作者：Addy Osmani（Anthropic Claude Code 團隊、著名技術架構師）
編譯：深潮 TechFlow
深潮導讀：隨著智能體工作流（Agentic Workflows）全面鋪開，軟體工程師與產品團隊正經歷人機協作範式的劇烈重塑。過去在提問與解答之間孕育思考的認知緩衝帶，如今已被壓縮至短短數秒；隨著大模型愈發擬真與高準確率，顯性錯誤急劇減少，卻讓人們在愉悅的順從感中逐漸滑向「認知投降」，系統性理解力與底層能力也在不知不覺中加速萎縮。
作為前 Google Chrome 工程主管、現 Anthropic Claude Code 團隊核心成員，Addy Osmani 在本文中系統剖析了從「認知卸載」、「推遲判斷」到「認知投降」的光譜滑移現象。他不僅深入拆解了系統理解力負債的隱性累積機制，更針對日常工做流提出了一套兼具實操性與防禦性的主動閱讀與對抗性提問策略，闡述了即使 AI 具備更高勝率的未來，人類為何依然必須牢牢守住責任底線與批判性思考能力。
曾經，學校教授的批判性思維要求人們以謙遜的好奇心和適度的懷疑態度面對新資訊：博採眾長、兼聽則明，最終形成自己的獨立見解。這一原則至今依然適用，但如今，隨著我日常絕大部分工作都交由智能體（Agents）運作，現實中幾乎已無任何事物被迫我運用批判性思維。
對於那些已經徹底擁抱智能體工作流、在日常中並發運行多個會話並靜候模型性能持續精進的工程師和產品人員，我想首先說明：我自己就是這類工具的忠實擁躋。我寫下這篇文章，絕非為了倡導大家減少對智能體工作流的使用。
我的核心目標在於：在這個任何事情都可以輕易外包給智能體的世界裡，幫助你依然牢牢保持住屬於自己的批判性思維。
過去，人類大部分的認知處理與審美判斷，都孕育在提問與解答之間的留白空隙中。然而在今天，這段空隙的尺度已縮短至短短數秒。你使用智能體工作流越深，保持清醒就越發艱難（儘管這種艱難的方式可能與大眾預期的並不相同）：隨著模型的持續精進，顯而易見的荒謬錯誤占比大幅降低。絕大多數生成結果都寫得極為體面且大體正確，但恰恰是這種看似無可挑剔的體面，讓人根本不會想去多看第二眼。
即使你同時並行運行十幾個智能體，最終審視產出結果的，依然只有你自己的這雙肉眼。
你必須主動將批判性思維刻意嵌入到日常流程中，因為在預設狀態下，沒有任何外部力量會替你把關。
人們難以自我糾偏的部分原因在於：智能體工作流程的體驗實在太令人愉悅了。在忙碌不堪的工作日裡，能如此迅速地獲得一份體面、舒適且大致正確的現成答案，確實令人心曠神怡；但這也正是人們極易完全放鬆警惕、繳械投降的溫床。
卸載、推遲與認知投降
在與同行討論這一現象時，我通常會將其描繪為一個連續的光譜：
處於光譜最頂端的是「認知卸載」（Cognitive Offloading），即將具體繁瑣的任務委託給 AI 執行，但人類自身始終對最終結果保持絕對的所有權與責任感。我自己整天都在這麼做，你也應當如此。
位於光譜中段的是「推遲判斷」（Deferral），此時工具吐出的結果直接變成了你下一步的新輸入，產出內容不再被視為一個需要驗證的假設。
而滑落到光譜最底端的，則是「認知投降」（Cognitive Surrender）：AI 的輸出不知不覺間悄然變成了你自己的主張，你甚至本能地覺得完全沒有必要去核驗它。
