让AI成为生产力需保持掌控感

背景

随着 AI 编程、AI Agent 和各类 Skills/MCP 工具的普及，使用者面临一个核心矛盾：AI 能大幅提升效率，但如果完全依赖 AI 输出，缺乏对过程和结果的理解与预判，反而可能在工作场景中埋下隐患。原文作者在 LINUX DO 论坛分享了自己在长期使用 AI 辅助开发、绘图、学习等任务中的核心体会——保持对 AI 的掌控感是让 AI 成为可靠生产力的前提。这种掌控感来源于人的主动学习和对 AI 行为路径的预判能力，而不是盲目堆砌工具或全盘接受 AI 输出。

核心内容

作者认为，AI Agent 的使用不能脱离人对 AI 的掌控感。具体表现为：在按下回车前，使用者能够预判 AI 将要执行的方法和路径；看到 AI 生成的代码时，能看懂并感到质量不错。如果预判失败或 AI 输出超出自身理解范围，人就会产生不自信感——这在个人玩具项目中无妨，但在工作中是“埋雷”行为。因此作者一直在探索如何在 AI 使用中保持掌控感，并强调这离不开人的主动性和持续学习。

作者还指出，许多当前有意识的 AI 使用技巧会随着 AI 能力提升而变得不再必要，但目前仍需探索更好的协作方式。

对 MCP 和 Skills 的看法

作者认为只有自己针对性制作或修改的 MCP（模型-上下文-协议）和 Skills 才有用。一股脑安装大量第三方工具会让人对 AI 下一步行为、模型可能受其提示词影响感到焦虑，这种焦虑源于掌控感的缺失。作者更倾向于阅读他人写的 Skills，手工复制并修改，然后主动决定哪些技能由自己主动触发，哪些允许模型主动调用。

具体场景策略

1. 绘图及汇报

   • Drawio MCP：可编辑流程图。
   • HTML 图文混排：上限极高，适合复杂排版。
   • SVG：适合单图元素，轻量可编辑。

2. 通用策略

   • 控制任务粒度，复杂任务务必拆分。
   • 任意需求都可通过“grill”（反复拷问）方式明确细节，再执行。

3. 开发新项目

   • 使用 grill 拷问式明确需求细节。
   • 通用环节：确定软件架构、技术栈选择。
   • 前端环节：明确设计风格、组件库。
   • 采用 TDD（测试驱动开发），人类提供 AI 可用的测试环境（含浏览器操作）。

4. 接手或维护项目

   • 快速了解全局架构，帮人建立全貌。
   • 探索中：让 AI 生成一套可信文档，从文档了解架构后逐个迭代了解细节。
   • 针对需求的全景探查：不漏掉可能的最佳方案。作者指出 AI 注意力可能不足，给出的方案不一定最佳，尤其可能错过复用已有代码的机会。需要人借助 AI 快速了解项目作为基础，或通过 AI 文档参与上下文协助。

5. 学习新知

   • 空白背景的知识生成：探索教学的方法论和快速路径，试图抽象总结并复用到每次学习。
   • 基于项目的新知学习：建立专门文件夹，例如用 Obsidian（推荐主题 Border），AI 直接输出 markdown 文档到文件夹，常看常新。

最后作者强调：在使用 AI 的过程中，仍然非常依赖人对需求的理解和人的“监工”能力。做好 AI 监理离不开终身学习，最后向社区提问“有哪些 useful & useless 的 AI 使用分享”。

关键要点

• 掌控感是生产力的前提：对 AI 输出能看懂、能预判，否则工作中易出问题。
• 拒绝盲目堆砌工具：只使用自己定制或修改过的 MCP/Skills，手动复制、修改、决定调用权限，避免失控焦虑。
• 任务粒度控制：复杂任务必须拆解，让 AI 逐步执行。
• 需求用 grill 反复拷问：任何需求先通过追问明确细节，再让 AI 执行。
• 新项目采用 TDD：人类提供测试环境（含浏览器操作），AI 按测试驱动开发。
• 接手维护项目时先获得全局认知：通过 AI 生成文档或人工快速了解架构，再逐层迭代；注意 AI 可能遗漏最佳复用方案，需人介入判断。
• 学习新知的方法论：空白背景下总结快速学习方法；项目背景下用 Obsidian 建立笔记文件夹，AI 输出 md 直接更新。
• 终身学习是维持掌控感的根本：人的理解能力和监工能力无可替代。

意义与影响

原文提出了一种务实且清醒的 AI 使用哲学：AI 不是万能的生产力工具，而是需要人类保持主动掌控的协作伙伴。在当前 AI 能力尚不稳定、幻觉频发、上下文窗口有限的情况下，这种“控制粒度”思维对于开发者和项目管理者尤为重要。它直接回应了“AI 会不会取代程序员”的焦虑——技术越强大，使用者的判断力、领域知识和流程设计能力就越重要。

作者强调的“自建 Skills/MCP”而非全盘引入第三方工具，代表了从“AI 使用者”到“AI 定制者”的角色转变。这种思路有助于避免模型被无关提示污染、提升输出一致性。

对团队协作而言，文中提出的“grill 拷问”“TDD 测试环境”“文档化学习”等方法，为将 AI 纳入工程流程提供了可操作的手册。同时，“人不预判则埋雷”的警告也警惕管理者不要盲目追求 AI 生成量而忽略质量审核。

长远看，作者认为许多当前策略会随 AI 能力提升而失效，但探索更好协作方式的必要性不会消失。这种开放而审慎的态度，正是 AI 时代高效能开发者应有的姿态。