哈囉各位精神股東們，我係蔡蔡！

今日同大家傾下「AI疲勞」呢個話題。呢個係我舊年下半年開始就一直好關注嘅重要主題之一，因為我親身感受過AI疲勞，亦都為咗紓緩呢種情況做咗好多調整。

所以呢篇文章會圍繞呢兩部分展開：

• AI越犀利，點解我覺得自己越攰？

• 我點樣應對呢種「AI疲勞」？

影片版：

AI越犀利，點解我覺得自己越攰？

我哋之所以會覺得攰，根本原因係我哋嘅生理系統或者心理系統出現咗「收支失衡」。

例如我平時每日行路大概6000步（4-5公里），身體嘅消耗同恢復會維持動態平衡，所以唔會覺得攰；

但係去户外徒步嗰陣，我每日要行20-30公里，身體嘅消耗往往超過能量儲備同恢復，所以肯定會攰，如果仲要加上重裝或者高海拔，呢種疲勞仲會提早或者加劇。

心理系統都係類似。

「AI疲勞」背後都係一種「收支失衡」，分別只係佢係由AI呢個新物種帶嚟嘅，係我哋用碳基大腦嘅審查預算，去匹配硅基智能嘅產出速度。

1、學習AI嘅速度追唔上AI更新嘅速度

「AI圈一日，人間一年」。

雖然係句玩笑，但的確點出咗而家AI更新速度有幾快。

模型方面，齋係今年農曆新年前後，就有好多間模型廠商爭住出新模型：

• 2月5號，OpenAI同Anthropic中門對狙，分別出咗GPT-5.3-Codex同Claude Opus 4.6；

• 2月7號，字節帶住Seedance 2.0炸場；

• 2月9號，阿里出咗文字渲染超強嘅Qwen-Image-2.0；

• 2月11號，智譜推出編程體感接近Claude Opus 4.5嘅GLM-5；第二日，Minimax就拿出咗唔單止打得仲要平啲嘅M-2.5；

• 2月14號，字節正式推出豆包大模型2.0，同埋Seedream 5.0圖像模型；

• 2月16號，除夕夜，阿里帶住Qwen-3.5-Plus開源模型獻禮；

• 2月19號，Google出嘅Gemini 3.1 Pro同Gemini 3.1 Flash Image（即係大家講嘅Nano Banana 2）再次掀起一波測評潮……

工具方面嘅上新，就更加多喇。

• 由Cowork到QoderWork；

• 由Codex推出桌面版到Claude Code連出多個版本；

• 由做AI社交化實驗嘅元寶派到做AI瀏覽器嘅Tabbit；

• 由做AI分身嘅Second Me到搭建Agent技能共享與協同進化網絡嘅EvoMap；

• 當中最火嘅一定係OpenClaw，以及由佢帶起嘅一系列龍蝦產品，例如MaxClaw、Kimi Claw、LobsterAI、QClaw、NanoClaw，以及各種雲廠商部署OpenClaw嘅方案……

當AI發展嘅速度（以日計）遠遠超過人類學習嘅速度（天然有限制）。呢種能力差令到好多人覺得學習AI唔再係獲得感，而變成沉重嘅認知負擔。

每個月有上百個新工具推出，呢個月學嘅工具下個月可能就會俾新嘅工具取代，選擇「學邊個」本身就消耗咗好大嘅心理能量。

加上社交媒體上充斥着「AI財富自由」、「AI提升10倍效率」嘅講法，呢種持續嘅上行社會比較令你覺得人哋都喺度享受「AI紅利」，得你滯後咗。

所有呢啲，最後都變成FOMO（Fear Of Missing Out，驚錯過）嘅焦慮。之前已經有圈友表示自己俾OpenClaw鋪天蓋地嘅叫好聲搞到好焦慮。

呢個唔係個別例子，因為我之前都FOMO過。

2、AI提效慳返嘅時間被塞咗更多任務

我哋頭先講嘅AI學習焦慮，多數發生喺職場學習（同興趣學習唔同），因為佢唔單止係「增加知識」，更加似係進行一場帶有生存壓力嘅競賽。

職場係一個競爭環境，評審標準掌握喺人哋（老細、客戶、市場）手度。當AI出現之後，佢唔再係一個「選項」，而係一個「門檻」。如果你唔學，而同事／競爭對手學咗，你嘅相對競爭力就會下降。

