过去半年，AI 编程能力的进化速度确实令人惊叹。无论是编写代码、补充测试用例、自动生成文档、辅助调研分析，还是修复程序缺陷，许多以往需要数天甚至数周才能完成的任务，如今仅需数小时即可交付。
然而，一个越发明显的现实是：AI 技术越来越强大，开发者却并未因此感到更轻松，反而承受了更沉重的负担。
这种疲惫感的根源，并不仅仅是工作量的增加，更在于注意力、判断力与责任感的持续透支。
AI 执行速度极快，但最终的保障责任依然落在人身上。
AI Agent 可以在短时间内生成大量代码与测试脚本，但这些输出是否正确、是否安全、是否符合产品目标，仍然需要人工判断。问题在于，AI 的生产速度已远远超过人类的审查效率。一个 Agent 一小时能产出数千行代码，但工程师很难在同一时间段内真正理解这些代码的逻辑与影响。
由此形成了一个悖论：
若不做代码审查，系统风险不可控；若逐行认真审查，AI 带来的效率优势又几乎被抵消。
在实际工作中，许多人已经没有足够的时间去完整验证 Agent 的产出，只能粗略检查能否运行、测试是否通过、页面显示是否正常，然后默认任务完成。然而，“可以运行”与“真正正确”之间，往往存在显著差距。
一篇题为《说好的烧一辈子 token 呢》的分享中提到，AI 可能会生成大量价值有限的测试用例，拖慢 CI/CD 流水线；当问题出现时，开发者既不清楚哪些内容该删除，也难以判断所谓的修复是否真正解决了实际缺陷，还是仅仅用 mock 绕过了症状。
我们交付了大量产出，但真正沉淀下来的知识却很少。
另一个更值得关注的问题是：借助 AI 完成了很多工作，但开发者自身的经验积累并未同步增长。
在传统开发模式下，工程师通常清楚某个功能为何存在、方案为何如此设计、哪些路径被放弃、当前实现存在哪些限制。即便代码并不完美，参与者至少理解整个决策过程。
而在 Agent 辅助编码的场景中，工作流程往往变成：
人提出需求，Agent 搜索代码、生成方案、反复修改，最终功能跑通。
结果仓库里留下的通常只有代码本身。
至于 Agent 为何这样编写、做过哪些判断、哪些约束来自产品需求、哪些只是模型的临时选择，往往无从追溯。
于是，产品虽然交付了，但产品背后的知识并未随之交付。几个月后，团队只看到一堆可以运行的代码，却很难解释它为什么是现在这个状态。
这意味着，大量 Token 只完成了一次性劳动，并未转化为长期的组织资产。
真正值得沉淀的，不只是代码，而是：如何定义问题；确认了哪些事实；做出了什么取舍；为什么选择这个方案；哪些假设仍然未被验证。
如果这些内容没有留存下来，下一次遇到类似问题时，团队依然需要从头消耗 Token。
返工的根源，往往不在于模型能力不足。
很多 AI 导致的返工，表面上是 Agent 没有理解需求。
但深入追问会发现，问题通常不是 Agent 不够智能，而是团队自身也没有形成稳定、明确、可引用的产品定义。
产品经理在聊天中提过一种方案，设计稿表达的是另一种方案，代码里保留着历史逻辑，会议上又临时调整了边界。Agent 每次工作，都需要重新拼接这些碎片信息。
于是，大量 Token 被消耗在重新理解项目、搜索历史信息、猜测真实需求、修正上一轮误解上。
更棘手的是，当前的 Agent 大多是本地优先的。它运行在某位开发者的电脑和代码仓库中，只有一段局部上下文。一个工程师与 Agent 讨论了一下午，第二天另一个 Agent 并不知道之前发生过什么。
Git 可以同步代码，却很难同步产品认知。
Agent 之上，需要建立一层产品事实层。
这也是我正在打造 Product Spec 系统的原因。
它并非普通的 PRD 管理工具，而是一个面向 Agent 的人机协作系统，可以理解为位于所有 Agent 之上的“产品事实层”。
每次 Agent 工作时，都会产生大量与产品定义相关的信息，例如：某个功能为何存在；用户身份应该如何合并；哪些版本只向部分用户开放；某个字段为何废弃；哪个方案因安全或成本原因被否决；什么才算真正完成。
这些内容不应只停留在一次性对话中，而应该被提取出来，形成可版本化、可追踪、可确认的产品事实。
这样一来，新的 Agent 在开始工作前，无需重新猜测产品需求，而是可以直接读取当前有效的产品定义；工作完成后，再将新产生的事实、决策和变更提交回来。
代码仓库保存“系统现在是什么样”，Product Spec 保存“系统为什么变成这样”。
人不应该审核所有内容，而应该负责关键判断。
“Human in the loop”不意味着人要逐行检查 Agent 的所有输出。
如果所有代码、测试、文档和操作都必须由人逐项确认，人迟早会成为整个系统的瓶颈。
更合理的分工是：Agent 负责搜索、整理、生成、执行和验证；人负责目标、优先级、边界、取舍、品质和责任。
人真正应该关注的，不是 Agent 每一步的具体操作，而是：为什么要做；做到什么程度；什么才算完成；哪些结果可以接受；哪些代价不能接受。
AI 时代真正稀缺的，不再仅仅是编码能力，而是稳定的注意力、清晰的问题定义、产品判断力以及组织记忆。
未来衡量 AI 生产力，不应只看消耗了多少 Token、生成了多少代码、完成了多少任务，而应关注：每一次 Agent 工作之后，组织究竟留下了什么？
如果只留下代码，我们只是在制造更多未来需要理解与返工的内容。
如果还能留下事实、决策、约束和认知，那么 AI 才真正从一次性工具，转变为组织能力的一部分。
