很多人用了Codex一段时间以后会出现一种很强烈的感觉AI已经很快了但自己的工作节奏却没有跟着变快。有时候你同时开着几个任务。一个Agent已经把代码改完等你Review另一个任务卡在一个业务判断上等你确认第三个任务正在跑测试第四个任务刚刚返回结果但你还没来得及看。表面上看AI已经把很多工作都接过去了。可真正坐在电脑前时你还是会感觉事情很多。窗口很多。结果很多。真正能够推进到下一步的任务却没有想象中那么多。另一类用户正好相反。他们已经把任务拆得很清楚AI一返回结果就能马上处理也没有大量待Review任务堆积但还是经常遇到一个问题自己已经准备好了下一步Codex那边却还没结束。于是同样是“AI重度用户”两个人真正的问题完全不同。一个是AI在等人。另一个是人在等AI。这两个状态看起来只差一句话但实际上它们代表的是整个AI工作系统里完全不同的瓶颈位置。所以当AI真正进入工作流以后判断效率的一个很重要的问题不再只是AI到底够不够快而是整条工作链里到底是谁在等谁一、为什么AI越快整体效率不一定同步提高很多人会直觉地认为模型更强。Agent更快。任务完成更多。所以效率应该持续提高。但真实工作流不是这样计算的。一个AI任务真正完成不是Agent说一句“Done”就结束。它通常还要经过任务目标确认。AI执行。结果返回。人工Review。业务判断。必要时继续修改。最终验收。只有走完这条链任务才真正进入完成状态。所以一个AI工作流本质上不是单点系统而是多个环节串起来的系统。只要其中一个环节跟不上前面再快也会开始排队。举个简单例子。假设Codex一小时可以完成8个任务。但你一小时只能认真Review 3个。那么真正完成的任务最多还是3个。剩下5个不会自动消失。它们只会进入待处理队列。如果第二个小时Codex继续完成8个你仍然只能处理3个那么积压会继续增加。这时候继续提升AI速度真正增加的不是最终交付量而是等待处理的结果。所以AI进入工程工作流以后一个非常重要的变化是局部速度不再等于系统速度。二、背后的机制其实是Throughput而不是单次任务速度这个问题可以用一个工程系统里很常见的概念理解Throughput也就是系统真正能够完成多少工作。假设一条生产线前面有一台机器每小时能生产100个零件。但后面的检测岗位每小时只能检查40个。那么整个系统最终真正能交付多少不是100个。而是40个。因为后面的检测已经成为瓶颈。AI工作流也是一样。可以把它简单看成任务进入 → AI执行 → AI返回 → 人判断 → 任务完成。如果AI执行越来越快但人工判断没有同步提升那么整个系统最终Throughput不会无限增长。反过来也一样。如果人的处理能力已经很高AI结果一回来马上就能完成判断但AI本身一直是最慢的一环那么这时再优化人的Review就没有太大意义。真正应该扩容的是AI侧。所以系统优化的原则从来不是让所有环节都变快。而是找到当前最慢的那个环节。这就是“谁在等谁”真正重要的地方。它实际上是在告诉你当前瓶颈到底在哪里。三、为什么很多人会误以为自己“Plus不够”因为用户最容易看到的指标是额度。今天用了很多。任务排得很满。Codex一直在跑。于是很容易得出一个结论“我是不是应该升级”但额度消耗快和AI成为瓶颈不是一回事。例如一个用户同时开了很多任务。上午一个Agent改Feature。一个Agent修Bug。一个Agent分析Repository。中午的时候三个任务都已经返回。但他忙着处理别的事情直到下午两点才开始Review。这种情况下他可能主观感觉“今天AI用得特别重。”但真正限制工作推进的不是AI。而是结果回来以后没有被及时消化。如果这时候把AI容量再提高一倍会发生什么很可能只是下午多出更多待Review结果。系统的最终产出不一定增加。这就是一种典型的AI等人。而另一类情况不同。一个开发者已经把工作流控制得很好。任务拆分清楚。自动测试完善。AI结果回来以后十分钟内就能处理。没有明显积压。但是他经常出现手里的下一个任务已经准备好AI侧却还没有释放出足够的执行空间。这时候才是人等AI。这两个场景才是真正应该分开的。四、“AI等人”背后真正稀缺的是Human Attention如果AI经常等人说明一个很重要的问题你的工作系统已经进入了人工注意力瓶颈。人和Agent最大的区别之一是Agent可以并行。人的高质量判断很难真正并行。你可以同时启动5个Codex任务。但你很难同时认真判断5个复杂结果。尤其涉及架构。业务逻辑。安全风险。兼容性。这些判断不能只扫一眼。于是Agent并行度提升以后会越来越容易出现一个现象AI执行能力快速扩大。人的判断能力基本不变。最后人的注意力开始成为整个系统里最贵的资源。这时真正应该优化的就不是“让AI再快一点。”而是如何减少需要人处理的低价值判断。例如把测试。Lint。类型检查。固定规则验证。尽量自动化。人的时间只留给方向判断。风险判断。最终决策。只有这样Human Attention这个瓶颈才有机会被释放。五、“人等AI”背后才是AI Capacity开始成为瓶颈但如果你已经把前面的事情做得比较成熟情况会发生变化。比如任务Scope很清楚。不同任务不会互相打架。AI结果有结构化说明。测试自动运行。人工Review很快。待处理任务基本不会堆积。这时候如果你仍然频繁出现下一步已经准备好但AI还没完成。真实任务在等Agent。有高价值工作可以继续交给AI但AI侧无法维持当前节奏。那瓶颈才真正移动到AI Capacity。这时候提高AI侧容量才有可能直接提高最终Throughput。