這種對被取代或失去議價能力嘅恐懼，亦都逐漸由個人蔓延到企業層面。越嚟越多企業開始要求員工用AI嚟提升效率，有啲甚至將佢納入績效考核。

例如之前，某間國內上市公司就出咗內部通知，宣佈全面擴展AI編程工具應用範圍。核心內容包括：

統一開通OpenAI Codex或Claude Code帳號；每人每月提供100美元額度；所有技術研發人員（包括CTO）必須強制使用；開發效率必須提升至少50%；2026年6月納入績效考核；唔達標嘅實行5%-20%末位淘汰。

AI的確令好多任務都變快咗。如果你正喺度將AI應用到工作入面，你就會發現呢個唔係講大話。以前我哋需要花8個鐘嘅事家陣只需1個鐘甚至更短。

但AI幫我哋慳落嚟嘅呢7個鐘並冇俾你去休息，而係塞咗更多、更複雜嘅任務。

喺AI之前，我哋可能會花一整日喺一個任務問題上。我哋可能會喺紙上寫寫畫畫，沖涼嗰陣思考，去散步，帶住清晰嘅思路返嚟。節奏好慢，但認知負荷係 manageable。一個問題。一日。深度專注。

家陣？我哋一日可能處理幾個唔同嘅問題。每個「用AI只需要一個鐘」。AI唔會喺呢啲情境切換之間覺得攰。但我哋人腦會。

我之前喺知識星球都分享過呢種由AI越嚟越犀利導致嘅「疲勞」。呢種疲勞嘅本質在於「速率唔匹配」：硅基智能嘅響應係毫秒級，而我哋碳基大腦嘅切換同響應卻係秒級甚至分鐘級。

AI唔單止冇將我哋從繁瑣中解放出嚟，反而用佢超高嘅效率，逼住我哋去透支有限嘅認知頻寬。呢種俾任務追住跑嘅心力消耗，先至最可怕。

3、被AI透支嘅理解力

當AI用毫秒級嘅響應速度，將我哋逼入高頻切換嘅泥潭。一種更隱蔽嘅「速率唔匹配」亦都喺度發生：AI生產內容嘅速度，遠遠超過我哋大腦消化理解嘅速度。

以前我哋寫一份行業報告，可能需要3日時間：第一日梳理思路、搭建框架，第二日蒐集資料、填充內容，第三日喺發呆同散步中突然形成自己嘅洞察，再返轉頭修改邏輯。呢個過程中，觀點喺度慢慢孕育、打磨，最終轉化為我哋嘅認知資產。

但家陣，用Deep Research呢類工具——你只需要輸入一個提示詞，十幾分鐘後就可以拎到一份5萬字、結構完整、引用規範嘅研究報告。或者好似Claude Code、Cursor呢類編程助手，可能喺一次對話中就生成幾百行你並冇逐行細讀嘅代碼。

呢度就出現咗第二層「收支失衡」：生成速度係分鐘級，但驗證速度卻係小時級。

我哋變咗企喺AI生產線末端嘅「人類審查員」。但審查比創作更需要專注力——你要分辨AI幻覺，要驗證數據來源，要判斷邏輯漏洞係咪藏喺靚靚嘅Markdown格式入面。呢種「防禦性審查」比主動創作更消耗認知資源。

當生成嘅速度遠遠超過驗證嘅速度，呢啲未經驗證嘅內容唔會自動變成你嘅知識，反而會好似後台未關閉嘅應用程式，持續佔用你嘅工作記憶，形成一種隱性嘅「後台焦慮」——你明明喺度處理新任務，大腦嘅一部分卻仲喺度擔心：上星期AI俾嗰份方案入面，嗰個數據來源到底靠唔靠得住？昨日提交嘅AI生成代碼，會唔會喺某個邊緣情境崩潰……

