打开编辑器，一个完全空白的界面。我意识到，最近两个月，我的工作方式发生了质变—我上一次需要从一片空白开始干活，还是上个月写这个专栏的时候。

过去这几年，AI虽然已经深度参与我的工作，但感受上仍是我在掌勺，只是把其中一些步骤交给它打下手。现在，我绝大多数时间是在对一群AI发号施令、检查它们交上来的活、给一些挑三拣四的反馈、等待。洞察、思考、经验和判断还是我的，“背锅”的也还是我，但掌勺的变成了AI，我更像那个在旁边指指点点的老师傅。

一开始只有写程序是这样，但很快你就会体会到，大多数坐在电脑前就能完成的办公任务，它也能助你一臂之力—毕竟许多工作都可以写个程序来完成。除了写专栏这种创造性工作，我已经没有什么工作需要从空白开始了。老师傅等待的时间太多，我甚至给办公室添置了一套功夫茶具。

这个变化发生在最近两个月，倒不是因为出了什么新产品、新模型，而是我终于下定决心，花点力气把工作方式切过来。

我在这个专栏的定位里说“不要制造焦虑”，但过去这一年，我确实看到AI放大了人与人之间的差距。过去，一个优秀工程师的产出可能顶得上十个普通工程师；如今，像OpenClaw这样在全球有巨大影响力的产品，一个人借AI之力就能做出来—这和普通人的差距，早已不止以一当百。我也是做产品的，怎么差距越拉越大？

拉开差距的关键，是对编程Agent的驾驭能力。2025年1月，这个专栏的第一篇文章就介绍了Devin，编程Agent最早的样子；过去一年，将这一形态真正发扬光大的则是ClaudeCode，它让Anthropic在收入规模上反超OpenAI，也让OpenAI、Google的战略方向纷纷掉头，连豆包都传出要把重心从聊天转向编程—要知道，AI编程产品的用户规模，目前还不到AI聊天的零头。

我自己之前一直没能切换成功的原因是，Agent的自动化程度过高，这让我没有安全感，大概就像第一次打开自动驾驶时的感觉。可身边不少朋友每月200美元的套餐用得风生水起，产能肉眼可见的比我高一个档次；再加上玩OpenClaw让我理解了“技能”体系的美妙之处，我才下决心切了过来。

说白了，这就是个习惯问题。

话虽如此，要让它替你干日常的活，难度可比用AI聊天取代搜索引擎大得多。首先，即使是日常办公任务，世界上最先进、最昂贵的模型也很难说得心应手，但既然要试，就应该先用最强的，这样你才能知道它此刻的能力边界在哪里—这样一来，网络、账号和支付方式，就是很大的门槛。其次，和Devin相比，如今的主流Agent都跑在你自己的电脑上，理论上你能看到、能操作的，它也都能。但即使是世界上最强大的模型，“眼睛”和“手脚”都还很笨拙鲁莽，你得手把手教它用各种命令、接口，又要看懂它具体在做什么。防止它搞破坏，把你的电脑删空，说到底，这道门槛不是你懂不懂AI，反而是你懂不懂电脑上各种系统、软件、服务的工作原理。

今天大多数的“技能”，都是在教AI这些技巧，还远远谈不上“蒸馏”人。有一些产品现在努力将编程Agent中的技术细节藏起来，让它显得不是在编程，但我个人认为效果还不好，没有明显差异。

非程序员要使用今天的Agent，对计算机的理解其实是更主要的门槛。而这些知识点过于零碎，所以根本没有必要提前去系统性学习，碰上了再问（AI）就是。所以，上手方法就是挑一件你真正在意、真心想解决的事，丢给它试试。

为什么非得是“真正在意”的？因为只有当它能带来足够的好处，而不仅仅是一个“练习”，你才有动力跨越上面那些门槛。理论上，这应该是一件你每周重复次数最多、单次最花时间、相对难度较低的工作。挑出这样一件事，找一个世界上最先进的Agent，丢给它。这时候你可以花上8美元或者20美元，不要太多，先试一试。你会遇到各种细节问题，甚至是不太懂的术语，都没有关系，随手问另一个AI就行。你的Agent也可能会拒绝你，或者说它做不到。这时候你就多问几句，（有礼貌地）让它再想想办法，或者问它为什么做不到。

这么一来二去，如果你有了一些感觉，就到了本期专栏最直接、最真相、最硬核、最不转弯、最关键的一条建议：至少花100美元。

一年多前我测试Devin和ChatGPTo1时，咬咬牙买过200美元一个月的套餐，当时觉得不可思议。如今，一个月付费200美元绝对不算什么稀奇事。我的切身体会是，付费20美元和付费100美元带来的是完全不同的使用体验：20美元的套餐，额度一下子就用完了，Token对你来说是珍贵资源，在使用时就会格外谨慎，只想用来解决最重要的事情。可一旦预算提高到100美元，刚开始你反而得绞尽脑汁把它花完。

这特别像年轻时吃自助餐，追求“扶着墙进、扶着墙出”，连沙拉也要叠到天花板高。如今，各大模型厂都追随Anthropic，核心额度每5小时重置一次。每次5小时快到时，一看额度没用完就会觉得吃了大亏，于是一个劲琢磨还有什么活能塞给它干。这种“不用完就亏了”的心态会逼着你一次次去找新场景、去试—试得越多，你越熟练。到这一步，你就不必只盯着“要紧事”了：那些又烦又费时却也算不上重要的脑力杂活，都可以一股脑丢给它—我最新的成果，是让它修好了家里的Google音箱无法联网的问题。

朋友的朋友做了一个排行榜，加入榜单后，可以实时显示每个人的Token消耗量和排名。刚开始时，我每发一条命令都忍不住去刷新一下，看看自己又消耗了多少Token，能不能追上前一名。

前阵子流行一个概念叫Tokenmaxxing，指的就是这种人们比谁烧的Token多的行为。长期而言，这显然是一个很离谱的想法：谁会比赛自己用电用得比别人多呢？更别说以此证明自己的工作能力，甚至成为KPI。很多人烧的还是公司实打实的预算，这也是为什么大公司们又纷纷开始限制这种行为。但短期而言，在人们还没清晰理解AI的能力边界和最佳实践时，Tokenmaxxing作为一小群先锋用户去探索Token消耗在什么地方能带来帮助的试验，倒不失是一种有益的浪费。OpenClaw的创始人Steinberger就曾分享说，他一个月的Token账单高达130万美元—我想，就他的产出而言，这完全合理。

根据统计，我最近一个月花掉了价值近4000美元的Token，在朋友们中不算多，但显然已经远超我付出的包月费用。模型厂商用这种方法补贴个人，相当于鼓励大家去探索模型的边界。

如果一个月的时间内你仍然没有找到使用的场景，也就损失几百元人民币；但如果你找到了窍门，你一定会续费，甚至升级为每月200美元的套餐。这时候，你再去看OpenClaw等Agent，又会有更深的理解。