Agent 替你工作，你还在思考吗？

原文：Addy Osmani，Critical thinking when agents do the work。

1. 答案越来越快，判断需要主动发生

Addy 的观察是：产出答案前的思考空间被压缩，流畅且经常正确的输出又减少了人停下来检查的机会。他将委托描述为一条连续谱。[1]

状态	人与答案的关系
认知卸载（offloading）	委托任务，仍保留对结果的判断。
判断让渡（deferral）	模型结论逐渐成为后续工作的既定前提。
认知投降（surrender）	直接认领答案，已不觉得需要检查。

原文主张把假设、验证、理解与问责嵌入日常工作；同时允许低代价任务充分委托，也允许在需要时重建局部理解，无须把整个代码库记在脑中。[1]

如果生成、复核、解释都由 Agent 完成，什么还能纠正整个流程共同接受的错误？

2. 研究支持风险，但没有证明人必然越用越笨

不同研究测量的是建议采纳、思考投入或新技能学习，不能混为一种“智力下降”。

原始研究	主要发现	证据边界
Shaw 与 Nave，2026，工作论文：3 项预注册实验，共 1,372 人、9,593 次答题。[2]	在改编的认知反思题中，Study 1 相对无 AI 基线，正确 AI 建议条件使准确率约提高 25 个百分点，错误建议条件约降低 15 个百分点。	研究者操纵了建议正确性；结果支持特定任务中的错误建议跟随效应，未测量长期能力衰退。“System 3”是作者的理论框架。
Lee 等，CHI 2025：319 名知识工作者，936 个工作实例。[3]	对 GenAI 更有信心，与较少自报批判性思考相关；思考活动也向核实信息、整合输出和统筹任务迁移。	自报调查，不能证明因果。作者承认，参与者可能混淆“工作更省力”与“批判性思考更少”。
Shen 与 Tamkin，2026，预印本：52 名开发者学习陌生的 Python Trio 库。[4]	随机分配 AI 辅助后，AI 组的即时理解测验表现较低；完成时间的改善不显著。	使用的是聊天式编程助手，未直接测试完整 Agent 工作流或长期影响。概念追问等使用模式来自事后分类，不能当作随机干预效果。
Buçinca 等，CSCW 2021：199 人，模拟 AI 辅助的食材替换任务。[5]	先作判断、延迟展示等认知干预，在 AI 出错时减少了部分判断指标上的过度依赖。	总体人机表现没有显著改善，部分设计更不受欢迎；不能据此要求每个操作都增加确认。

这些结果支持一个有边界的判断：人的思考方式与信任有关，也会受交互设计影响；交付表现与学习效果可能分离。 至于长期使用更强的 Agent 会怎样改变专业判断，仍需要长期追踪及真实工作场景中的证据。

3. 把批判性思维落实到四个判断

结合这些研究，可以把判断力落实到四个工作环节。

目标：这件事究竟在优化什么？

“提升转化率”留下了许多选择：优化付费、留存还是点击？允许增加多少投诉？Agent 能把含糊目标实现得很完整，但这些取舍需要利益相关者确认，或在明确授权范围内处理。

因此，开始前至少明确一项成功标准和一项不能被牺牲的约束。陌生领域可以先让 Agent 解释背景、梳理选项；随后由人确认取舍。批判性思维也包括质疑最初的问题是否值得解决。

证据：哪项观察能区分两个解释？

先有自己的猜测很有帮助，但猜测也可能成为新的锚点。一个更完整的写法是：当前解释、替代解释、能区分两者的观察。 两者都不确定时，保留“不知道”。

例如，接口变慢可能来自数据库，也可能来自下游请求。此时多生成几段有说服力的分析，信息增量有限；分段耗时记录才能帮助判断。改变结论的依据应可追溯到观察或明确约束。

边界：验证究竟覆盖了什么？

需要把“通过”拆成具体主张：功能是否符合需求、极端条件是否成立、测试环境与实际环境有哪些差异。模型自评、另一个模型的赞同、真实运行记录，提供的证据并不相同。

多 Agent 可以扩大检查范围，但它们可能共享错误的需求、摘要或样例。复核是否有效，取决于它能否引入不同的约束和观察。 给复核者原始材料、验收标准和失败样例，通常比只给它生成者的解释更有检验价值；这是工程推论，需要按任务验证。