當大腦俾呢種防禦性審查持續佔用，我哋就逐漸失去咗「真正理解」同「深度創造」所需要嘅心力儲備。所以會覺得越嚟越攰。

我點樣應對呢種「AI疲勞」？

既然問題嘅核心係「收支失衡」，咁應對思路其實得兩條：一係降低消耗，一係增加恢復。

以下係我實踐落嚟嘅幾個關鍵調整：

1、建立自己嘅「AI資訊吸收」機制

既然AI更新速度遠遠超過我哋吸收嘅速度，咁第一步就係要承認一個事實：我冇可能睇曬、學曬所有嘢。

所以我會嚴格篩選自己嘅AI資訊來源，優先X同YouTube訂閲，其次係產品docs & blog同論文，最後先係公眾號（公眾號噪音太大），具體關注嘅資訊來源，我之前都分享過，呢度唔重複，有興趣嘅精神股東可以移步睇睇>>> 學習AI唔需要好多錢，需要好多資訊差

就算做咗一層篩選，我都唔係全部都會仔細睇。

我而家將資訊來源分為三類，處理方法各有唔同（核心原則係唔好俾中長期嘅學習被短期噪聲搶走注意力）：

短期噪聲。即係啲簡單嘅AI資訊（例如Anthropic地域歧視），或者產品更新（例如MiniMax推出M2.5同GLM 5，或者千問app同靈光app投放）或者促銷活動（例如Gemini、Claude、Lovable俾新帳號嘅優惠）。

我嘅處理方式就係直接掃過，知道有呢件事就算，唔會做應激反應（例如捱夜測評），除非呢個產品形態好新（我之前完全未體驗過），或者能力提升好大，或者係我自己好有興趣嘅（興趣驅動去學AI唔會攰，反而會有能量反哺）。

中期內容。主要係一啲高質素嘅博客、播客、論文、YouTube影片等，佢哋往往可以帶俾我有價值嘅思考同成長。呢啲我會抽完整嘅時間去閲讀／觀看，有價值嘅會整理入自己嘅知識庫。

呢類博客、播客、論文、YouTube影片都好多，全部睇曬都唔現實，所以我會結合AI總結去過濾。如果係為咗快速篩選、粗略瞭解、節省時間，就睇AI總結；如果係想深度學習、感受風格、證據考證，就睇原文／原影片。

長期沉澱。真正值得長期投入嘅仲係底層知識同能力，例如上下文工程、RAG、Memory、CLI等，仲有啲自己關注嘅長期命題，例如AI Coding、AI Agent、Agent Skills，我就去提出問題，然後一個個解決，最後盡可能成體系咁梳理沉澱做專欄（目前正喺知識星球度做呢件事）。

建立自己嘅「AI資訊吸收」機制，本質上係俾自己嘅認知系統設置一個過濾器——唔係拒絕變化，而係主動選擇咩值得入嚟。

2、接受「唔追趕」亦都係一種策略

我由舊年下半年開始就唔係好追熱點，更新節奏都跟住慢咗落嚟。

我接受呢種「唔追趕」一定會錯過某啲嘢，可能係更高嘅流量、更多嘅合作、更大嘅舞台。呢種「錯過」其實係我為深度思考同休息留出頻寬。AI嘅核心價值係解放人類嘅時間，如果為咗學AI而搞到冇咗時間，咁就本末倒置喇。

AI圈好中意製造嗰種「時不我待」嘅緊迫感，尤其OpenClaw出咗之後呢種緊迫感更加被無限放大——好似你唔學新工具就會被淘汰。但事實上，AI工具嘅本質係「為人類服務」，而唔係「人類為佢服務」。

尋晚見到@闌夕 呢篇文章，結尾表達嘅都係類似觀點，不過佢嘅表達更有意思。

呢段時間，我會定期問自己幾個問題：

• 我而家用緊嘅AI工具，足以覆蓋我90%嘅工作需求嗎？如果係，咁就夠喇。有餘力先去學新工具。

• 有冇可能，我由一開始就唔需要嗰個「最新最勁」嘅工具？例如之前圈友問我嘅問題，我而家用Claude Code + opus 4.6 已經滿足日常大部分場景，咁就唔需要搞OpenClaw。記住，用工具嘅前提係有場景

