AI 时代的深度工作：注意力是最后的稀缺资源
卡尔·纽波特写《深度工作》是 2016 年，那时的敌人是 Slack 和推送通知。十年后的今天，敌人换了——是那个随叫随到、永远在线、回答一切的 AI 助手。这听起来很怪：AI 不是来帮我们的吗？是，但它同时制造了一种新型的注意力碎片化，而且比通知更隐蔽。
新的碎片化：等待与切换的缝隙
观察一下自己用 AI 编程的真实节奏：下达任务，Agent 跑两分钟，这两分钟干什么？大多数人会切去看消息、刷一眼群、开第二个任务。等 Agent 跑完，你已经离开了刚才的思维现场，要花几十秒甚至几分钟「重新加载」上下文。
这种模式有个特点：每个间隙都「短得不值得深入，长得无法忽略」。它不像写代码被打断那样有明显的痛感，反而带着一种「我在并行处理、效率很高」的错觉。但认知科学的结论很无情：人类不存在真正的并行深度思考，只有快速切换，而每次切换都有损耗——残留注意力（attention residue）会让你在新任务上的表现下降，哪怕你自我感觉良好。
更隐蔽的是依赖性碎片化：遇到一点点不确定就问 AI，得到答案再继续。每一次「问一下」都是一次思维中断。以前我们查文档前会先想十秒，现在连这十秒都省了。省掉的不是十秒，是形成自己判断的那个过程。
瓶颈的转移
为什么这件事在 2026 年特别值得谈？因为瓶颈转移了。
AI 之前，工程师的产出公式约等于「思考质量 × 执行速度」，执行占大头——一个想法要变成上线的代码，中间隔着几天的体力活。所以行业奖励手快的人。
AI 把执行成本压到接近于零之后，公式变成了「思考质量 × 判断次数」。Agent 一晚上能产出几千行代码，方向错了就是几千行的垃圾。你的杠杆不再是写得快，而是想得清：问题定义对不对、方案的约束找全没有、AI 产出的东西该不该收。
而「想得清」恰恰是深度工作的产物。它需要不被打断的、连续的、有些枯燥的专注时段。也就是说：AI 越强，执行越廉价，深度思考的相对价值就越高——这是被很多「效率内容」完全说反的一点。他们教你怎么同时开五个 Agent，却不教你怎么保住那个决定五个 Agent 是否在做正确事情的脑子。
我调整后的工作结构
过去半年我重构了自己的工作模式，核心是把「与 AI 协作」也纳入深度/浅度的二分法管理。
深度时段不开 Agent。 每天上午保留两小时，只做问题定义、方案设计、架构权衡这类「上游思考」，纸笔或白板优先。这个时段的产出物是清晰的任务描述和判断标准——它们随后会成为 Agent 的输入。讽刺的是，这个不用 AI 的时段，恰恰是 AI 产出质量的决定因素：你给 Agent 的 spec 有多清楚，它的产出就有多能用。
批处理 Agent 任务。 把可以委托的任务攒成批，集中在固定时段发出去，让多个 Agent 并行跑长任务（一小时以上的那种），而不是发一个等一个。等待期不再是「缝隙」，因为我此时整块地切去做另一件深度事务，回来后集中验收。关键区别：切换是计划内的、以小时为单位的，而不是被动的、以分钟为单位的。
给「问 AI」设置十秒规则。 遇到问题，先强迫自己用十秒形成一个预期答案，再去问。这十秒保住了两样东西：自己的判断肌肉，以及对 AI 答案的校验能力——你有了预期，才能在 AI 胡说时立刻闻出味儿来。没有预期的提问，得到的答案你只能全盘接受。
验收是深度工作，不是浅度工作。 这是最容易出错的地方。Review AI 产出的代码看起来像浅活儿，划划屏幕点点头。但 AI 产出的错误往往是「局部完美、全局错位」型的——每个函数都对，组合起来方向不对。这种错误只有带着完整上下文深读才能发现。我现在把大块验收安排在精力好的时段，和写设计文档同等对待。