“認知投降”這一術語由沃頓商學院的 Steven Shaw 與 Gideon Nave 提出。它極其精準地印證了我近期的所見所聞：隨著對工具信任度的增加（或說惰性的滋生），人們會不自覺地沿著這個光譜逐漸下滑。
這種滑移往往極其隱蔽且難以察覺，因為其中的每一步都是漸進發生、且在當下顯得合情合理：你認真精讀了上一次的回答，所以下一次你就只是大致略讀；再下一次，你僅僅掃一眼骨架大綱；直到某一天，當別人指著其中某一行代碼向你發問時，你赫然發現自己即使借助智能體的幫助，也根本無法向對方解釋清楚其底層邏輯。
這便是典型的認知投降。它正是「認知負債」（Cognitive Debt）悄然累積的源頭。這種負債通常會在你試圖調用系統的全局心智模型、卻發現腦中空空如也時才暴露無遺。
學者 Margaret-Anne Storey 曾撰文指出，這在團隊協作中表現為對共享系統理論理解力的持續侵蝕。我也曾寫過關於代碼層面的對應現象，即「理解力負債」（Comprehension Debt，該詞由 Jeremy Twei 提出）。在日常寫代碼的當下，這種負債是完全隱形的：代碼庫看起來整潔優雅，所有的自動化測試也都全部飄綠通過。然而一旦系統需要進行架構級重構，所有人都會陷入面面相覷的尷尬：團隊裡竟然沒有一個人真正讀得懂這套系統了。同樣的問題也發生在你僅僅掃了一眼戰略方案或技術規格書的目錄、便隨手簽字批准的時刻。
需要明確的是，我並不是在提倡一種不切實際的完美主義。要求工程師在腦海中時刻維持整個龐大現代代碼庫的完整心智模型是不可能的。Claude Code 團隊此前就曾公開表示，他們現在採取的是「按需重建理解」的策略：當需要修改某一模塊時，直接讓 Claude 現場講解該切片的邏輯，而不是強行在腦中維持全局圖景。
正如我之前所指出的，這種局部的理解力負債其實比大多數工程師想像的更容易補救。只要你能在需要時隨時在局部重建理解，你並不需要時刻維持整個全景圖。但底線在於：你必須清醒地知道自己究竟在哪些地方存在盲區。
在試錯成本極低的瑣碎小事上，大家大可放心將決策權全盤交出。可一旦你面對一個關鍵問題、甚至借助智能體也無法解釋其底層答案時，你就已經實質上徹底放棄了系統的所有權。
當然，這並不意味著所有情境都必須如臨大敵。就在不久前，我需要錄製一門課程，面臨在三家評分相近的酒店中挑選一處作為錄製場地。當時我確實沒有時間逐條翻閱海量的住客評價，於是我直接把這個決定全權委託給了一個 AI。結果非常令人滿意，下次遇到類似情境我依然會這麼做。
但在涉及核心資產投資、子女職業生涯規劃，或在工作中決定該開發什麼功能、變動會影響哪些真實用戶、代碼是否達到安全上線標準時，我絕不會將決策權拱手讓人。在犯錯成本低廉的邊緣地帶，你可以盡情放手交接；但在他人必須為後果埋單的核心環節，你必須牢牢守住屬於人類的邏輯推演。
我常問自己的核心問題
當我過去陷入思緒混亂時，我通常會退回到一組極其樸實的基本問題清單：我怎麼知道我正在解決的問題是正確的？我怎麼知道我採用的解題路徑是正確的？是否有確鑿的客觀證據支撐我的結論？我如何確認這項工作已經徹底完成？大多數時候，這不過是新聞學經典的五何原則（Who、What、Where、Why、When 與 How）。寫在紙上時，它們看似幼稚如兒戲，卻能迫使你從平時極易被忽略的盲區維度去展開審視。