• 如果我停低一個星期唔學AI，會失去啲咩？答案往往係：nothing。

呢種心態唔係躺平，而係將有限嘅心力留俾真正重要嘅事。畢竟，AI係工具，而你，先係用工具嘅主體。

3、建立「AI以外」嘅確定性錨點

AI世界變化太快，但有啲嘢係恆定嘅。我發現，喺AI學習之外建立一啲「確定性錨點」，可以有效紓緩嗰種漂浮感。例如：

• 掌握一啲非AI嘅技能前兩日刷到UP主@愛喝的Dory 嘅影片，佢哋會用M5手帳記錄自己嘅旅行點滴，而唔係俾AI代勞。要知道，而家AI都可以生成好精美嘅旅行手帳，但嗰種手繪嘅粗糙感、墨水滲透紙背嘅觸感，以及創作時嘅專注心流係AI冇辦法取代嘅。

• 維護一啲唔需要AI嘅關係我今年農曆新年就基本上冇更新，而係陪屋企人，同朋友傾偈，睇書，行山。呢啲「人類時間」可以幫我從AI嘅資訊洪流中短暫抽離，重新連接到更本質嘅情感需求。

呢啲錨點嘅本質係：喺我哋同AI之間，保留一塊唔畀算法覆蓋嘅「自留地」。 呢塊地唔使大，但佢最好存在。

寫到最後

我想講，AI疲勞唔係我哋嘅錯，亦都唔係我哋能力唔得。佢係呢個時代特有嘅「Transition Cost」——我哋正喺度由「人類主導嘅資訊社會」過渡去「人機協同嘅智能社會」，而呢個過渡期，註定會令好多人覺得唔適應。

但好消息係，呢種唔適應係有得解決嘅。

核心思路其實好簡單：將AI當做「槓桿」，而唔係「替代」；將自己當做「主人」，而唔係「追隨者」。 只要你願意主動選擇節奏、主動保護注意力，AI完全可以成為你最好嘅幫手，而唔係沉重嘅負擔。

