当AI充斥工作流：代码评审与人类注意力的崩塌
当AI充斥工作流：代码评审与人类注意力的崩塌
标签：AI Workflow, Software Engineering, Human Factors, Productivity, Code Review
当AI写代码、写文档、写解释变得像复制粘贴一样自然时，一个意想不到的副作用正在开发团队里悄然扩散：不是代码质量下降，而是“注意力系统”开始失衡。
在一个热门 Hacker News 讨论中，有开发者描述了一种越来越普遍的现象——当同事全面使用 AI 生成 PR 后，团队逐渐开始“默认忽略”这些请求，因为它们消耗的认知成本过高、反馈收益过低[1]。这类帖子之所以迅速走红，并不只是因为“AI 用多了”，而是它精准击中了现代软件协作中的一个隐形矛盾：人类注意力是有限且会自我保护的资源。
AI进入工作流后的“注意力通胀”
PR数量增加，但理解成本没有下降
在AI辅助开发普及后，代码产出变得更容易，但“理解代码”的成本并没有同步下降。相反，很多评论提到，AI生成的 PR 往往更长、更结构化，但也更难快速判断重点。
一个典型反馈是：审查者需要花更长时间去确认是否存在“幻觉式错误”，而不是简单逻辑问题。这种情况让 review 从“检查逻辑”变成了“验证真实性”[1]。
结果是一个反直觉现象：
PR越“整洁”，审查越疲惫。
信息密度下降 vs 形式密度上升
AI输出通常语言流畅、结构完整，但信息密度未必更高。它可能把简单改动扩展成冗长说明，也可能掩盖关键风险点。这种“形式优化”反而提升了认知负担。
代码评审正在变成“认知过滤器”
从协作行为变成筛选行为
在传统流程中，代码评审是协作的一部分：提出问题、讨论设计、共享知识。但在AI PR 洪流中，它逐渐退化为一种筛选机制——决定“值不值得看”。
一位开发者提到，当他认真审查一个AI生成 PR 并给出详细反馈后，对方又用AI生成回应修正，这种循环让人产生明显的“被替代感”[1]。久而久之，团队成员开始无意识地降低优先级。
这不是拒绝AI，而是一种防御机制。
评论中的冷处理原则
有评论提出一个经验法则：“别人投入多少精力，你就回应多少精力”[1]。这本来是互联网互动中的节能策略，但在团队协作中，它演变成一种隐性过滤标准——AI生成内容往往被归类为“低投入信号”。
信任结构的缓慢侵蚀
“像在和机器人对话”
另一个开发者描述，他在 onboarding 新同事时发现，对方几乎把所有任务描述都丢给 AI 处理，甚至连他的详细解释也直接输入模型[1]。
久而久之，他产生了一种疲惫感：
不是技术问题，而是沟通对象的不确定性——你在和人交流，还是在间接训练一个模型？
这种感受会逐渐侵蚀团队信任，因为协作的基础是“人对人的理解”，而不是“提示词到提示词”。
注意力分配开始偏向“可信源”
当团队无法快速判断内容是否经过人类思考时，就会形成新的隐性规则：
- 简短、直接的人类表达更容易被信任
- 冗长、结构完美但缺乏“人味”的内容被忽略
注意力开始向“低摩擦信息”集中。
为什么这个话题在Hacker News爆火
它触碰的是“认知税”问题
Hacker News 用户群体高度偏工程实践，他们非常敏感于“时间成本”和“认知负载”。这个话题之所以爆发，本质上是因为它揭示了一个新税种：AI生成内容带来的阅读税。
你不再只为代码付出时间，还要为“判断这段代码是不是可靠”付出额外成本。
AI不是问题，失衡才是问题
评论中一个关键共识是：问题不在AI，而在于没有人重新设计协作边界。当生成成本趋近于零时，审查成本反而成为瓶颈。
对开发者与团队的实际影响
1. PR必须“缩小单元”
AI可以写长内容，但人类只能有效审查有限复杂度的变更。PR颗粒度必须重新设计。
2. 人类痕迹变成信任信号
适度的思考过程、决策记录，比“完美总结”更重要。
3. AI输出必须二次编辑
直接使用AI输出，会无意中增加团队沟通成本。
4. review机制需要重新定义
从“审查代码”转向“审查决策”，否则注意力会被无限稀释。
结语：注意力正在成为新的瓶颈
AI让开发效率上升，但也悄悄改变了协作的底层逻辑：当每个人都能轻松生成大量“看起来合理”的内容时，真正稀缺的变成了愿意认真阅读的人类注意力。
Hacker News 上的讨论并不是在抱怨AI，而是在提醒一个更深层的现实：
如果协作系统不调整，AI不会让团队更高效，只会让“理解彼此”变得更昂贵。
而当注意力成本超过协作收益时，人们的第一反应永远不是优化系统，而是——减少交互。