在當下這個時代，人們太容易直接跳過所有這些痛苦的思考，轉頭向智能體詢問「你覺得我該怎麼做」。因此，我為自己更新了一套針對智能體時代的全新反思清單：
• 在提問之前，我是否已經形成了自己的初始假設？在啟動智能體處理任何非瑣碎任務之前，我都會強迫自己在腦海中（或便箋上）寫下我認為可能的答案方向。即使這只是一個粗糙糟糕的猜測也完全無所謂。在看到新資訊後，你隨時有權推翻並改變主意。但只要你先讀了一篇文筆極其優雅流暢的生成回答，你就很難再想像任何其他的可能性了。如果你手頭毫無頭緒，可以嘗試 Thariq Shihipar 所稱的「盲點排查提問法」：把你已知的事實全盤托出，讓模型專門幫你去尋找那些未知的未知項。
• 我是在讓它輔助我思考，還是在把思考本身外包給它？這兩種模式其實都是允許的，關鍵在於你必須保持絕對的清醒，明確知道自己當前處於哪一種狀態。
• 必須具備哪些前提條件，這個方案才會徹底失效？想清楚之後，立刻去實地動手驗證。模型對自身回答的置信度自我評估，其參考價值遠不如你親自運行一項真實的測試，所以請給它設置一道真正的檢驗關卡。
• 我是否聽取過來自對立視角的反向論據？當我在某個開放性問題上形成堅定立場時，我会要求模型擔任挑剔的反對派，專門為我列出反對該立場的最強反駁論據。這並不一定是為了推翻我的決定，而是為了迫使我自己直面那些在順風順水時會被下意識過濾掉的不利盲區。
• 如果我必須親自為這個結果辯護，我該怎麼說？請暫時關閉智能體窗口，試著用你自己的大白話向同事解釋這個方案。如果你發現自己說得磕磕絆絆、講不清楚，那就代表你還沒有真正理解它，此時你只是在機械地當 AI 的傳聲筒。
主動閱讀與被動閱讀
在被動閱讀模式下，你的大腦只是機械地順著既定文本滑動，被動接收資訊流。由於智能體輸出的文字通常行文流暢、修辭工整且語法無可挑剔，被動閱讀在這種環境下極易讓人誤以為自己已徹底領會了精髓。這就好比你在技術大會上看著台上頂級講師演示行雲流水的架構操作，你在台下連連點頭覺得理所當然，但一旦回到酒店打開空白編輯器，你發現自己根本寫不出第一行程式碼。
主動閱讀是一種帶有對抗性假設的審視行為。它不僅關注文本中寫了什麼，更嚴厲質問：為何它會出現在這裡？它避開了哪些核心難點？為何偏偏選擇這種解決方案，而非另一種？
對於智能體產出的長篇方案，我通常會帶著兩個極其明確的挑剔視角去讀：
首先尋找那些「缺失的上下文」：它預設的前提假設是什麼？它是否遺漏了某些邊緣特例？在兩項需求發生衝突時，它是基於什麼原則悄悄為我做了取捨？
其次是主動發起「對抗性提問」：如果併發訪問量突然暴增 10 倍，這個設計會怎麼崩塌？如果第三方的外部依賴服務宕機半小時，系統會出現什麼連鎖災難？與其被動閱讀滿紙的現成答案，不如主動拿起手術刀去給它做壓力測試。
透過智能體閱讀
智能體不僅能用於撰寫長篇大論，它同樣可以被訓練成協助你進行深度批判性閱讀的強大盟友。關鍵在於，你不能只讓它給你輸出皆大歡喜的結論，而要讓它暴露背後的分歧與裂縫：
你可以讓它對兩份看似對立的架構設計進行交叉質證，指出雙方各自妥協了什麼；你可以讓它扮演刻薄的代碼審查員，專門挑出那些雖然能跑通測試、但潛藏著未來維護陷阱的爛代碼；你甚至可以讓它在完成長文本輸出後，隨機從中間抽取三處細節反向向你提問，以此檢驗你是否真的讀懂了上下文。
將智能體視為思維的磨刀石，而非思維的替代品。
