# 跟工具聊天，为什么比跟人聊天还累

> 原标题：The Exhaustion of Talking to a Tool

- 来源：Hacker News 首页
- 发布时间：2026-06-26T15:35:23.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/40725
- 原文：https://ohadravid.github.io/posts/2026-06-tool-talking/

## 摘要

作者 Ohad Raviv 觉得用大模型很耗神，因为你得花跟人打交道一样的社交精力去跟它商量、说服它，有时还会被它气到。好的工具用起来像身体的延伸，但现在的模型不够快也不够稳，做不到这一点。跟人费神，回报可能是新想法或真正的碰撞；跟模型费神，换来的多半是更多代码、更多测试和更多借口。有些单人任务确实一年前还做不了，现在能做了，但这股社交脑力花在真人同事...

## 推荐理由

一篇很锋利的个人随笔，把'跟 LLM 协作耗的是社交精力'这个痛点讲透了。H 和 R 都拉满，但 K 偏弱——没有数据支撑，纯靠体验说话。放在 featured 是因为它命名了一个真实存在但讨论不足的摩擦点，读起来像朋友吐槽，而不是行业分析。

## 锐评

Ohad Raviv 这篇博客戳中了一个很真实的痛点：我们现在用大模型，付出的其实是跟人打交道级别的社交脑力。你得跟它商量、说服它，有时还会被它气到——但好的工具本该像键盘或方向盘，用起来像身体的延伸，不需要过脑子。问题在于现在的模型不够快也不够稳，做不到这种“无感”体验，却偏偏要你用对话的方式去操作。

跟真人费神，回报可能是新视角、真挑战，或者你教会了别人什么，累但值。跟模型费神，换来的大多是更多代码、更多测试和更多借口，偶尔多几个 bug 报告——作者说这点他倒是领情。有些单人任务确实一年前还做不了，现在能做了，这是实打实的进步。但作者没给数据，也没区分任务类型，到底哪些场景值得花这个社交税、哪些不值，全凭个人感受。

文章缺的是对“什么时候值得”的边界判断，也没讨论如果模型延迟再低一点、输出再稳一点，这种疲惫感会不会消失。不过它提醒了一件事：如果把这股社交脑力花在真人同事身上，回报可能高得多。