希望呢篇文章可以幫你更清晰咁睇到AI疲勞嘅根源，亦都俾你一啲可以即刻試嚇嘅應對方法。如果你都有類似嘅困擾或者心得，歡迎喺留言區交流——有啲坑，一齊踩過就唔驚喇。

哈嘍各位精神股東們，我是蔡蔡！

今天和大家聊聊「AI疲勞」這個話題。這是我去年下半年起就一直關注的重要主題之一，因為我切身感受過 AI 疲勞，也為緩解這種情況也進行了很多調整。

所以這篇文章會圍繞這兩部分進行展開：

• AI越厲害，我怎麼感覺自己越疲勞？

• 我是怎麼應對這種「AI疲勞」的？

視頻版：

AI越厲害，我怎麼感覺自己越疲勞？

我們之所以會感到疲勞，根本原因是我們的生理系統或心理系統出現了“收支失衡”。

比如我平常每天走路就6000步左右（4-5公里），身體的消耗和恢復會維持動態平衡，所以不會感覺到疲勞；

但在户外徒步時，我每天要走20-30公里，身體的消耗往往超過能量儲備和恢復，所以疲勞是肯定的，要是加上重裝或高海拔，這種疲勞還會提前或加劇。

心理系統也是類似的。

「AI疲勞」背後也是一種“收支失衡”，區別只是它是由 AI 這個新物種帶來的，是我們在用碳基大腦的審查預算，去匹配硅基智能的產出速度。

1、學習 AI 的速度趕不上 AI 更新的速度

“AI 圈一天，人間一年”。

這雖然是句調侃，但確實點出瞭如今的 AI 更新速度之快。

模型方面，僅今年春節前後，就有多家模型廠商扎堆發佈新模型：

• 2 月 5 日，OpenAI 和 Anthropic 中門對狙，分別發佈 GPT-5.3-Codex、Claude Opus 4.6；

• 2 月 7 日，字節帶着 Seedance 2.0 炸場；

• 2 月 9 日，阿里發佈文字渲染超強的 Qwen-Image-2.0；

• 2 月 11 日，智譜推出編程體感接近 Claude Opus 4.5 的 GLM-5；第二天，Minimax 拿出不僅能打還更便宜的 M-2.5；

• 2 月 14 日，字節正式發佈豆包大模型 2.0，以及 Seedream 5.0 圖像模型；

• 2 月 16 日，除夕夜，阿里攜 Qwen-3.5-Plus 開源模型獻禮；

• 2 月 19 日，谷歌發佈的 Gemini 3.1 Pro 和 Gemini 3.1 Flash Image（也就是大家說的 Nano Banana 2）再次掀起一波測評潮……

工具方面的上新，就更多了。

• 從 Cowork 到 QoderWork；

• 從 Codex 推出桌面版到 Claude Code 連發多個版本；

• 從做 AI 社交化實驗的 元寶派 到做 AI 瀏覽器的 Tabbit；

• 從做 AI 分身的 Second Me  到搭建 Agent 技能共享與協同進化網絡 的 EvoMap；

• 其中最火的當屬 OpenClaw，以及由它帶火的一系列龍蝦產品，如 MaxClaw、Kimi Claw、LobsterAI、QClaw、NanoClaw，以及各種雲廠商部署 OpenClaw 的方案……

當 AI 發展的速度（以天計）遠超人類的學習速度（天然存在限制）。這種能力差讓很多人覺得學習 AI 不再是獲得感，而變成了沉重的認知負擔。

當每個月有上百個新工具發佈，這個月學的工具下個月可能就會被新的工具取代，選擇“學哪一個”本身就消耗了巨大的心理能量。

加上社交媒體上充斥着“AI 財富自由”、“AI 提升 10 倍效率”的敍事，這種持續的上行社會比較讓你覺得別人都在享受“AI 紅利”，唯獨你滯後了。

所有的這些，最後都轉化為 FOMO （Fear Of Missing Out，害怕錯過）的焦慮。之前就有圈友表示自己被 OpenClaw 鋪天蓋地的叫好聲弄得很焦慮。

這並非個例，因為我之前也 FOMO 過。

2、AI 提效省下的時間被塞進更多任務

我們前面提到的 AI 學習焦慮，更多發生在職場學習（區別於興趣學習）中，因為它不僅僅是“增加知識”，更像是在進行一場帶有生存壓力的競賽。

職場是一個競爭環境，評價標準掌握在他人（老闆、客戶、市場）手中。當 AI 出現後，它不再是一個“選項”，而是一個“門檻”。如果你不學，而同事/競爭對手學了，你的相對競爭力就會下降。

這種對被取代或失去議價能力的恐懼，也逐漸從個體發生到企業層面。越來越多企業開始要求員工使用 AI 進行提效，有的甚至將其納入到績效考核中。

比如前不久，某國內上市公司就發佈內部通知，宣佈全面擴展 AI 編程工具應用範圍。核心內容包括：

統一開通 OpenAI Codex 或 Claude Code 賬號；每人每月提供 100 美元額度；所有技術研發人員（含CTO）必須強制使用；開發效率必須提升至少 50%；2026 年 6 月納入績效考核；不達標者實行 5%-20% 末位淘汰。

AI 確實讓很多任務都變得更快。如果你正在將 AI 應用到工作中，你就會發現這不是扯謊。過去我們需要花 8 小時的事情現在只需 1  小時甚至更短。

但 AI 幫我們節省下來的這 7 個小時並沒有讓你去休息，而是塞進了更多、更復雜的任務。

在 AI 之前，我們可能會花一整天在一個任務問題上。我們可能會在紙上寫寫畫畫，在洗澡時思考，去散步，帶着清晰的思考回來。節奏很慢，但認知負荷是可管理的。一個問題。一天。深度專注。

