two years compressed into one terminal session — watch how the field reshaped itself.
回头看，这套东西的演进其实有一条线可以追。OpenClaw最早验证了AI可以真正跑起来干工程任务；在Claude的生态里，Subagent → Agent Team → Skills一步步成型，每一步都在往"让AI处理更复杂的协作分工"这个方向走。MCP协议也是这个阶段被定义出来——大多由Anthropic率先推动——相当于给工具和工具之间、模型和外部系统之间，搭了一套标准化的接口。
"不是因为接触不到。是因为懒。一种很隐蔽的惰性。"
那个阶段AI编程的成本结构跟现在完全不同。各种工具都有试用账号、新人额度、支付漏洞——说得不好听一点，就是一个薅羊毛的黄金时代。用极低的成本，可以拿到大量API调用额度。我基本上把当时市面上能用的工具全试了一遍，各种花样也都研究了一遍。
到今天，每天的订阅和API费用还在三四十块钱左右。基本上挣到的钱，全花在了开发上。
不是说完全没学到东西。而是和投入的时间、金钱、精力相比，回报不成比例。
问题出在一个我当时觉得理所当然、现在觉得荒谬的假设上——我一直以为，AI编程的核心瓶颈就是"能不能用到好的模型"。模型够强，代码就能写好。用不到最好的模型，别的什么都白搭。
这个判断，我坚持了很久。然后为它付出了代价。
好几个项目都经历过重构。重构消耗的token和时间，有几次比功能本身的开发还多。原因回头看基本都差不多：最开始没想清楚架构，路由和数据流没规划好，代码规范没定。等做到后面才发现，地基歪了，改不动，只能推倒重来。
每次重构都得用最好的模型，都得耗掉几天，都会让人觉得之前做的有点白费。
换句话说，产品思维、工程思维、架构判断这些东西，可能在AI时代反而更重要了，而不是更不重要。
因为你执行得更快，所以走错了方向的代价也更大，
来不及慢慢修正。
"也不是说现在就完全想清楚了。只是有一些调整，对我来说效果好一些。"
把这些加在一起，再结合慢慢摸出来的那套做事节奏，整体效率确实高了不少。
也说不清哪个是主要原因。可能是工具更好了，可能是自己用得更顺了，也可能都有。
不是每个环节都要烧最贵的模型了。成本的结构在变。
这半年，
算是一个跨专业的学生，
在一个全新的领域里，一个人趟过来的。
没有人带。
很多东西认识得太晚。
很多机会到了身边没接住。
主观能动性时不时会输给惰性，
然后再靠某种说不清楚的执拗把自己拉回来。