决定：证据不足时，谁有权暂停？

“有人负责”只有配上审阅时间、原始证据、拒绝权和可行的补救方式，才可能形成有效监督。否则，签字只是把责任落在一个没有判断条件的人身上。

团队还要控制需要人工判断的工作量。如果这部分产出持续超过审阅能力，积压就会增长。此时应缩小批次、提高自动检查覆盖，或减少并行任务；认真审阅需要被计入交付成本。

4. 一个例子：测试全绿，为什么仍可能重复扣款？

以下是用于说明机制的假设案例。 某支付接口依靠客户端提供的业务幂等键去重，没有另设按订单号强制唯一扣款的约束；网络超时后，客户端暂时不知道服务端是否已经完成扣款。

Agent 接到“给支付请求加自动重试”的任务，很快完成实现和测试：第一次请求超时，第二次返回成功，测试通过。若实现和测试都默认“超时表示没有扣款”，两者会一起漏掉“扣款成功、响应丢失”的情况。

要审查这项改动，可以先提出一条业务约束：同一笔订单不能因网络重试产生第二次扣款。 随后构造反例：服务端已处理请求，但响应没有送达客户端；客户端再次提交。

这时要看的证据包括：重试是否沿用同一个业务幂等键，服务端是否按该键去重，以及最终账本记录。具体处理还取决于接口契约、幂等键有效期和状态查询能力。只检查第二次返回成功，无法回答这个业务问题。

理解也可以这样检验：先暂时关闭解释，预测“如果每次重试都生成新键，会发生什么”，再运行对应场景。能够在条件改变时作出可检验的预测，比复述“幂等可以防重复”更能暴露理解缺口。

这个例子也能迁移到研究与运营：核对关键结论的原始资料，检查指标分母是否变化，寻找摘要遗漏的反例。检查对象始终是支持决定的那条因果链。

5. 把交付和练习分开，才能持续使用 Agent

先区分任务的学习价值。 熟悉、低风险、容易回退的事务，可以充分委托；正在建立、以后又要用来监督系统的能力，需要保留实际练习。每项任务都从头手做，成本很高；每项任务都只验收成品，也无法保证能力增长。

适合保留的练习，是能够暴露判断缺口的小任务：对一段异常日志提出两个解释，预测一项约束变化的后果，或独立设计一个会让当前方案失败的样例。随后让 Agent 提供反馈，再用文档、实验或真实结果核对。练习频率应随能力的重要性与反馈调整，现有研究没有给出通用剂量。

让信心接受事后检验。 对少量重要决定，留下“当时相信什么、根据什么、什么会使我改判”。结果出现后再回看。模型赞同自己的猜测，只说明两者一致；判断是否可靠，要看后来发生了什么。

对于新手，必要的背景知识要先补上，才能提出有效反例；对于专家，要警惕在熟悉领域把审阅变成惯性批准。Agent 可以通过提问、解释和反馈参与练习，验收则应包含一个改变条件的新问题。

6. 即使模型比人更强，判断仍有具体位置

模型更擅长找错，会改变合理的分工：人可以把更多检查交给系统，再依据可核查的记录和实际表现决定信任范围。强行要求人在每项局部任务上胜过模型，没有必要。

但系统仍需有人确定目标与代价，识别适用条件变化，并在证据不足时调整授权。专业能力也因此需要有选择地保留：足以提出关键问题、识别异常、重新建立理解，以及找到合适的专家。

人对某项任务的理解可以暂时不完整，但恢复理解和修正决定的通道应当始终存在。

参考资料

资料截至 2026 年 11 月 3 日。

1. Addy Osmani，Critical thinking when agents do the work。延伸阅读：Cognitive Surrender。
2. Steven D. Shaw、Gideon Nave，Thinking—Fast, Slow, and Artificial。Wharton 作者页及摘要；论文 PDF 公开副本。工作论文，见作者研究列表。
3. Hao-Ping Lee 等，The Impact of Generative AI on Critical Thinking，CHI 2025。原论文 PDF，尤其参见 §6.3 局限。
4. Judy Hanwen Shen、Alex Tamkin，How AI Impacts Skill Formation。Anthropic 研究说明，2026-01-29。
5. Zana Buçinca 等，To Trust or to Think，CSCW 2021。原论文 PDF，总体表现未显著改善见 §6 对 H1b 的讨论。