現在？我們一天可能處理多個不同的問題。每個“用 AI 只需要一小時”。AI 不會在這些上下文切換之間感到疲倦。但對我們人腦來說，會。

我之前在知識星球裏也分享過這種由 AI 越來越強導致的“疲勞”。這種疲勞的本質在於“速率不匹配”：硅基智能的響應是毫秒級的，而我們碳基大腦的切換和響應卻是秒級甚至分鐘級的。

AI 不僅沒有把我們從繁瑣中解放出來，反而用它超高的效率，倒逼着我們去透支有限的認知帶寬。這種被任務追着跑的心力耗費，才是最可怕的。

3、被 AI 透支的理解力

當AI 用毫秒級的響應速度，把我們逼進了高頻切換的泥潭。一種更隱蔽的“速率不匹配”也在發生：AI 生產內容的速度，遠超我們大腦消化理解的速度。

以前我們寫一份行業報告，可能需要 3 天時間：第一天梳理思路、搭建框架，第二天蒐集資料、填充內容，第三天在發呆和散步中突然形成自己的洞察，再回頭修改邏輯。這個過程中，觀點在被慢慢孕育、打磨，最終轉化為我們的認知資產。

但現在，用 Deep Research 類工具——你只需要輸入一個提示詞，十幾分鍾後就能拿到一份 5 萬字、結構完整、引用規範的研究報告。或者像 Claude Code、Cursor 這樣的編程助手，可能在一次對話中就生成數百行你並未逐行細讀的代碼。

這裏就出現了第二層“收支失衡”：生成速度是分鐘級的，但驗證速度卻是小時級的。

我們變成了站在 AI 生產線末端的“人類審核員”。但審核比創作更需要專注力——你需要辨別 AI 幻覺，需要驗證數據來源，需要判斷邏輯漏洞是否藏在那漂亮的  Markdown 格式裏。這種“防禦性審查”比主動創作更消耗認知資源。

當生成的速度遠超驗證的速度，這些未經驗證的內容不會自動變成你的知識，反而會像後台未關閉的應用程序，持續佔用你的工作記憶，形成一種隱性的“後台焦慮”——你明明在處理新任務，大腦的一部分卻還在擔心：上週 AI 給的那份方案裏，那個數據來源到底靠不靠譜？昨天提交的 AI 生成的代碼，會不會在某個邊緣場景崩潰…

當大腦被這種防禦性審查持續佔用，我們就逐漸失去了“真正理解”和“深度創造”所需的心力儲備。所以會感覺越來越累。

我是怎麼應對這種「AI疲勞」的？

既然問題的核心是“收支失衡”，那應對思路其實就兩條：要麼降低消耗，要麼增加恢復。

以下是我實踐下來的幾個關鍵調整：

1、建立自己的「AI 信息吸收」機制

既然 AI 更新速度遠超我們能吸收的速度，那第一步就是要承認一個事實：我不可能看完、學完所有東西。

所以我會嚴格篩選自己的 AI 信息源，優先 X 和 YouTube 訂閲，其次是產品 docs & blog 以及論文，最後才是公眾號（公眾號噪聲太大），具體關注的信息源，我之前也分享過，這裏不贅述，感興趣的精神股東可以移步查看>>> 學習AI不需要很多錢，需要很多信息差

即使做了一層篩選，我也不是全部都會細看。

我現在把信息源分為三類，處理方法各有不同（核心原則是不要讓中長期的學習被短期噪聲搶奪注意力）：

短期噪聲。就是那種簡單的 AI 資訊（比如 Anthropic 地域歧視），或產品更新（比如 MiniMax 發佈 M2.5 和 GLM 5，或者千問 app 和靈光 app 投放）或者促銷活動（比如 Gemini 、Claude、Lovable對新賬號的優惠）。

我的處理方式就是直接掃過，知道有這事就行，不做應激反應（比如熬夜測評），除非這個產品形態很新（我之前完全沒體驗過），或者能力提升很大，或者是我自己非常感興趣的（興趣驅動去學 AI 不會累，反而會有能量反哺）。

中期內容。主要是一些高質量的博客、播客、論文、YouTube 視頻等，它們往往能給我帶來有價值的思考和成長。這些我會抽出完整的時間去閲讀/觀看，有價值的會整理進自己的知識庫。

