生产力FOMO的真相
Techmeme在2026年8月22日收录了一条《华尔街日报》报道：AI agents能力增强后，一些创业公司创始人反而产生生产力FOMO，担心自己没有充分利用工具，于是用更长的工时去管理、引导和检查agents。原文没有给出统一的加班时长，也没有证明所有创始人都被异化；它描述的是一种正在出现的心理结构：自动化越多，等待被自动化的焦虑也越多。
这不是一个关于懒惰的故事，也不是一个关于勤奋的故事。它更像一台新机器把人的注意力重新排队：你能派出去的事情变多了，能放心不看的事情未必同步变多。
这个现象不新鲜，但2026年的版本更尖锐。过去的工具替代的是动作，例如打字、排版、制表、编译；agents替代的是任务段落，例如读文档、改代码、查资料、跑测试、写摘要。人从执行者退到任务定义、权限授予、过程观察和结果验收的位置，看起来是升维，实际也被更深的耦合绑住了。
这条报道之所以像日常，是因为它就发生在我桌上。Claude Code、Hermes、Codex同时开着的时候，真正的瓶颈不是没有模型，而是谁来拆任务、谁能碰哪些文件、失败后谁回收上下文、什么时候必须停下来让人判断。agents越多，人的注意力越像稀缺算力，被排队、抢占和回收。
多数讨论把问题写成「AI让人闲下来」或「AI让人卷起来」，两边都太干净了。真实情况更麻烦：低价值执行被压缩，高价值判断被放大，同时协调成本从组织流程下沉到个人桌面。人的产出不再由打字速度决定，而由任务组合的吞吐量、风险边界和反馈质量决定。
所以调度台不是比喻中的舒服位置。它是控制面，也是责任面。你可以把十件事派出去，但意图不清、边界不清、验收标准不清，十件事会变成十次返工。agent不怕重复，怕的是目标漂移；人不怕忙，怕的是把忙碌花在错误的目标上。
三套agent，一张调度台
我的工作流里有三类主体：Codex负责代码、Claude Code负责工程上下文和本地协作，Hermes负责常驻任务、监控和补充执行。它们不是三个聊天窗口，而是三种风险偏好、上下文习惯和工具能力。把同一个任务丢给三者，得到的结果常常不是能力差，而是路径差：一个偏向改代码，一个偏向查结构，一个偏向等待外部信号。
这种结构的代价很具体。第一是上下文管理，每个agent都想知道项目历史、约束和用户偏好，但上下文塞得越多，成本和噪声越高。第二是权限管理，读写文件、联网、执行命令、调用外部服务，每一项都要分层授权。第三是验收管理，agents可以并行产出，人却必须串行判断；当产出速度快于判断速度，队列就从模型侧转移到人的脑子里。
2026年8月22日的报道说，创始人们被迫更长时间工作，因为要不断管理和引导agents。我的解释是：自动化降低了单步执行成本，却提高了系统设计成本。你可以把一次搜索、一次重构、一次格式化交给agent，但任务依赖、回滚策略、测试边界和数据安全仍要由人定义。
把问题推给效率崇拜很容易，但那会错过结构。真正的变化在于执行变得便宜以后，定义错误变得昂贵；派单只要一句话，收回一个错误任务却要穿过上下文、文件和信任。
这也不是「不会用工具」的问题。会用工具的人更容易扩张任务清单。以前一个下午只能做一个调研，现在能同时做市场、代码、财务和写作；节约出来的时间没有消失，而是被新的探索吃掉。生产力FOMO的本质不是工具不够强，而是探索空间突然变得过大，人的选择成本上升。
道的问题是人要保留什么判断权。术的问题是拆解、授权、审查、回滚。势的问题是工作从个人产出转向系统吞吐。三件事叠在一起，才构成agent时代的生产力结构。
多模型不是堆模型，是降低盲区
《模型思维》第一章的提醒很有用：现代世界的连通性和复杂性提高了，任何单一模型更可能失败，所以要做多模型思考者。这个观点常被误读成「多看几个模型」，但佩奇强调的是逻辑一致的模型组合，每个模型都有假设、适用范围和失败条件，用来互相补盲，而不是互相壮胆。
放在agent工作流里，多模型的意义同理。Codex、Claude Code、Hermes各有擅长，也各有盲区。把任务全交给表现最好的那个，短期效率高，长期会形成路径依赖。调度台的价值不是证明自己拥有多少agent，而是知道每个agent在什么问题上可信，在什么边界上必须复核。
