我通常不撰文讨论个人副项目，但近期一个案例为将精益思维应用于人工智能（即“精益AI”）提供了有益启示。
过去一年，我借助AI构建并管理了一款小型Web应用，用于根据特定奇幻世界的词源规范生成名称。该应用虽具极客色彩且涉及复杂逻辑，但本身轻量易维护，且我未编写任何代码。我的成本仅为每月20美元的AI订阅费和每年11.08美元的域名费，主要投入在于个人时间。
当前，许多AI爱好者陷入一种迷思：支付巨额订阅费、频繁升级硬件，甚至每周工作50至60小时试图自动化40小时的工作量。有人每月花费数百美元运行日益复杂的AI代理，构建“代理管理代理”的嵌套结构。这种技术狂热本身无可厚非，正如超频电脑或收集战锤模型一样，但这并非出于经济性或效率考量。“可能做到的”与“有价值的”之间存在巨大差异。
从电子表格到精益架构
我的初衷并非使用AI，而是制作有用的工具。我希望生成的名称在含义和来源上严格符合既定设定。最初的原型仅是Google表格，如今已演变为拥有独立词源引擎的Web应用，理论上可生成万亿种变体。这一过程并未依赖特定的AI提供商或智能代理，而是采用了与我多年来用于组织改进一致的精益思维。
近期，我用新的代理架构重写了该应用。首先，通过命令行对话配置AI代理，确立目标、工作协议及持续改进标准，构成“代理框架”的基础。这与高效团队在起步阶段的工作逻辑一致。
在数据提取环节，让AI处理数百万页内容既昂贵又低效，因为这类重复性工作并不需要智力，属于典型的“过度加工浪费”。相反，我让AI代理编写脚本并启动工作者来收集数据，这些工作者消耗零AI令牌。代理独立处理样本并通过交叉检查验证准确性，待脚本达到阈值后，再扩展更多工作者。
随后，代理监控工作者，解决错误或联系我，并定期审查数据以消除误捕获。在此过程中，我最大的责任仅是确保电脑不进入休眠状态。数周后，在数据充足且命名规则确立后，我们开始组装生成器引擎的逻辑。
工程严谨性与适度原则
随着开发深入，产品开发流程逐渐成型：扩展工作协议、编码规范、审查流程和工具链。我们引入了版本控制、自动化测试、CI/CD流水线及部署验证等标准。代理提供建议，我配置商定的解决方案。提前确立HTML优先、SOLID和DRY原则等标准，有效防止了后期返工。
需要明确的是，我并未运行变异测试或复杂扫描。对于一个无用户账户、攻击面有限的静态网站而言，那是杀鸡用牛刀。金融平台需要更高的工程严谨性，而爱好网站则不然。关键在于负责任地使用所需资源，而非盲目追求看起来很酷的技术。
此外，我扩展了框架以引入针对格式、代码重复等问题的自动化验证，所有工具均为免费或开源且不依赖生成式AI。我谨慎评估每项技术的引入，避免带来比收益更大的负担。
AI无法取代专业知识
尽管代理能独立编写代码、运行测试并纠正错误，但我仍需识别逻辑谬误、质疑方法选择并验证标准遵循情况。这凸显了一个重要事实：人工智能并不能取代专业知识。
我自12岁起构建网站，这段经历使我能够识别需求、挑战建议并判断异常。AI辅助开发使我能委托编码工作，专注于产品其他部分，类似于动态的无代码解决方案。然而，混淆“生产能力”与“评估胜任力”存在危险。在邓宁-克鲁格效应下，缺乏专业知识的人可能因AI生成的看似正确结果而过度自信。
在设计领域，这种区别尤为明显。AI能生成功能性设计，但难以把握使体验令人难忘的细微差别。例如，为优化一个按钮的红宝石质感及交互响应，我花费数小时提供示例、挑战结果并发挥创意描述反馈，因为无法依赖与AI共享的设计语境。
这不仅限于视觉设计。我仍亲自验证已完成工作，并作为唯一授权人发布生产版本，因为最终责任在我。人工智能改变了工作方式，但并未免除我们决定构建什么、为何重要及服务谁的责任。
结语：价值最大化而非用量最大化
使用AI如同使用互联网，方向正确但缺乏具体指导。我仍需决定目标、受众及结果价值。每月400美元的订阅费或复杂的代理系统在特定场景下可能是极佳投资，但不应成为默认选择。
精益思维并非要求最少工具或消除所有开支，而是一种在持续改进中创造价值的思维方式。对于本项目，这意味着从电子表格原型起步，在常规自动化胜任时使用传统手段，在扩展前验证质量，应用与风险相称的控制，并在关键处保留人类判断。
目标不应是最大化AI的使用量，而应是最大化通过AI创造的价值。
该应用及其代码已基于MIT许可证在GitHub开源，欢迎探索：https://github.com/bradleynelson/elf-name-generator