注意这里的逻辑非常重要不是因为你“用得很多”所以应该更高套餐。而是因为你的工作系统已经能够消化更多AI产出但AI这一侧开始限制最终产出。这才是一个真正扎实的升级信号。六、为什么未来“谁等谁”会越来越重要因为Agent工作方式正在把AI从一个工具变成一个生产节点。以前用ChatGPT时很多任务是问一下。得到答案。结束。等待关系很简单。以后越来越多任务变成AI持续分析。调用工具。修改代码。验证。再次调整。任务时间拉长以后人和AI之间会不断发生交接。一个复杂任务可能经历人给目标。AI执行。人确认。AI继续。人Review。AI修正。最终验收。交接次数越多“等待”就越容易成为真正的效率损耗。同时当多Agent开始普及这个问题会被进一步放大。因为你不只是和一个AI协作。而是同时管理多个AI执行线程。这时真正重要的能力就不再只是让Agent多跑。而是让任务在AI和人之间尽可能顺畅流动。所以未来AI效率的核心指标很可能会越来越从单次回答速度。单次模型能力。转向工作流吞吐量。等待时间。任务积压。这也是为什么“谁在等谁”值得被单独拿出来看。七、可以用“人机等待比”判断自己的瓶颈这里可以建立一个简单自测指标人机等待比这不是官方指标而是帮助判断AI工作流瓶颈的一种方法。连续观察几天不需要非常精确只记录两类时间。第一类是人等AI。例如你已经准备好下一步但Codex还没结束。你有明确任务可以继续交出去但AI侧暂时无法推进。第二类是AI等人。例如任务已经完成但半小时以后你才Review。Agent需要一个业务Decision但你很久以后才回复。最后比较趋势。如果长期是AI等人明显更多。说明Human Attention还是瓶颈。如果长期是人等AI明显更多。说明AI侧开始成为瓶颈。这个指标比单纯看“今天用了多少额度”更有价值。因为它直接告诉你如果现在扩容AI到底有没有地方可以把新增产能消化掉。八、但“人等AI”也可能是假象这里还有一个必须排除的问题。不是所有“我一直在等AI”都意味着AI容量不够。有时候问题只是任务设计太差。比如一个简单任务写成非常模糊的大任务。本来几分钟能完成结果Agent一直探索。或者Context塞得太多。每个任务都带大量不必要信息。又或者失败以后一直重复Retry没有重新规划。这种情况下用户也会感觉“AI好慢。”但真正的问题不是AI Capacity。而是单个任务的服务时间过长。所以在人机等待比长期偏向“人等AI”以后还要再问一次这些等待是不是必要等待如果通过任务拆分。模型路由。减少Context。更明确的Done Criteria。之后等待明显下降。那原来的问题其实是Workflow。只有这些都优化以后人仍然长期等AI这个信号才真正可靠。九、先优化什么才能知道瓶颈是真的在哪可以做一次很简单的瓶颈审计。先看有没有大量“已完成但未处理”的任务。如果经常有说明AI还没有真正成为最慢的一环。再看AI结果回来以后你是否能够很快处理。如果一个任务完成后经常放几十分钟甚至几小时人的处理速度还有提升空间。最后才看当任务、Review、验证都已经比较顺畅时AI是不是仍然经常让整个工作流停下来。只有第三种持续存在AI侧容量才真正值得扩展。这也是为什么一个成熟的AI工作流不应该从“我额度不够。”开始判断。而应该从“如果AI现在突然快一倍我最终真的能多完成工作吗”这个问题开始。十、AI经常等人Plus通常已经够用如果你的真实状态是每天大量使用ChatGPT和Codex。但经常出现任务已经完成。Diff还没看。结果等着Review。几个Agent同时回来以后反而处理不过来。那么你的使用强度可能很高但瓶颈仍然在人。这种情况下Plus通常仍然更合理。真正需要做的是限制WIP。提高自动验证。减少同时活跃任务。把人的注意力留给关键决策。继续提高AI容量很可能只是扩大结果队列。十一、优化后仍然长期“人等AI”Pro才开始匹配另一类用户则不同。你的AI Workflow已经比较成熟。没有明显任务积压。结果回来以后能够快速消化。大量低价值验证已经自动化。任务拆分和模型路由也做得比较合理。但你还是经常遇到高价值任务已经准备好。自己也有足够处理能力。只是AI这一侧跟不上真实工作节奏。这时候AI才真正成为系统瓶颈。如果这种状态只是偶尔发生没有必要因为一次等待改变套餐。但如果它每天都发生。而且明显阻塞真实工作。那么更高强度的Pro使用方式才开始有实际意义。因为此时增加AI容量才有可能直接增加最终Throughput。最后真正决定AI效率的不是谁更快而是谁在阻塞整条链Agent时代很容易把注意力全部放在模型速度。任务数量。额度。但真正成熟的AI工作流会开始关注另外一个问题等待发生在哪里如果AI不断完成任务但结果排队等人系统瓶颈在人。如果人能够快速消化结果却不断等AI系统瓶颈才在AI。所以Plus和Pro真正成熟的判断方式不应该是“我今天用得够不够多”而应该是“现在扩容AI这一侧真的能增加最终交付吗”如果答案是否定的先优化Workflow。如果答案是肯定的而且这种情况已经成为日常再考虑更高强度方案。真正高效的人机协作系统不是让AI无限快也不是让人无限忙。而是尽可能减少双方互相等待让整条工作链保持持续流动。如果AI大多数时候在等你Plus通常已经够用。如果Workflow已经成熟人仍然长期在等AIPro才开始真正匹配这种使用阶段。未来AI效率真正拉开差距的不是谁的模型跑得最快。而是谁最先找到整条工作流真正的瓶颈在哪里。持续更新Codex、大模型开发相关技术内容。长期使用各类代码大模型整理了稳定的AI会员订阅渠道。