去年12月，我写过一篇很短的日志，说自己有个需求——投影PPT时拍出来的照片是歪的，想自动矫正成标准四边形。当时找 DeepSeek 写了第一版，几行需求描述换来一个能跑的程序，觉得挺神奇。

现在回头看，那其实是个起点。这十个月里，这个小工具本身也没闲着，先后又经手了 Gemini 、 Claude 、 GLM ，一路改到了 v5 ，加了不少当初自己想不到的算法。但比工具本身更有意思的，是我用 AI 的方式，在这期间变了好几轮。

网页时代： AI 是个随叫随到的顾问

去年12月之后大半年，我基本就是打开网页版，把问题贴过去，把代码抄回来，本地跑，报错了再贴回去问。

这个流程说不上先进，但确实顶用。以前要自己啃文档、试错好几天的事，现在半天一天能出个可用版本。缺点也很明显——上下文没交代清楚，它容易自作主张地跑偏；核心需求不反复强调，它也记不住。这些坑踩多了，也就摸出了跟 AI 打交道的分寸：关键的部分自己把关，边角的事交出去。

同时在折腾：自己的 AI 基础设施

网页问答之外，还有一条线一直没停——本地跑大模型。用 llama.cpp 配 Vulkan 后端，在几张老卡上把 GGUF 模型跑起来；后来又搭了 RAG ，配了向量库，写了个 shell 脚本做文本提取分析。

这条线跟网页问答不是替代关系，是分工：复杂、要求高的活儿丢给云端模型，日常、批量、不想联网的活儿交给本地。两边都在用，谁也没取代谁。

8月，从"问 AI “变成"让 AI 跑”

真正的转折在8月前后。之前零星用过 opencode ，后来又试了 dsh 、 zcode ，最后固定在了 Pi agent 上。

变化不是模型突然变聪明了，是流程变了。以前是我在浏览器和本地环境之间来回搬运信息——问、抄、跑、报错、再问。现在是把目标丢给 agent ，它自己去读项目、改代码、跑命令、看结果、有问题接着改，我只在关键节点确认。

原来在网页上折腾好几天才能搞定的事，现在几个小时甚至更短就能出结果，质量还不见得比自己死磕差。这大概是这十个月里感受最直接的一次效率跃迁。

再往后：不只是用，还开始自己造

用顺手之后，就不满足于只是"调用"了。我开始给 Pi 写扩展、写 skill ——一个自己实现的网页读取扩展，跑起来之后又回头做了一轮完整的问题排查和修复；一套企业 PPT 的视觉风格模板，先自己定框架，再让好几家 AI 分别提意见，合出一个更完整的版本；还有打包流程、审查方法这类东西，也都从"临时凑合"变成了固定下来、可以反复用的东西。

到这一步，角色其实变了——不再是纠结"这个任务该用哪个模型"，而是开始考虑要不要自己动手做个工具，把某类问题一次性解决掉。

AI 给的方案，不代表能直接用

也不是所有事情都顺利。有次想把一个环节的渲染方案换掉， AI 给了几个候选，听着都挺合理，但实测下来，一个排版对不上，一个直接跑挂了。折腾一圈，最后发现原来的方案就是最合适的，维持不变。

这件事提醒我， AI 能帮着把候选方案列出来、缩小范围，但能不能用，还得自己上手试。方案听起来多合理都不算数，跑起来才算数。

现在手上在用的

目前日常用的模型分了个大致的工。轻量、量大的活儿交给 DeepSeek V4.1 Flash 和 GLM 5.3 Flash 这类快模型；需要综合判断的场景用 GPT 系 Luna 5.6 ；整体把关汇总找下 Claude 的 Sonnet 5 。具体谁该干什么活，是这十个月一点点试出来的，不是一开始就想明白的。

结

从去年12月 DeepSeek 写出的第一段能跑的代码，到现在自己给 Pi 写扩展、定方法论，中间换过好几家 AI 、好几种用法，说到底变的不是模型有多强，而是我自己想清楚了什么活该交给谁、交到哪一步。

AI 从一个"问一句答一句"的顾问，慢慢变成了我工作环境里的一部分。往后大概还会继续变，先记到这里。

外

~对了，这篇日志是让 AI 帮我把这十个月的记录理了一遍、顺了顺逻辑写出来的——素材是我自己的，思路是自己想的，架构是自己决定的。但码字这道工序，确实是交出去了。