“如何让它更快”转移到“如何让它更有趣”时，那种丢失的成就感才会重新出现。不要害怕那些所谓的“低效”环节，因为正是那些摩擦感，定义了我们作为创造者的价值。