《模型思维》第27章的多臂老虎机问题给出了更精确的表达。当各备选方案的收益不是固定金额而是分布时，决策者必须在探索与利用之间权衡：多尝试，才能了解收益分布；多利用当前最优，才能获得即时回报。agent工作流就是典型多臂老虎机，任务类型、模型、提示、工具链都是不同的臂。
解释力的边界必须停在这里。多臂老虎机假设备选方案的奖励可比较、反馈可观察，而真实工作中的很多任务没有清晰评分，甚至要到数周后才知道价值。它可以帮助分配探索预算，却不能替人定义目标，也不能处理组织政治、审美判断和信任问题。把它当成万能调度器，会把管理问题误算成概率问题。
实际取舍是三层探索：少量任务给新模型或新工具，观察失败模式；核心生产仍走稳定链路；跨领域判断至少让两个视角互查。这样做的目的不是追求最聪明的单个答案，而是降低单一路径锁死的风险。agent越强，越要有意识地保留异质性。
调度台上的四种成本
第一种是意图成本。人要把「我想要什么」翻译成机器可执行的目标、约束和完成标准。写得不准，agent会高效完成错误任务；写得太细，又把人重新变成微观管理者。好的任务说明应该给目标、边界、输入、输出格式和禁止事项，而不是规定每一步动作。
第二种是信任成本。信任不是态度，是记录。某个agent改代码稳定，某类模型查资料谨慎，某个工具读文件安全，这些都需要通过小任务逐步校准。没有记录的信任是迷信，没有边界的信任是事故。权限体系的意义就是让信任可以分档，而不是让所有agent共享一把钥匙。
第三种是验收成本。自动化产出越多，验收越要前置设计。测试、diff、来源引用、回滚方案、风险清单，都是把判断标准机器化的方式。如果人只看最后一段总结，agent会把中间过程变成黑箱；黑箱越漂亮，错误越晚暴露。
第四种是清理成本。agent会留下临时文件、半成品方案、重复上下文和过期假设。系统吞吐越高，清理频率越高。调度台不只是派单，还包括取消、合并、降级和终止。能否及时停下一个错误任务，比能否启动一个新任务更能体现调度能力。
这四种成本解释了为什么自动化没有自动带来闲暇。2026年的工具把执行成本压低，但意图、信任、验收和清理都在向人集中。谁只看模型价格，谁就会低估这套系统的真实运营成本。
人机分工的新组织学
个人层面的分工是三张清单：机器可做的、机器可草拟但人必须审的、人必须先想的。第一类包括格式化、检索、机械重构、状态汇总；第二类包括代码、研究报告、对外文本、数据整理；第三类包括问题定义、价值排序、责任划分、冲突解释。清单不是静态的，模型能力上升会让项目从下往上移动。
组织层面的变化更明显。过去管理者通过人传递意图，现在一部分意图直接传给agents，管理幅度看起来扩大，实际风险也从「人没听懂」变成「机器执行得太快」。中间管理者如果只会催进度，价值会下降；如果能把流程、数据、权限、质量标准沉淀成可复用协议，价值会上升。
对个体来说，最危险的位置不是不懂模型，而是处在验收链末端却没有任何干预权。你可以不是最会写代码的人，也可以不是最会调模型的人，但不能没有能力判断结果是否可信、边界是否安全、任务是否值得继续。调度台的核心资格是判断力，不是提示词技巧。
术的层面要建立运行手册：任务模板、权限矩阵、失败记录、验收标准、回滚入口。道的层面要接受人不再以亲自执行证明价值。势的层面是工作竞争从单人技能转向系统设计，谁能稳定地把问题转化为可验证产出，谁就能吃到自动化杠杆。
这套组织学也有反例。创意工作、关系工作、复杂谈判、危机沟通和高风险决策，不能简单拆成agent流水线。它们可以被辅助检索、模拟和总结，但责任无法外包。承认这些边界，才不会把调度台想象成万能管理层。
调度台的仪表盘
如果把agent工作流当成一条生产线，2026年最缺的不是马力，而是仪表盘。仪表盘至少要有五个字段：任务状态、权限等级、资源占用、等待原因、验收结论。它们看似枯燥，却决定了调度台能不能从情绪管理变成系统管理。
任务状态不能只有「进行中」和「完成」，还要区分探索、执行、等待审批、等待外部事件、已阻塞和已放弃。很多过劳来自虚假并行：屏幕上有多个任务在动，实际上都卡在同一个权限或同一个上游数据上。状态不透明，人就会用频繁查看代替调度。