一周的自我观测实验
道理讲完了，给一组自己的数据。今年三月我做了两周对照实验：第一周按旧习惯工作（Agent 随用随发、消息随到随看），第二周按上面的结构执行。每天记录三个指标：深度时段总时长（连续 25 分钟以上无切换才计入）、任务返工次数（AI 产出验收不通过需要重派的次数）、主观精力评分。
结果比我预期的更明显。旧习惯那一周，日均深度时长只有 1.2 小时——我自以为「整天都在工作」，但符合深度标准的时间少得可怜，绝大多数时间花在了切换、等待和碎片化的对话里。返工率是另一个刺眼的数字：随手发出去的 Agent 任务，41% 需要返工；而第二周经过上午深度时段打磨过 spec 的任务，返工率降到 12%。换句话说，在任务定义上多花的二十分钟，平均省下了一个多小时的返工与扯皮。
第二周的日程骨架大概是这样：9:00–11:00 深度时段（关机状态，只许纸笔和编辑器）；11:00–11:30 批量派发 Agent 任务，通常 3~5 个；11:30–12:30 处理消息与会议；下午两个 90 分钟块，一个用于验收与深读 AI 产出，一个用于第二优先级的深度事务；Agent 在后台跑它们的，我不看进度条。这个结构最大的反直觉之处是：AI 的使用时长下降了，AI 的有效产出反而上升了。
当然，两周的自我实验谈不上严谨，样本是一个人，任务也不完全可比。但趋势与认知科学的既有结论一致，我愿意按这个方向继续押注。
常见的两个反驳
「多 Agent 并行不就是为了榨干等待时间吗？你这是开倒车。」 不矛盾。并行本身没问题，问题在并行的粒度。以分钟为单位、被 Agent 进度驱动的被动切换是碎片化；以小时为单位、按自己节奏计划的主动切换是批处理。前者你是 Agent 的随从，后者你是调度者。区别不在并行数量，在谁掌握切换的主导权。
「初级工程师没有那么多上游思考可做，这套结构是不是只适合资深的人？」 恰恰相反，越早建立越好。初级阶段的深度时段可以用来做另一件事：深读 AI 产出，搞懂每一行为什么这么写。AI 时代初级工程师最大的危险不是被替代，而是从未真正写过、读懂过足够多的代码，导致判断力永远没机会长出来。深度时段就是判断力的健身房，资历越浅越需要。
防住「认知外包」的滑坡
最后说一个更长期的担忧：认知外包的滑坡效应。
用进废退在认知能力上同样成立。如果所有难题第一反应都是丢给 AI，三年后你会发现自己丧失了「在没有答案提示的情况下硬想」的能力。而这个能力恰恰是处理全新问题——AI 训练数据里没有的问题——的唯一依靠。
我的对策不是少用 AI，而是刻意保留「徒手区」：每周留一些问题强制自己独立解决，像健身一样维持认知肌肉。读完 AI 的方案后强迫自己说出「它为什么这么做、我原本会怎么做、差异在哪」，把每次委托变成一次对照学习而不是一次卸载。
结语
注意力是 AI 时代最后的稀缺资源——算力在变便宜，模型在变强，执行在变快，唯独人类清醒、连续、高质量的注意力，一天还是只有那么几个小时，而且正在被更多东西争夺。
深度工作在前 AI 时代是效率优势，在 AI 时代更像生存前提：留给人的工作，剩下的基本都是必须深度才做得好的部分——定义问题、设定约束、做判断。浅的部分 AI 都拿走了。
如果想试试，给个最小起步：明天上午挑两小时，关掉所有 AI 对话窗口，只带一个明确的问题进去，比如「下季度这个系统最大的技术风险是什么」，结束时写成一页纸。拿这一页纸去派 Agent 任务，对比一下平时随手发任务的产出质量，自己感受。我赌你回不去了。