監督悖論：誰在審核誰？
編寫代碼與審查代碼完全是兩種截然不同的思維技能。在海量生成的代碼流面前，人類的審查很容易在疲憊中退化為閉著眼睛蓋章的「橡皮圖章」。
因此，在審查程式碼變更（Diff）時，請務必假裝這份程式碼根本不是由神通廣大的 AI 寫的，而是由一位剛入職的實習生提交的。更重要的是，不要僅僅盯著程式碼的增刪行，而要穿透表面程式碼，追問智能體在背後悄悄為你做出了哪些重大微決策：它選擇了什麼預設值？它把哪些複雜邏輯悄然剔除出本次範圍？當兩個產品需求發生衝突時，它暗自重新解釋了哪一條？
如果一份報告只是輕描淡寫地告訴你「一切順利、測試全通」，你將永遠看不到任何關鍵決策的內幕。因此，請明確要求它單獨列出一張清單：說明它在本次任務中做出了哪些主觀假設與妥協抉擇。然後，請對自己進行隨機抽查：隨便圈出兩三行關鍵代碼，問問自己究竟為什麼要這麼寫？如果換作一份設計文檔，關掉頁面，嘗試完全憑記憶向別人複述其核心論點。我非常喜歡某些團隊推行的一項硬核規則：讓智能體在提交變更報告的文末附帶一套自我測試題，團隊的硬性規矩是「只有當我百分之百答對測試題時，代碼才被允許合併」。
請確保你對自己交付上線的產品有足夠深刻的了解與信心，隨時能夠站出來為之辯護。因為在未來的某一天，一定會有人帶著問題上門。
同時，智能體也能用來幫我們構築寶貴的注意力防線。例如，我維護著一個接收海量 Pull Request 的大型開源項目。我會讓智能體幫我進行初篩：識別哪些提交違背了社區貢獻準則，哪些需要我重點投入精力介入。我絕不會讓智能體直接替我拍板決定合併與否，但它們可以幫我精準收窄注意力漏斗，讓我把真正的人類認知帶寬集中在「這些改動是否在用正確的路徑解決真正的問題」上。
最後，必須正視產量爆炸帶來的心理膨脹。我將其稱為「編排稅」（Orchestration Tax），它本質上是智能體海量生成的工業品體量，與你真正問心無愧願意署上自己名字的精品體量之間的巨大鴻溝。如果產出堆積的速度已經遠遠超過了你細緻審核的生理極限，那麼再開一個新的並發會話根本無濟於事：你必須要么收緊自動化校驗流程，要么果斷放慢速度。
當你所產出的內容已超出你能夠承擔責任的範圍時，你已不再是在進行專業審查，而只是在心存僥倖地祈禱不出事。
Input determines output: High-quality input produces high-quality output
在人機協作體系中，人類的心智模型並未消失，只是其重心發生了位移：它從原本漫長的中間編碼環節，被整體平移到了最前沿的任務輸入端與最終端的產出驗收端。你將全部的認知精力投入於前期的任務拆解、上下文輸入，以及後期的嚴格審計閉環中。這正是為何提示詞（Prompting）的質量對最終結果具有決定性影響，我始終將優秀的提示工程視為一項高階批判性思維的核心技藝。
過去，如果你向人類同事拋出一個模糊不清的需求，對方一定會立刻反問你，而你也在反問中恍然大悟：「原來我根本沒把這件事想明白。」然而，智能體往往不會在這個時候叫停你。它會默默補全你遺漏的所有細節，然後看似極其高效地回傳一份表面極其工整完備的交付成果，即使背後的核心意圖依然是一團漿糊。我把這種現象稱為「意圖負債」（Intent Debt）：那些悄悄嵌入在交付物中、但連你自己都未曾真正推敲過的隱性目標與約束。與其他負債不同，沒有人能替你償還意圖負債，核心意圖必須 100% 源自於你自己。
