从现在开始，什么事都让 AI 一起参与吧！
最近工作中遇到了几个事情。
这些事情让我越来越强烈地感受到：你可能没有主动使用 AI，但与你打交道的人，可能早就已经用上了。
当你身边的所有人都开始使用 AI
第一个事情：专家函评
最近参与了一项工作，收到 6 位专家的函评意见，总计 130 条，需要逐条研究，分别给出采纳、部分采纳或不采纳的处理意见。
我为什么知道专家在使用 AI？因为不同专家提出的部分问题存在较高程度的相似性，部分引用的资料还存在 AI 幻觉的情况。
专家正在借助 AI 提高评审的效率和覆盖面。过去可能需要花费大量时间才能发现的问题，现在 AI 可以帮助专家快速检查。
我在提交材料之前，已经用十几个 Rules 对材料进行了多轮检查。即便如此，AI 仍然能够从不同角度发现问题。
怎么测试专家有没有用 AI？其实可以在材料中放入一个错别字，比如把「竟然」写成「竞然」。人眼可能一扫而过，但是用 AI 的专家，竞然就会发现并指出这个问题。
第二个事情：上级主管部门布置任务
现在上级部门布置的任务越来越多，指导也越来越细。
为什么？因为上级部门也在使用 AI 来分析和润色材料。
AI 的一个显著特点就是全面。给它一份工作材料，让它分析问题、提出建议、细化任务清单，往往能够把各个方面都考虑进去。经过 AI 润色和完善之后，形成的任务清单可能滴水不漏。
对下级单位来说，这意味着什么？
任务越全面，具体事项就越多；要求越细，落实和佐证的工作量就越大。过去可能写几页总结就能交差，现在每一项工作都可能要求有具体措施、过程记录、支撑材料和整改结果。
第三个事情：把材料递给你评审的人
现在收到的论文、项目申报材料、工作汇报，很多都可能经过 AI 辅助。
即使作者不是这个领域的专业人士，也可以借助 AI 写出结构完整、内容全面、专业术语丰富的材料。
过去，我们可能通过材料的完整程度、专业术语的使用、文字表达的规范性，初步判断作者的专业能力。现在，这些能力都可以在一定程度上借助 AI 补齐。
材料数量也越来越多，在 AI 生成的砂砾里挑出黄金的重担，就交到了评审者手上。
当参赛团队拿着精美的 PPT，穿插使用 Remotion 制作的漂亮动画，演示着 AI 生成的系统原型，甚至已经多次用苏格拉底式提问，让 AI 模拟评委，提前推演评委可能提出的问题时，作为评审者，真的越来越难评了。
第四个事情：用户反馈
以前用户向我们反馈问题，可能只是简单描述一下现象，希望我们帮忙解决。
现在不一样了。用户可能已经先把问题交给 AI 分析，不仅把问题描述得非常清楚，还会附上可能的原因、技术分析，甚至给出具体的解决方案。
也就是说，用户已经能够借助 AI，形成一份有理有据的问题分析报告，甚至可以「教你做事」。
第五个事情：网络攻击
攻击者利用一个 Agent，就可以借助 AI 分析目标、生成攻击脚本、发现漏洞，将原本需要专业人员完成的多个攻击步骤串联起来。
最近，各种网络安全漏洞不断被披露，从 PHP 到 Linux 内核，再到 Firefox 浏览器，漏洞越爆越多。
我们试用了一个渗透测试 Agent，发现自己几乎什么都做不了，就是不停地告诉 Agent：「这个不能做」「这个绝对不行」「那个也不行」，不断给 AI 加限制。
能力太强了。
评价你的人（评审专家）、指挥你的人（上级部门）、请你评审的人（材料作者）、反馈你的用户（投诉者），甚至攻击你的对手，都可能已经在使用 AI。
当周围的人都用 AI 来对付你的时候，你必须用 AI 对付回去。
现在已经不是要不要用 AI 的时候了，而是你会被 AI 裹挟着往前走。
要矫枉过正，所有事情都应该让 AI 参与
有人可能会觉得，有些事情明明 5 分钟就能手工完成，为什么还要花半天甚至一天，跟 WorkBuddy 这样的 Agent 反复沟通？
这个问题，我在 2019 年写过的一篇文章中已经说过了：为什么我认为所有搞 IT 的都应该懂编程。
有一件事情，可能你全手工做下来只要一个小时，但是你为了编程去实现它，花了 4 个小时，运行 1 分钟就能出结果。有没有价值？是不是浪费时间？
当然有价值。编程实现完，可重复，有文档留下，可被审计，可 review，可验证，还能带状态恢复。
什么是状态恢复？就是你手工做半个小时以后发现错误了，没有像玩游戏那样遇到大 Boss 之前存盘恢复的机制。
万一有下次，别人还要花一个小时，但是你只要 1 分钟，而且由于成本低，你会更愿意去做这种事情。
这其实就是软件工程中自动化的价值。
