1. 活儿永远干不完，可我一点也不希望它结束
用AI把活儿干快了，人就该闲下来了。一般人都这么想。
可当调研、头脑风暴、写需求文档、开发、修改、测试都能一件接一件地交给AI以后，有时候会出现完全相反的情况。
空出来的时间不是拿去休息，而是开始自己给自己找活儿：“那这个也能做了”“那个也能优化”“把这俩连起来应该挺好玩”。
而且一点都不累。散步时冒出一个点子，出去玩时又冒出一个。用手机跟AI聊几句，把想法变成需求文档，丢给负责写代码的智能体。等你到家，事情已经往前推进了。
与其说工作在侵占生活，不如说整个现实世界变成了刷点子的地图。
最大的不同在于：普通游戏的终局内容是开发商准备好的，而这款游戏的终局内容可以自己加。
就像一块永远嚼不没味儿的口香糖。
2. 连5小时的用量限制，也不是“结束”，而是技能冷却
Claude的付费套餐里，按会话计算的用量限制每5小时重置一次，另外还有单独的每周用量限制。每周额度会在分配给账号的固定时间重置。[1]
有意思的是，碰到限制不再一定意味着“今天就到这儿了”。
只要事先把活儿拆得够细，一个会话停了，就换到另一个互不相干的任务上；或者等重置后接着干。限制就变得像游戏里的体力条或者冷却时间。
当然，这不是教你绕过用户协议或各家服务的限制。而是在允许的范围内把任务拆成互不依赖的小块，把等待时间用来理清任务之间的先后关系，或者构思下一个项目。
结果，人的感受从“AI停了”变成了“这个打工人在休息，那就先跑另一条线”。
3. 帕金森定律从“时间”延伸到了“点子”
帕金森定律一般被概括为“工作会自动膨胀，直到填满所有可用的时间”。这句话最早出自1955年的一篇讽刺随笔，后来也有研究在个人层面做过验证。[2]
到了AI时代，这条规律稍微变了形。
以前有8小时，一件事可能就磨8小时做完。现在AI把实际干活的时间压到1小时，剩下的7小时也不一定就整块空着。
在这7小时里，你可能会：
- 发现新问题
- 想到新功能
- 琢磨怎么跟别的服务打通
- 提高质量标准
- 把以前因为成本太高而放弃的方案捡回来
也就是说，不只是原有任务膨胀起来填满时间，新任务本身也会从空出来的时间里冒芽。
AI越快，人“冒点子”的能力就越像一条新的生产线。
4. 效率越高，活儿反而越多：类似杰文斯悖论的“反弹”
这让人想起杰文斯悖论，还有“反弹效应”。
它原本是能源效率领域的讨论：效率提高后，单位使用成本下降，用量反而增加，预期的节省就可能被部分甚至全部抵消。不过，这种情况发生到什么程度，因领域和条件而异，并不是说强烈的“适得其反”每次都一定会出现。[3]
把它当成科学定律直接套到AI工作上有点粗暴，但作为比喻相当贴切。
做一个功能要3天的话，10个点子里得扔掉9个。
做一个功能只要30分钟的指令加审核，那9个就都能复活。
于是事情不是“效率提高10倍，所以活儿只剩十分之一”，而是“以前不划算的活儿现在全都干了”。
开发成本越低，对点子的需求就越大。
AI既是消灭工作的机器，也可能是制造工作的机器。
5. 为什么这么上头？自主、变强、反馈快
自我决定理论认为，自主感、胜任感（觉得自己能行），以及与他人的联结，对人的动力和幸福感都很重要。尤其是“这是我自己选的”和“我正在变强”这两种感觉，跟高质量的动力密切相关。[4][5]
用AI搞个人项目之所以特别容易变成游戏，原因跟这个高度重合。
不是填别人塞给你的Excel表。
而是你自己决定“这个好像挺好玩”。
几分钟就能把需求定下来。
几十分钟后就能跑出能用的东西。
坏了就修。
修好的机制以后一直有效。
这个循环会高频率地给你自主感、变强的感觉和清晰的反馈。
游戏里的经验条是个数字，AI开发的经验条却是实打实的东西：“昨天还做不到的事，今天已经自动跑起来了。”
这谁顶得住。
6. 比游戏更上头的原因：终局内容可以自己做
普通游戏再大，也是开发商事先搭好的世界。
打败最终Boss，凑齐装备，刷高难度副本。总有一天会迎来“没什么可干了”。
而用AI做的个人项目，偏偏在那一刻你可以自己加新任务。
做了个网站。
那就做多语言版。
多语言版做好了。
那就推出去。