你寫出的提示詞，恰恰是你對問題理解深度的一面照妖鏡；如果你無法用清晰精確的語言表達它，那往往意味著它在你的腦海中本身就是一團亂麻。
在向外部尋求算力援助之前，請先用你自己的樸素大白話撰寫一份任務需求大綱。明確交代受眾群體、界定絕對禁止觸碰的邊界條件，並給出徹底完工的客觀驗收標準（Definition of Done）。當第二輪修改依然無法達到預期時，請立即停下盲目的微調修補，徹底重寫你的輸入提示詞。
你同樣可以借助智能體來倒逼自己的輸入質量。哲學家 Andy Clark 曾對「將任務單向委託給 AI」與「同 AI 展開深度雙向協作」做出過深刻區分。在真正的協作模式下，你會進入一個彼此賦能的正向飛輪：你的精準提示打磨出卓越的產出，產出反過來倒逼出更深度的提示，並最終大幅深化了你自己對系統的心智模型。如果不确定邏輯是否周延，可以讓智能體反向對你進行採訪，追問它尚不理解的盲區。如果在一次會話結束時，你自己腦中的邏輯閉環得到了昇華，這才是真正的成功標誌。
此外，必須嚴密警惕上下文污染。當多個智能體協作時，極易出現後一個智能體僅基於前一個智能體的壓縮摘要繼續作業的弊端，層層衰減之下，第三個智能體甚至從始至終都未能讀過原始的核心文檔。
同時，你必須建立屬於自己的審美與質量紅線。我在許多不同的創意與工程領域反覆實驗過 AI，絕大多數產出從未公開發表，因為它們根本達不到我的個人標準。在這個時代，所有的模型產出都能被包裝得極其精緻排版、自信滿滿，因此「表面光滑度」早已不再是衡量質量的有效信號。
AI 或許極大提升了製造內容的流水線速度，但只要某一產出讓我覺得不好意思簽上自己的名字，我就絕不會允許它對外發布。
當某項產出未達標準時，請將失敗的具體原因白紙黑字記錄於共享配置文件、Git 擔截鉤子或自動化測試用例中，確保同樣的錯誤絕不再犯。這才是品味與標準實現複利式沉淀的正途，而清醒記錄下哪些東西未達門檻本身，就是極具價值的認知修行。
模型未來會比我更強
如果你像我身邊的許多狂熱從業者一樣，對 AI 的未來抱有堅定的看漲信念，你可能早在閱讀前幾個章節時就萌生了這個念頭：「再過一兩年，模型的糾錯與洞察能力必然全面碾壓我，那我何苦還要費盡心力去維持這種批判性審查的技能？」
在許多純技術指標的檢測上，你的預判很可能完全正確，我自己也一直主張將越來越多的自動化檢測權移交給智能體。但為何在未來，這項能力依然重若千鈞？原因只有一條：歸根結底，最終必須有一個有血有肉的人，為上線交付的真實成果承擔全盤責任。無論背後調用了多少算力，最終走上審判席或承擔後果的，唯有真實的人類。
決定在某項具體任務中究竟賦予智能體多大程度的信任，其本身就是一項需要極高智慧的定性裁決。而要想時刻保持精準的校準判斷力，你就必須持續親自下場審查作業，因為模型出錯的詭異模式始終在動態演變。Anthropic 在對其頂尖工程師和研究員的追蹤研究中，深刻指出了這種「監督悖論」（Paradox of Supervision）的致命陷阱：監督並駕馭 Claude 所必需的那些高階工程與架構造詣，恰恰正是人類在過度依賴 AI 後最容易加速退化萎縮的核心技能。
