核心参考： FEDay 10周年分享 - 俞天翔《AI编程的“认知税” - 当AI开始思考「你」的思考》

一、 引言：那个“被镜像”的恐怖时刻

目标： 通过共情引发团队思考，AI到底是在思考，还是在模仿？

• 故事开场： 分享原文中关于 background: transparent 是否触发 RenderLayer 的案例。

  • 人类思考路径： 调取渲染流程知识 -> 猜测 -> 查阅 Chromium 源码验证 。

  • AI (GPT-4) 表现： 思考路径完全一致，甚至更准确地指出了 RenderLayer 已更名为 PaintLayer，并给出了源码位置 。

• 抛出问题： 当AI不仅能写代码，还能完美复刻你的推理逻辑时，我们的价值在哪里？

• 核心概念： AI目前能做到 40% 的镜像（已有知识的检索与泛化），但剩下的 60%（基于物理世界的锚点、顿悟、动态图式）是我们的护城河 。

二、 核心理论：什么是“认知税”？

目标： 定义问题。为什么有时候用AI反而更累？

• 定义认知税： 你为了弥补AI“缺失的上下文”而支付的验证成本 。

• 任务分级模型（0-3-8-10法则）： * 0-3分（纯发散区）： 比如“给我10种按钮Hover动效”。AI是创意引擎，认知税低 。

  • 8-10分（有限游戏）： 比如“在单元测试约束下重构模块”。有明确的验证手段（报错/通过），认知税受控 。

  • 3-8分（探索地狱）： 这是重点！ 需要大量隐性知识、上下文判断的模糊地带。AI像一个“只会发散、不懂提问”的实习生。你需要花费大量时间去验证它的幻觉，认知税呈指数级上升 。

三、 案例复盘：AI为什么会“一本正经地胡说八道”

目标： 用技术案例解释AI的局限性（Schema vs Trajectory）。

• 案例： 试图修改 Claude Code 在退出时打印日志 。

  • 现象： 使用 beforeExit 事件，console.log 无输出，但 writeFile 有效 。

  • AI的失败轨迹： 几个大模型轮番尝试，全在猜 stdout 差异或事件循环，全部失败 。

  • 人类（阿斯伯格视角）的逻辑链： 事件触发了但没输出 -> 甚至会清屏 -> 推测 Console 被劫持/UI框架覆盖 -> 验证 -> 解决 。

• 本质差异：

  • AI模式（静态轨迹匹配）： AI在旧的概率轨迹（Trajectory）里打转，它无法凭空产生“被劫持”这个新图式 。

  • 人类模式（动态平衡）： 人类基于动态的图式（Schema），能从单点异常（File写入成功但Log失败）迅速重构认知模型 。

四、 解决方案：Context Engineering（上下文工程）

目标： 传授具体的方法论，如何降低认知税。

• 关键动作： 既然AI不懂隐性上下文，我们就必须显性化它。

• 实操演示： 在上述案例中，一旦我们在 Prompt 中加入“当前使用了 Terminal UI / React Ink，注意输出可能被拦截”，AI 就能立刻修正答案 。

• 不仅仅是Prompt Engineering： 上下文工程的本质是补全那些**“没说出口但影响决策的约束”** 。

• 工具推荐： Kimi CLI 等工具可以帮助管理这种“命运石之门”式的上下文分支，保持主模型的 Schema 清晰 16161616。

五、 团队行动指南：认知税自评表

目标： 给团队一个可执行的决策工具（Decision Matrix）。

在此展示并讲解“认知税自评维度表” ，指导大家在接到任务时先做判断：

• 核心原则： AI负责探索与执行，人类负责收敛与决策 。

• 警告： 如果任一维度处于“深耕”档，不要试图完全甩给AI，否则你将支付高昂的高利贷 。

六、 总结与团队作业

目标： 升华主题，布置练习。

• 工程师的未来： 我们的未来不在于写代码的速度，而在于定义问题、洞察场景、快速验证的能力。我们要成为“认知的加速器”，而不是“被AI收割认知税的操作员” 19。

• 本周挑战（Action Item）：

  反向拆解： 找一个AI彻底失败的案例，分析它为什么失败？缺失了哪个隐性上下文？元认知练习： 在使用AI得到答案后，多问一句：“它为什么这样想？它的推理链条哪里断了？” 任务分流： 下次遇到 3-8 分任务（模糊地带），先写下收效路径（怎么验证是对的），再写 Prompt 。