推出去了。
那就统计反馈。
统计好了。
那就根据反馈自动生成下一个方案。
连生成方案都自动化了。
那就扩展到音频、视频、别的市场、别的产品。
每通关一次，玩家就自己开发一个新DLC。
这跟《我的世界》、《异星工厂》那种“搭系统”的玩法特别合拍，只不过在现实里，你搭的系统会真实影响读者、客户、营收、学到的东西和工作时长。
回馈你的不是游戏币，而是现实。
所以味道不容易变淡。
7. 职位自己往上升：从项目经理到产品负责人，再到老板
一开始，你像项目经理一样工作：
“这个任务怎么完成？” “卡在哪儿了？” “该让谁干什么？”
接着，你变得像产品经理或产品负责人：
“该做什么？” “给用户提供什么？” “先做哪个改进？”
再往后，AI把拆任务、分配、开发、初步测试都包了，人要考虑的问题又上了一层：
“资源投给哪个产品？” “培养哪个市场？” “砍掉哪个业务？” “把哪些系统连起来？” “公司下一步要补上哪块能力？”
到了这一步，你做的已经不是优化某个功能，而更接近设计一家小公司。
| 阶段 | 人主要问的问题 |
|---|---|
| 开发者 | 怎么做？ |
| PM | 怎么做完？ |
| PdM / PO | 做什么？ |
| 经营者 | 资源投到哪？ |
| 产品组合运营 | 养什么，砍什么？ |
不是AI让你变高级了。
只是底层的活儿能交出去了，以前需要人手和资金才能碰到的上层，一个人也能上手了。
这才好玩。
8. 明明只有一个人，却有了组织架构图
更有意思的是，人甚至不用亲自管每一个AI打工人。
比如可以搭出这样的层级：
- 人：目标、优先级、好不好玩、最终拍板
- 对话AI：头脑风暴、调研、需求初稿
- 管理AI：拆任务、理清先后关系、分配任务、规划怎么合并
- 开发AI：写代码、测试、修改
- 监控：检查结果、对比改动、发现失败
不是“人→AI打工人”。
而是人→AI经理→AI打工人。
一旦跑通，人的工作就离事无巨细的管理更远，更多是想“下一步让公司干什么”。
员工0个，组织架构图倒是挺气派。
未来的一人公司，真是种奇怪的生物。
9. 与其“多开几个”，不如“分好工别撞车”
AI打工人一多，新问题就来了。
10个超快的打工人同时去修同一根线，一点也不快。
反而会修坏。
2026年一项关于GitHub上AI智能体提交PR（代码合并请求）的研究发现，同时工作的智能体提交的PR会出现合并冲突；在研究样本中，不同智能体之间同时作业的组合，文本冲突率高于同一智能体内部同时作业的组合。[6]
另一项2026年的研究则针对长时间、复杂的软件开发，测试了一种叫CAID的做法：由中心统一分派任务、各自并行推进不用互相等待、工作区彼此隔离、最后按规则合并。结果它的表现好于只用一个智能体的基准。[7]
关键不在于“开几个AI”，而在于：
- 不让多个打工人同时改同一个文件
- 划清各自负责的范围
- 先看清任务之间的先后关系
- 把工作区隔离开
- 最后合并再测试
也就是说，下一个瓶颈不是算力，而是组织设计。
等管理AI连这个都开始做了，人就真的被推上了老板的位子。
10. 稀缺的不再是“写代码的时间”，而是注意力、品味和方向
当AI能批量处理开发工作，最缺的东西就变了。
不是代码量。
连点子，AI也能出一大堆。
最后稀缺的是注意力和判断：
- 什么好玩
- 什么土
- 做到什么程度
- 现在该不该做
- 扔掉什么
- 什么不能轻信、得先验证
- 哪次失败只是“偶然事故”，哪次说明“机制本身有缺陷”
不是AI能做100件，就去做100件。
在能做100件的世界里，决定其中哪3件有意义，才是经营。
瓶颈挪了地方。
从动手做，到定方向。
11. 无限终局内容唯一的坑：Game Over的条件也得自己定
没有终点是最爽的，但没有终点本身也可能变成危险。
AI能24小时跑，不代表人也得24小时干。
因为好玩，就熬夜。 因为能改进，就无限扩大范围。 因为能并行，就把没验证过的改动大批推上去。 因为打工人多了，就搞不清谁动过什么。
这样一来，“为了更自由而做的自动化”就变成了“给自己专属血汗工厂升级性能”。
