最近在使用Codex时，我反复对它说的一句话是：“我觉得有点复杂了。”

事情的起因其实很简单：起初只是想解决一个小需求。Codex不断给出越来越完整的方案，我也一路点头确认。等我意识到不对劲时，一个小功能已经被扩展成了要开发一个智能体。

回过头来看，每一步似乎都合情合理：功能更完整，结构更清晰，也为以后预留了扩展空间。
但每一步都合理，并不意味着累加起来仍然合理。

这件事揭示了一个很典型的痛点：AI的执行能力越强，任务负责人就越不能只给一个方向，然后一路确认下去。

AI不会主动替你做减法

Codex擅长分析、补充、扩展和完善。
它会考虑异常情况，会想到后续使用的场景，也会尝试让方案更加完备。这些能力在复杂项目中非常有价值，但在一个边界不清的小需求里，反而可能带来过度设计。

它很容易回答“还可以做什么”，却不知道“哪些其实不需要做”。
AI也不会主动告诉你：“现在已经够了。”

因为“够不够”不是一个纯粹的技术判断，而是目标、收益与复杂度之间的权衡。
每增加一个功能，就可能引入新的规则；新的规则又带来新的数据、接口和维护要求。事情就在一次次“顺便再做一点”中逐渐膨胀。

确认，并不等于判断

那次经历之后，有一个值得反思的点：问题并不全在AI，也在于我一路点了确认。
确认只是允许它继续，而判断则需要重新回答：

• 这一项增加，是否还在解决最初的问题？
• 增加的复杂度，是否值得？
• 不做这一项，会不会影响当前结果？
• 如果不会，为什么一定要现在做？

AI可以不断展开可能性，但不能替人决定哪些可能性应该被砍掉。

控制复杂度，要先回答三个问题

过去我们常说“把任务说清楚”，通常指的是把需求描述得更准确。
使用Codex之后，经验表明还需要增加一层：不仅要明确做什么，还要明确不做什么，以及什么时候应该停止。

1. 到底要去哪里

首先要明确最终解决什么问题，以及交付到什么程度。
是得到一份分析、完成一个局部功能、做一个小工具，还是建设一个长期运行的系统？
不同目标对应完全不同的投入和复杂度。
目标不仅是任务的起点，也应该成为停止扩展的依据。

2. 这条路可以走到哪里

还要明确资料范围和执行边界。
哪些资料可以查看，哪些代码可以调整；哪些现有结构不能动，哪些扩展这次先不做。
有些想法可以记录下来，但不需要立即实现。
执行边界不只是安全和权限要求，也是控制复杂度的重要手段。

3. 什么时候必须停下来

任务范围扩大、技术架构升级、增加新的模块或依赖时，应该停下来重新判断。
这里的确认不是继续点一次“同意”，而是重新做一次取舍。
最后的验收，也不能看AI完成了多少功能，而要回到最初的问题：它到底有没有被解决。

过去，组织靠人的经验填补任务缺口

在人与人的协作中，很多任务其实也没有被完整定义。
管理者提出一个大致方向后，经验丰富的执行者会根据背景主动补充、控制范围、判断优先级，也会删掉一些没必要的内容，用较小的投入先解决问题。
这些能力过去常被称为“理解能力”“经验”或者“领会意图”。
换一个角度看，其中很大一部分其实是在替一个模糊任务做范围控制和复杂度管理。

当AI开始承担更多执行工作以后，这部分判断并不会自动消失，而是重新回到了任务负责人手里。

前期对齐，不是增加流程

有一种任务沟通方式值得借鉴：安排者先说明任务，执行者再用自己的理解复述，安排者根据复述补充和纠偏，直到双方确认面对的是同一件事。
这里真正重要的不是多说几遍，而是让安排者看见：这项任务到了执行者那里，已经变成了什么。
目标有没有变化，范围有没有扩大，哪些内容被理解成了必须完成，双方对“做完”的标准是否一致。
如果有偏差，可以在开始前及时收回来。
前期对齐不是把事情说复杂，而是避免事情在执行过程中越来越复杂。

AI越能干，人越要知道什么时候停

现在，再对Codex说“我觉得有点复杂”，已经不只是希望它把方案简化一点。
更多时候，这句话是在提醒自己：
最初到底要解决什么？
哪些事情这次不做？
做到什么程度已经足够？

AI可以提供方案、完善细节、持续执行，也可以把一个想法扩展成越来越完整的系统。
但复杂度是否必要，是否值得继续，什么时候应该停止，仍然只能由人判断。

AI可以把事情做得更完整，但人必须判断什么才最值得做。