与大型语言模型（LLM）长时间协作常会导致效率下降和严重的挫败感。这种“心累”往往并非模型本身退化，而是源于开发者在疲劳状态下提示词质量下降，以及反馈循环过慢导致的认知负担。要提升协作效率，关键在于识别个人疲劳信号并及时休息，同时主动引导 AI 优化调试流程，通过缩短反馈周期来保持模型的“聪明”状态。
为什么协作会陷入僵局？
- 疲劳导致提示词质量崩塌： 精神疲惫时，人会变得缺乏耐心，写出的提示词往往含糊、简短，甚至在模型输出中途粗暴干预。这种低质量的输入必然导致低质量的输出。
- 反馈循环如同“拉霸机”： 如果每次代码微调都需要等待 10 到 30 分钟才能看到结果，调试就变成了一场令人焦虑的赌博。
- 上下文过载引发的“智力衰减”： 复杂的任务会迅速填满模型的上下文窗口。当容量接近极限时，AI 会开始表现得迟钝，甚至在不理解任务的情况下“装懂”。
建立健康的 AI 协作路径
“如果你已经不再享受编写一个完美提示词的过程，那就是该收手休息的第一信号。”
- 拒绝认知外包的诱惑： 开发者常犯的错误是：因为自己没想清楚逻辑，就希望 AI 能填补这些空白。目前的 AI 尚不足以完美处理未定义的逻辑需求，思考的过程不能偷懒。
- 识别并修复“慢反馈”问题： 不要忍受漫长的等待。如果反馈循环太慢，就把“如何变快”作为首要任务交给 AI。要求它创建一个能在 5 分钟内运行的最小失败案例（TDD 模式）。
- 设定明确的成功标准： 通过给 AI 提供清晰的指标（如：“重现这个错误，并确保运行时间少于 5 分钟”），AI 不仅能解决问题，还会主动优化代码路径。
核心洞见
- 保持清晰的预判： 在提交提示词时，如果你对结果没有 95% 的成功把握，通常意味着你还没想清楚问题，或者提示词写得不够好。
- 快速迭代优于堆砌上下文： 一个极速的反馈循环能让 AI 消耗更少的上下文，从而让模型保持在最高智力水平。
- 主动休息： 当你开始感到不耐烦、频繁打断 AI 或试图敷衍了事时，立刻停止工作。清空大脑的“上下文窗口”后，第二天通常能几分钟解决头天纠结数小时的问题。