最近带一个量化新人做 RWA 套利监控系统。 小伙子底子相当不错，也用着最顶级的模型，每天从早到晚敲 prompt，commit 效率很高。但几周下来，监控系统的跨链价格对齐、清算逻辑和资金费率计算依然千疮百孔，项目看似进展神速，但其实在原地打转。 我看了下他的工作流，瞬间明白了问题所在：他把最不该外包的规划与验收，统统交给了 AI。 他的典型日常是：丢一段模糊的需求让 AI 搭建框架，跑不通就把错误日志原封不动贴回去让 AI 修。AI 飞速打补丁，引入新 Bug，再继续喂给 AI……表面上是在高强度协作，本质上完全放弃了主动思考能力。 这正好印证了最近看到的一篇文章中提到的核心概念：倒置学习模型。 用 LLM 写代码是一场角色反转，经验尚浅的学生在指挥一个无所不知的导师，随后还要对导师的输出做决策。如果连底层的资金流向和边界条件都没摸透，拿什么去审查和校准 AI？ 有效驾驭 AI Agent 所需的核心能力（系统架构、边界防御、代码审计、全局推演等等），恰恰是被持续依赖 AI 所逐步侵蚀和削弱的能力。重度依赖 AI 的人最容易产生能力错觉，例如，看到屏幕上迅速吐出成百上千行规范的代码，就误以为自己已经掌握了系统。这种专家级新手看似效率极高，实则经不起任何复杂业务的冲击。 在量化和 Web3 这种高容错率极低的领域，系统的灵魂永远不是怎么把 API 调通。 RWA 套利监控的真正难点在于：链上延迟与 Oracles 预言机喂价的时滞差、跨链流动性深度的滑点模拟、以及极端行情下的清算断崖。 这些硬核的领域逻辑和异常边界，AI 不可能替你凭空构建出 Mental Model。如果开发者自身不先建立清晰严谨的架构 Spec，AI 只会用最高效的方式，帮你快速写出一堆架构脆弱的技术垃圾。 今天我给他定了一条硬性规矩：把方向盘重新夺回自己手里。 1. 规划前置：写代码之前，先规划数据流图、状态机以及核心套利数学公式； 2. 拒绝黑盒验收：任何由 AI 生成的代码，必须自己主动思考有哪些测试用例可以应对各类边界条件，说不清为什么这么写的代码，一律不能当作生产代码； 3. 把 AI 当执行者，而非架构师：让 AI 充当高效的执行者和结对编程搭子，而不是让它决定系统的走向。 AI 编程工具就像一台大马力跑车：它能放大顶级车手的速度，但如果副驾驶坐着一个不会看路况和仪表盘的新手，油门踩到底的结果只有原地打转甚至车毁人亡。 真正的技术成熟度，也不在于用 Prompt 跑出了多少行代码，而在于系统崩溃时，驾驶员脑子里有多清醒的全局图景，以及对系统每一处细节敢不敢负责。