AI 让写代码变快了，但不少开发者发现自己下班时更累了。Hacker News 上这篇《How I Fight AI Brain Fry》讨论的正是这种新型疲劳。
发生了什么
作者在 Hacker News 上分享了自己对抗“AI 脑烧”的做法，帖子获得数十点热度并引发讨论。从标题和讨论语境看，这里的“脑烧”指的不是模型出错，而是人在长时间与 AI 协作、审阅 AI 生成内容、在多个对话与工具间切换后产生的注意力耗竭与判断力下降。作者给出的是一套个人实践，而非某种产品方案；具体方法细节在摘要中未展开，因此这里不做臆测。
为什么重要
过去两年，AI 编程助手的叙事主线是“提效”：补全更快、生成更多、Agent 能自己跑任务。但效率提升的另一面是审阅成本转移。代码由 AI 写出来后，人的工作从“写”变成“读、判断、纠错”，这类认知活动强度并不低，且更碎片化。同时，多轮对话、多个工具面板、频繁的上下文切换，会持续消耗工作记忆。
“脑烧”之所以值得被单独命名，是因为它难以被传统指标捕捉。提交量、生成行数、任务完成率都可能上升，而人的专注力和决策质量在下降。这类问题在 HN 这类工程社区先被提出，往往意味着它已经从个体感受变成群体现象。
影响与看点
对开发者而言，值得关注三点。其一，AI 协作的瓶颈正从“模型能力”转向“人的注意力预算”，工作流设计需要把审阅和切换成本计入其中，而不是只优化生成速度。其二，工具层面的机会在于减少上下文切换：更集中的审阅界面、更清晰的变更说明、更克制的主动建议，可能比再快一点的补全更有价值。其三，团队管理需要重新理解“AI 提效”的口径，把认知负荷纳入考量，否则容易出现产出数字好看、人员却更快倦怠的错配。
我的判断是：AI 编程工具的下一轮竞争，不会只比谁生成的代码多，而会比谁让人更少地“脑烧”——能否把人的注意力留在真正需要判断的地方，会成为区分好工具与快工具的关键。
