我的“过度工程”踩坑记录：用大模型写个自动关灯脚本

把一个5分钟能搞定的手动操作，花三个周末用 AI Agent 把它自动化，这种“技术自嗨”我干过很多次。

最典型的一次，我为了让家里智能灯能根据我的心情自动切换颜色，搞了一套极其复杂的流程：用语音识别捕捉情绪 → 调用 LLM 分析语义 → 映射到特定的 RGB 颜色值 → 通过 API 推送到智能家居网关。

结果跑起来确实完美，但实际使用中极其离谱：我得对着手机大喊“我现在觉得有点忧郁”，它才会慢吞吞地把灯变成蓝色。而我直接在 App 里点一下只需要 1 秒钟。

这次实操让我意识到，很多时候我们陷入了“技术可行性”的陷阱，而忽略了“产品必要性”。在折腾 AI Agent 工作流的时候，很容易产生一种错觉：只要能用 LLM 解决，就应该用 LLM 解决。

这次复盘给我留下的几个反思点：

• 成本与收益失衡：用昂贵的 Token 和复杂的异步调用去替代一个简单的物理开关，是典型的过度设计。
• 解决伪需求：我以为我需要“情绪灯”，其实我只需要一个好用的快捷指令。
• 学习价值 $\neq$ 商业价值：虽然这个项目没人在意，但通过它我彻底搞清楚了 LLM 的函数调用（Function Calling）在实时系统中的延迟问题。

现在每次开始新项目前，我会强迫自己先回答：如果不用 AI，这个功能怎么实现？如果手动操作只要 3 秒，那么自动化它真的有意义吗？