這些最終的提問，是我最為看重、且再強大的大模型也永遠無法替你回答的命題：你究竟為什麼要做這個產品？它究竟具備怎樣的社會與商業價值？它會深刻影響到哪些具體的人？為了實現它，你願意付出怎樣的代價與妥協？所有這些，都必須由你親自作答。智能體在釐清這些問題的推演中可以大放異彩，我也樂見其成，但最終的抉擇印章，永遠只握在你自己的手中。
你可以將具體的勞作甚至大量的審計環節全盤卸載給算法，但最終的問責權與責任感，你永遠無法卸載。
日常實踐法則
你完全不需要死板機械地實踐所有教條，只需選取契合你工作流的方式自然融入：
• 每週一次離線刻意練習：每週抽出一段固定時間，完全脫離智能體輔助，純手工撰寫一段關鍵程式碼，或親自完成一項一旦生疏便會帶來嚴重後果的核心業務（我將其稱為認知校準練習，這絕非道德綁架）。
• 每月一次能力盤點清查：每月定期梳理一份清單，寫下自己在过去一個月內因依賴 AI 而停止親自做的事情，並嚴肅審視：其中哪些能力是你真正能夠心安理得接受其永久遺忘的？我在多年前一篇舊部落格中提出的質問，在今天依然振聾發聵：如果有一天 AI 突然徹底消失，你將陷入多大程度的癱瘓與迷茫？
• 遇到不懂之處必親自深入探究：如果遇到某個超出當前理解範疇的概念，必須親自系統學習。當我在撰寫文章時遇到一個未曾接觸過的生僻術語，我固然可以搜尋一句現成的維基解釋隨手塞入正文中，但我更傾向於抽出一段時間進行深度微研究，弄清楚它的前因後果，直至徹底看清它在知識全景中的生態位。
• 將審查機器的任務視為正式工作來排程：對機器產出進行真正嚴謹的審核本身就是一項極其繁重的高強度腦力勞動。假裝這項工作輕而易舉，正是許多團隊最終完全放棄審核、埋下巨大禍患的主因。審查絕非免費的午餐，請將其堂堂正正列入你的日常排程中，如此你才能真正有精力將其落實。
• 停止練習的技能終將迅速退化：任何你長期擱置不用的認知肌肉都會加速萎縮，其消退速度往往遠超你的直覺預估。請務必持續親手操練那些你絕不甘心拱手讓出的核心技藝。
核心行動清單
• 保持清晰的意圖：智能體完全可以反向測試你、採訪你並向你出示底層論據，但前提是您必須主動設計並配置這套協作機制。因此，請立即建立起來。
• 誠實面對你在光譜中的真實生態位：如果你在沒有智能體從旁提示的情況下甚至無法向他人解釋清楚答案的來龍去脈，那就請承認：你已經陷入了認知投降。
• 始終帶著預設假設提問：在向 AI 提問前，不論好壞，先在腦中擬定自己的猜測。
• 一個綠色的勾號僅代表一項測試通過：請始終追問：它究竟檢查了什麼？它悄悄漏掉了什麼？
• 先查看客觀論據，再閱讀主觀結論：在瀏覽其提供的華麗總結前，請逐行確認它實際執行了哪些指令、調取了哪些底層數據。
• 以對決策的敏感度來閱讀：弄清楚智能體在本次輸出中為你擅自做出哪些微小決策。
• 精細打磨你的輸入提示：你書寫提示詞的深度與結構，直接映射出你對問題本質的真實掌控力。
• 確立絕對的交付金線並死守到底：如果這件東西連你自己都不好意思署名，就堅決不予放行。
透過持續親手練習那些至關重要的核心技藝，讓自己始終牢牢留在棋盤中心。在日常中你可以立即嘗試的一個極簡微習慣：在向智能體提問前，在便箋上寫下你預判的可能走向；在智能體交付完成後，立刻寫下一項它未能覆蓋的盲點。看看這種微小的對抗性習慣，能否徹底扭轉你審視 AI 輸出時的思考深度。獨立思考，提出更具穿透力的高質量問題，並對最終結果負全責。
圖：在 AI 智能體工作流中保持獨立思考與責任閉環