這類博客、博客、論文、YouTube 視頻也很多，全部都看也不現實，所以我會結合 AI 總結去過濾。如果是為了快速篩選、粗略瞭解、節省時間，就看AI總結；如果是想深度學習、感受風格、證據考證，就看原文/原視頻。

長期沉澱。真正值得長期投入的還是底層知識和能力，比如上下文工程、RAG、Memory、CLI 等，還有一些自己關注的長期命題，比如 AI Coding、AI Agent、Agent Skills ，我就去提出問題，然後一個個解決，最後儘可能成體系地梳理沉澱為專欄（目前正在知識星球裏做這件事）。

建立自己的「AI 信息吸收」機制，本質上是給自己認知系統設置一個過濾器——不是拒絕變化，而是主動選擇什麼值得進來。

2、接受「不追趕」也是一種策略

我從去年下半年開始就不怎麼追熱點了，更新節奏也隨之慢了下來。

我接受這種「不追趕」必然會錯過某些東西，可能是更高的流量、更多的合作、更大的舞台。這種“錯過”其實是我在為深度思考和休息留出帶寬。AI 的核心價值是解放人類的時間，如果為了學 AI 弄丟了時間，那就本末倒置了。

AI 圈很喜歡製造那種“時不我待”的緊迫感，尤其 OpenClaw 出來後這種緊迫感更是被無線拉高——彷彿你不學新工具就要被淘汰。但事實上，AI 工具的本質是“為人類服務”，而不是“人類為它服務”。

昨晚看到@闌夕 的這篇文章，末尾表達的也是類似的觀點，只不過他的表達更有意思。

這段時間，我會定期問自己幾個問題：

• 我現在用的AI工具，足以覆蓋我90%的工作需求嗎？如果是，那就夠了。有餘力再去學習新工具。

• 有沒有可能，我從一開始就不需要那個“最新最強”的工具？比如之前圈友問我的問題，我現在用 Claude Code + opus 4.6 就已經滿足日常大部分場景，那就不需要折騰 OpenClaw。記住，使用工具的前提是有場景

• 如果我停下來一週不學AI，會失去什麼？答案往往是：nothing。

這種心態不是躺平，而是把有限的心力留給真正重要的事情。畢竟，AI 是工具，而你，才是使用工具的主體。

3、建立「AI 之外」的確定性錨點

AI世界變化太快，但有些東西是恆定的。我發現，在 AI 學習之外建立一些“確定性錨點”，能有效緩解那種漂浮感。比如：

• 掌握一些非 AI 的技能。前兩天刷到 UP 主@愛喝的Dory 的視頻，她們會用 M5 手賬記錄自己的旅行點滴，而不是讓 AI 代勞。要知道，現在 AI 也能生成很精美的旅行手賬，但那種手繪的粗糙感、墨水滲透紙背的觸感，以及創作時的專注心流是 AI 無法替代的。

• 維護一些不需要 AI 的關係。我這個春節就基本沒更新，而是陪伴家人，和朋友聊天，讀書，徒步。這些“人類時間”能幫我從 AI 的信息洪流中短暫抽離，重新連接到更本質的情感需求。

這些錨點的本質是：在我們和 AI 之間，保留一塊不被算法覆蓋的“自留地”。 這塊地不用大，但它最好存在。

寫到最後

我想說，AI 疲勞不是我們的錯，也不是我們能力不行。它是這個時代特有的“Transition Cost”——我們在從“人類主導的信息社會”向“人機協同的智能社會”過渡，而這個過渡期，註定會讓很多人感到不適。

但好消息是，這種不適是有解的。

核心思路其實很簡單：把 AI 當作“槓桿”，而不是“替代”；把自己當作“主人”，而不是“追隨者”。 只要你願意主動選擇節奏、主動保護注意力，AI 完全可以成為你最好的幫手，而不是沉重的負擔。

希望這篇文章能幫你更清晰地看到 AI 疲勞的根源，也給你一些可以立刻嘗試的應對方法。如果你也有類似的困擾或心得，歡迎在評論區交流——有些坑，一起踩過就不怕了。