自动化我的岗位：从“不再重复三次”到“被琐事淹没”的深度反思

背景

这篇文章源自 Hacker News 上的一篇热门讨论，作者通过个人经历反思了 AI 时代下“自动化”的真正含义。灵感来源于作者与多位同事（包括 Sourav Pal、Gustavo Soares、Excel Agent Science Team、John Lam 和 Dan Morris）的交流。

故事始于一个创业公司老板对团队的建议：“不要做第三次同样的事。”如果某项任务需要执行超过两次，就应该将其自动化。作者起初认为这一建议对自己而言是“杀鸡用牛刀”，因为他已经自动化了 95% 的代码相关工作，剩下的部分要么太难，要么微不足道。然而，当他真正开始践行这一原则时，发现事实恰恰相反——他大错特错。

核心内容

作者最初尝试将这一原则应用于日常工作中。起初他小心翼翼，因为担心自动化过程本身会分散当下的工作注意力。但到了第二周，他彻底投入其中，试图探索自动化的边界。

然而，这一过程带来了一个意想不到的后果：通过自动化工作中繁琐的部分，作者反而用更多繁琐的工作填满了自己的一天。

原本每天只需做一次或两次、耗时 5 分钟的机械性任务，在自动化后变成了每天需要处理 10 到 20 次的任务。这是因为显而易见的部分被自动化后，留下的“胶水工作”（glue work，指连接不同系统或流程的琐碎工作）以前被忽略，现在却占据了大量时间。这种高频次的上下文切换（context switching）让作者感到痛苦不堪。由于需要同时协调多个 AI Agent，工作流程不再线性，导致作者犯下许多低级错误，进而引发更多时间浪费和焦虑。

作者引用自行车手 Greg LeMond 的名言：“事情永远不会变容易，你只是做得更快了。”

为了验证这一方法的有效性，作者提出了一个极简主义的自动化实验方法：

1. 触发条件：任何需要执行超过两次的任务。
2. 执行方式：花费最少的时间，直接让 Copilot CLI 进行自动化，不要编写详细的规格说明书、提供细节或示例。
3. 容错机制：让 AI 尝试自行理解。即使失败也没关系，只花费了极少的时间，随后检查失败点并让 AI 修正即可。

作者惊讶地发现，即使在需求描述不充分的情况下，AI 的首次尝试也能达到相当高的完成度。但他强调，目标不应仅仅是生成 Python 脚本来执行任务，而是让 Agent 生成“技能”（skills），使其知道何时以及如何调用这些脚本，而不是由人工手动运行。

通过这一过程，作者意识到自动化不仅加快了工作速度，更改变了工作模式。受 Karpathy 提出的“自研”（autoresearch）概念启发，作者设想了一种自我改进的 Agent 模式：如果向 Agent 暴露一系列可调参数，并允许其持续实验会怎样？更进一步，如果让 AI 自己提出新的参数呢？

作者提出了一个具体的实验构想：

“Copilot，读取我过去 7 天的 Copilot 会话日志，并提出自动化的机会。为每个机会起草一个可复用的技能。”

文章最后强调，本文并非由 AI 撰写。

关键要点

• 自动化悖论：自动化消除了显性的重复劳动，但往往将隐性的“胶水工作”和上下文切换成本放大，导致新的效率瓶颈。
• 极简主义自动化策略：面对重复任务，不要追求完美的规格文档。直接让 AI（如 Copilot CLI）尝试自动化，接受初期的失败，通过快速迭代修正，以最小成本启动自动化流程。
• 从脚本到技能：自动化的终极目标不是生成一次性脚本，而是构建 Agent 的“技能库”。Agent 应具备自主判断何时调用脚本的能力，实现无人值守的运行。
• 工作模式的转变：自动化不仅是提速工具，更是重构工作流的手段。它允许我们将精力从执行层面转移到策略和架构层面。
• 自我进化的可能性：借鉴 Karpathy 的 autoresearch 理念，未来的 Agent 可以通过分析自身的操作日志，自主发现自动化机会并生成新的技能，实现持续的自我优化。

意义与影响

这篇文章揭示了 AI 辅助编程和自动化领域中一个常被忽视的现实：效率的提升往往伴随着复杂度的转移。

1. 对开发者的警示：许多开发者认为自动化能一劳永逸地解决重复劳动，但实际上，它可能将低价值的机械劳动转化为高频率的管理和调试劳动。如果缺乏对“胶水工作”的系统性处理，自动化可能导致认知负荷过载。
2. Agent 设计的启示：当前的 AI 工具多侧重于“生成代码”，但未来的核心竞争力在于“生成技能”和“自主决策”。Agent 需要理解上下文，自主规划任务执行路径，而非被动等待指令。
3. 人机协作的新范式：文章提出的“读取日志 -> 发现机会 -> 生成技能”闭环，指向了一种自监督、自进化的 AI 工作流。这不仅适用于个人开发者，也为企业级 AI 自动化平台提供了思路：让 AI 成为自身工作流的审计者和优化者。
4. 人文视角的回归：尽管全文探讨技术，但结尾强调“本文非 AI 撰写”，暗示了在高度自动化的环境中，人类对创作主导权和最终责任的坚守依然重要。技术应服务于人，而非让人沦为维护自动化系统的奴隶。