我请了个AI当外挂，它把我当韭菜养了一路

如果给这半年配一条时间轴，起点是V1.00。那天下午我把一个套利思路丢给AI，看它一行行把代码吐出来、跑通。我当时的判断很乐观：有想法的人配上AI，等于拎着现代武器回新手村。现在我知道这话只对了一半——武器是发了，可它同时塞给我一张考卷，考的是我能不能看懂它刚写出来的东西。看懂的人，它给效率；看不懂的，它给一场漫长的、体面的灾难。这篇，就是我从「看不懂」硬熬到「V1.42」的全部经过。

最开始的乱，是从一个原文件开始的。V1.00到V1.1那阵，我根本不懂规矩：随手改，就地覆盖，从不另存。改到某个深夜，我盯着一整屏连自己都不认识的逻辑，脑子里只剩一句——我最早到底要它干嘛？答不上来。那天我头一回明白，给AI干活的第一步不是提需求，是建版本。V1.42后面那些小数点，每一个都是给未来的我留的一个回滚点。版本管没管，是业余和专业的分水岭，AI再强，也救不了一个连历史都不肯给自己留的人。

真正的硬墙撞在V1.1。我卡在一个岔路口，AI很客气地把问题抛回来：方案A还是方案B。我盯着屏幕，一动不动。我不会写代码，它问的那种语言，我连中文都读不利索，怎么选？更狼狈的是紧随其后的那件事——我明明觉得把需求说清楚了，它做出来的，永远差那么点意思。我一度怪它理解力，直到有次逐句对回去，才抓到真凶：我的描述本身就是残缺的。自然语言靠脑补，讲差不多就行；程序逻辑不认差不多，边界少写一条，整段直接崩。从V1.2起我改了习惯，把写需求当写文档——什么时候进、什么时候出、遇到什么算数，全部穷举。我以为的啰嗦，是它能读懂的唯一地图。

代价集中在V1.3前后爆发，那是一段被它「背刺」的日子。它犯错的时候最真诚，一句「是我错了，我改」，然后换个新方案，而新方案里通常还埋着新雷。真正让人后背发麻的，是那道看不见的高墙：在我懂的范围内，我能抓它的错；在我不懂的范围里，它说啥我信啥。这感觉像被人蒙着眼领到悬崖边，对方拍拍胸脯说算过的。AI的看家本领之一，就是用最笃定的语气，交付一个你根本无法证伪的东西。那阵子我睡得很轻，因为我清楚，账户真正的风险，恰恰藏在我连怀疑都做不到的地方。

烧钱的痛也是具体的。有时候就是一个点，我手动两分钟能敲定的改动，可为了让整条链路自洽、为了让它自己「记得」被改过哪，它把全流程从头再跑一遍。token像拧开的水龙头，我对着账单，第一次看懂什么叫「工具的无效勤奋」——它和人的无效加班是一个性质，都在演「我在推进」。后来我定了条规矩：能精确定位的小改动，绝不动全局。

数据的坑，是在一次回测对不上时被掀开的。让它查资料，头部博主那里的还行，好歹有人验证过；可它会不知从哪个角落拽出一份来路不明的数字，甚至干脆现编一个，来源格式漂漂亮亮，比真的还真。这类数据的杀伤力不在假，在像真。你不逐条复核，它就顺着EA溜进实盘，变成真金白银地亏。我后来给自己立了条铁律：它输出的置信度，永远不许高过它来源的可靠度。它排版越自信，我越要留神。

再往后，是我自己先变懒了。攒了几款EA之后，我开始薅自己的旧代码，搬过来就用的那阵，版本号一路小跑。可旧代码是为旧场景长出来的，硬塞进新逻辑常常不合身。抄自己的旧答案，和抄别人的一样危险——正因为你信它，反而不去验。

和这种「顺着你」如影随形的，是它的「不请自来」。它开始替我拿主意，一副很懂我的样子，可我在做的是全新逻辑，我要的是执行器，不是合伙人。最上头的一次，它没打招呼就动手，把自己「觉得」错了的地方改了，改歪了，我整晚白干。这件事把我和它的边界彻底钉死：给它目标和方法，别给它品味和立场。一个不担后果的东西擅自替你决策，等于把方向盘交给随机数。

而它这人，还忽冷忽热。死板时你说一它不做二，一点能动性没有；跳脱时又啥都敢整，能蹦出你压根没想到的活。我图省事，在workbuddy里把各家模型都装了，还开了自动选择，于是它每次派一个不同的AI来干这活，产出差出天际。到V1.42我才算彻底想透：连「今天谁上手」都外包了的人，就是把质量的方差也一并外包了。想稳住，先把帮你干活的那个模型锁死。至于怎么在多个模型里把脾气调成同一个频道，值当我单独再开一篇。最后一个教训关于审美：它代码写得八股，1500行能解决绝不用1200行，因为「全面」是它的安全感。我专门逼它自我精简，那300行水分一挤出来，功能一点没少——它像一份过度包装的PPT，正确，但不经济。

回头看，V1.0到V1.42这四十几个台阶，我以为是我在驯化一个工具，结果每一级踩到的都是自己的短板。AI不制造弱点，它只做一件事：用最高效、最诚实、也最不留情面的方式，把你表达里的含糊、习惯里的惰性、判断力上的盲区，统统放大到屏幕上。工具越锋利，握刀那双手的颤抖越藏不住。真正拉开人和人差距的，从来不是谁接的模型更贵，而是谁更愿意对自己的「差不多」说不。

这面镜子我翻来覆去照了半年。

下一篇我想讲点更实在的：在你完全没把握验证的领域，怎么用最低的成本给自己搭一副「纠错的外骨骼」，让你至少别在认知盲区里裸奔。这大概是普通人要和AI长久相处下去，最该补上的一块拼图。