权限等级要和任务风险绑定。只读分析、写临时文件、改源代码、访问外部网络、动生产配置，应当对应不同审批路径。把高风险操作藏在全自动里，短期体验很好，长期会把调度台变成事故中心；把低风险操作也层层拦截，又会让系统失去效率。
资源占用不只指模型费用，还包括上下文窗口、文件锁、数据库连接、网络请求和本地进程。agent经常在失败后重试，重试又会带来新的资源占用。没有资源视图，人很难判断是模型慢、工具慢、网络慢，还是任务设计不合理。
等待原因是最容易被忽略的字段。2026年的生产力FOMO常常不是因为做得不够多，而是因为系统里有大量隐性等待：等人确认、等抓取、等测试、等用户回复、等另一个agent释放文件。等待没有显示，就会变成焦虑；等待一旦显示，就可以重新排序、取消或并行处理别的事。
验收结论要沉淀成记录。一个任务结束后，至少写下结果是否可采信、失败发生在哪里、下次能否直接复用。没有验收记录，团队只能靠记忆传递经验；有了记录，agent工作流才会从一次次聊天变成可维护的知识资产。
我的blog流水线就是一个小型样本。开工前扫Techmeme和中文热榜，写作后跑风格自检，再进入三视角编审。每个环节都可以交给工具，但信源是否可靠、观点是否属于作者、书目是否实质参与论证，仍必须由人判断。流水线节省的不是判断，而是重复劳动。
这个样本还能说明调度台的节奏。机器可以在几分钟内生成结构、扩展段落、检查格式，但三视角编审的价值在于制造分歧：主编看结构，产业编辑看可验证性，人文编辑看理论边界。分歧被记录下来，判断才不会被速度冲掉。
个人仪表盘还应有三个上限：同时探索任务数、自动重试次数、未验收产出存量。超过上限，系统必须暂停派单。它不是保守，而是防止机器节奏吞噬人的判断节奏。调度台若没有刹车，马力越大越危险。
这套仪表盘也可迁移到企业。管理层不该只统计「使用AI的人数」，而要看任务完成率、返工率、权限事故率、自动验收覆盖率和人工干预位置。没有这些指标，AI采用率只是活动指标，不是生产力指标。
反直觉的地方在这里：仪表盘越清楚，人越能闲得住；仪表盘越模糊，人越要用持续关注填补信息缺口。调度台管理的不是agents，而是系统的不确定性。
2026年之后，竞争力会从「会用多少模型」转向「能稳定治理多少任务」。治理不是增加流程，而是让状态、权限、资源和验收可见。可见之后，人才能把注意力留给真正不可外包的判断。
三个情景与证伪信号
基准情景：到2027年，多数知识工作者仍以人工调度为主，但每个专业岗位都会维护少量稳定agent流程。企业开始采购权限、审计、任务追踪和结果验收工具，agent投资从模型订阅转向工作流治理。个人效率差距取决于拆解能力和验收能力，而不是是否使用AI。
上行情景：任务协议、权限系统、上下文缓存和自动测试逐渐标准化，agent能在限定场景内形成可靠生产线。人从重复执行中退出，把时间投入问题定义、客户理解和跨域判断。生产力FOMO下降，因为探索预算有了预算表和止损线，工具不再无限吞噬注意力。
下行情景：agent并行度继续上升，企业和个人缺乏治理，低质量产出、重试、数据泄露和返工同步增加。管理层看到的是虚假吞吐量，客户看到的是不可靠交付。2026年报道中的焦虑演化成制度性过劳：人不是被机器替代，而是被自己搭建的系统拖住。
什么信号说明本文判断错了？第一，组织在减少调度和验收投入的情况下仍能稳定扩大agent任务，说明协调成本没有随自动化上升。第二，个人无需权限分层与任务记录，也能长期保证质量，说明控制面可以高度隐式化。第三，生产力FOMO随工具能力增强自然消退，而不是被治理机制缓解，说明焦虑主要来自早期不熟悉，不是系统结构。
AI agents不是让人闲下来，而是把人变成调度台。调度台的价值不在派出去多少任务，而在保留判断、设定边界、压缩返工和终止错误。自动化越强，人越要清楚：哪些事可以交给机器，哪些责任永远留在桌面上。
Sources
Techmeme，2026年8月22日：援引《华尔街日报》报道，AI agents能力增强使部分创业公司创始人产生生产力FOMO，并以更长工时管理和引导agents；原文细节为媒体报道口径。个人三agent工作流来自作者日常使用Claude Code、Hermes、Codex的真实经验，未构造具体工时和量化收益。斯科特·佩奇，《模型思维》第1章「做一个多模型思考者」、第27章「多臂老虎机问题」。