对策也可以当成游戏设计来想：
- 不可逆的大改动前设一道关卡
- 同一块职责不同时修改
- 回读结果，确认真的生效了
- 重要的东西要测试
- 准备好出错时的恢复路线
- 把人的睡眠和生活也算进任务的先后关系里
- 留一个“好玩但现在不做”的待办清单
目的不是减少工作。
而是别把快乐的状态玩坏，让自己能玩得久一点。
12. 结论：好玩的不是工作本身，而是“能自己扩展世界的工作”
当你觉得“工作也许本来就挺好玩”时，好玩的大概不是劳动本身。
不是长时间去完成别人定好的活儿。
而是自己发现问题。 自己定下一个目标。 把开发交给AI。 现实里真的做出了东西。 看到结果，又想到下一个。
这个循环才好玩。
以前作为PM琢磨“怎么改进”的人，把拆任务和开发交给AI以后，就会转去思考“要把公司做成做什么的公司”。
等管理AI开始给AI打工人分活儿，人又会再往上走一层。
最后剩下的问题非常简单：
下一个，做点什么好玩的？
在普通游戏里，回答这个问题的是开发商。
在这款游戏里，是玩家自己。
所以停不下来。
而这正是它最好玩的地方。
参考资料（7条）
- Anthropic Help Center, “What is the Max plan?” / “How do usage and length limits work?” – Zurücksetzen der Sitzungslimits alle fünf Stunden und separate Wochenlimits. und https://support.claude.com/en/articles/11647753-how-do-usage-and-length-limits-work support.claude.com
- Brannon, L. A., Hershberger, P. J., & Brock, T. C. (1999). “Timeless demonstrations of Parkinson's first law.” Psychonomic Bulletin & Review, 6(1), 148–156 pubmed.ncbi.nlm.nih.gov
- Sorrell, S. (2009). “Jevons’ Paradox revisited: The evidence for backfire from improved energy efficiency.” Energy Policy, 37(4), 1456–1469; siehe auch spätere Übersichtsarbeiten zu Rebound-Effekten sciencedirect.com
- American Psychological Association, “Self-determination theory: A quarter century of human motivation research. apa.org
- Gagné, M., & Deci, E. L. (2005). “Self-determination theory and work motivation.” Journal of Organizational Behavior, 26(4), 331–362 selfdeterminationtheory.org
- Xu, G., Subramanian, A., & Karthik, N. (2026). “AI Agent Pull Requests on GitHub: Frequency, Structure, and Merge Conflict Rates.” arXiv:2607.04697 arxiv.org
- Geng, J., & Neubig, G. (2026). “Effective Strategies for Asynchronous Software Engineering Agents.” arXiv:2603.21489 arxiv.org