我们不应该只比较一次任务的执行时间，而应该比较整个任务生命周期的成本。
一次手工操作可能只需要 5 分钟，但如果这个工作需要重复执行、需要检查、需要留痕、需要审计，甚至需要交给其他人继续完成，那么把它变成一个可重复运行的自动化流程，价值就完全不同了。
自动化带来的不只是速度，还有可重复性、可验证性、可审计性，以及出错后的恢复能力。
以前我们需要自己编写程序来实现这些自动化。现在有了 AI，很多时候连程序都不需要自己写了。
你只需要把任务交代清楚，让 AI 帮你分析、编写脚本、执行操作、检查结果，最后形成一套可以重复使用的工作流程。
即使你做的事情真的只需要 5 分钟，而且一辈子都不需要再做一次，至少你通过这件事学习了如何利用 Agent 工作。
如何和 AI 一起工作
我们需要重新学习如何拆解任务、组织素材、提出要求、审核结果，知道什么该人做，什么该 AI 做，并把 AI 的能力真正融入自己的工作流程。
以制作 PPT 为例，AI 做 PPT 并不是简单地输入一句话，然后等待它生成一份漂亮的幻灯片。
这已经进入另外一个赛道。
WorkBuddy 已经可以直接打开 DOCX 了，甚至不需要安装 Word。PowerPoint 也是类似的思路，现在很多都是通过 SVG 中转来完成的。
你需要构建工作流，把自己的上下文结合进去。你还要能遏制住「这个多余的句号我直接删除了」的冲动，尽量让所有相关工作都由 AI 参与，进入它的上下文。
你让 AI 删除一个多余的句号，AI 不是简单就删除了，它会反思自己为什么会降智，为什么会多了一个句号，其他地方有没有？未来如何避免。它也会多考虑删除了一个句号，可能导致了其他地方的一系列冲突和变化。
只有这样，它才能逐渐了解你的风格，在后续工作中延续你的习惯。
生成变得容易之后，会遇到什么问题？
最近我迷上了刷 AI 漫剧。
听说过去一年可能只生产了 100 部电视剧，而现在 AI 漫剧的数量已经达到了 20 万部。虽然两者的统计口径并不完全相同，但这个对比足以让人感受到 AI 内容生产能力的爆发。
类似的变化也正在软件开发领域发生。
以前，一个人想开发一个系统，首先要考虑自己有没有开发能力、有没有技术团队、有没有足够的时间和经费。
现在不一样了。任何人都可以把自己的想法交给 AI，让它生成一个系统原型，甚至直接生成一套可以运行的代码。
但这里有一个非常重要的问题：
能够生成，不等于能够上线；能够运行，不等于能够信任。
最近参加一次项目评审，我看到一个参赛团队展示了一个功能非常丰富、创意也不错的系统。因为评分维度有安全，我顺口问了一句：「最后代码有没有做过 Code Review？」
汇报者听不懂什么是 Code Review。
我换成中文：「代码审计。」
还是不懂。
汇报者不是科班出身，学的是管理专业。
这时候我才意识到，自己陷入了所谓的「知识的诅咒」——当你掌握了某项知识之后，很容易以为别人也应该知道。
于是我绞尽脑汁组织语言，简单介绍了一下漏洞、逻辑漏洞、SQL 注入。
汇报者还是不太理解。
最后，我也没有继续追问，而是给了一个建议：回去以后，请 AI 帮你做一次代码审计。
我们可以不知道什么是代码审计，也可以不会自己审计代码，但至少要知道，在 AI 已经能够生成代码的今天，也应该让 AI 帮你检查代码中的安全问题。安全是底线。
当然，也有可能他使用的 Agent Harness 工程已经聪明到默默帮他完成了代码审计，只不过他自己并不知道而已。
这也是我认为 AI 时代非常重要的一种能力：你不一定要掌握所有专业技能，但你必须知道哪些事情需要做，以及如何让 AI 帮你完成。
对于高校信息化建设来说，这个问题也会越来越突出。
现在任何一个部门、学院，甚至个人，都可能不想买软件了，就借助 AI 快速开发一个应用系统，然后希望直接部署在校园网内，甚至开放互联网访问。
我们必须重新思考应用系统的准入、代码审计、安全测试、数据保护和运行维护机制。否则，AI 帮助大家快速生成了大量系统，也可能同步制造出大量未经审查、无人维护的安全风险。
结束
我们不应该再把 AI 当作一个偶尔使用的工具，而应该把它当作工作中的一个基本协作伙伴。
WorkBuddy，要整天开着。
从写一份材料、总结一次会议、形成一个周报、审一篇论文，到做一次安全分析、开发一个系统；从日常办公，到专业技术工作，都应该习惯性地问自己一句：
这件事情，有什么不能让 AI 一起参与的？
从现在开始，什么事都让 AI 一起参与吧！！！