活儿都是AI做的，为什么人还会那么累？

之前也一直觉得用 AI 很费劲，但这只是一种模糊的感觉，说不清道不明。

最近在摸索 AI 和 Word 互动的时候，我特意记录了整个流程，并在之前也撰写了几篇博客。

写到最后一个，我也能明显感觉到自己已经不再像开头那样充满热情了。

状态的起伏和前几篇博客撰写AI操纵Word表格的流程，一模一样。

我在想，为什么会这么累。明明，大部分动手的工作都是 AI 做的。

停下来换换脑子的时候，读到了 Karasek（1979）关于工作压力的经典论文，发现一切有解释了。

Karasek 的工作压力模型

1979 年，麻省理工的 Robert Karasek 提出了一个简单的二维模型，用来解释什么样的工作会让人压力大。他认为，工作压力 = 工作需求 * 决策自由度。

这里，工作需求是指任务复杂度、时间压力、被打断的频率、需要做决策的次数。决策自由度是你对工作方式、时机、节奏的控制权，即你能不能决定“怎么做、什么时候做”。如果工作需求高，决策自由度低，就会让人压力大。

看完，我觉得AI操纵Word表格线条可以完美地用这个模型得到解释。

人怎么就进入了高压锅

你以为的简单，其实需求高得多

我最初的预估AI操纵Word表格是“打开 Word，点一下边框按钮的事”。

实际流程却是：

明确需求→了解AI打算如何做→学习AI操纵Word表格线条的原理→到这儿还没有开始做呢，但人已经掉一半血条了→牢记未完成的目标继续指挥AI撰写并跑探查脚本 → Word 里目视检查 → 发现 Trae 预览没问题但 Word 里合并有问题 → 回去改脚本 → 重新跑 → 再检查 → 这算是一种线条的画完了。

重复血条开始掉了的流程再画其他的线条。

注意，这里还是没有写skill呢。

接上一篇写完skill后，实际走了四个流程。怎么会不累呢？

这就是 Karasek 说的工作需求被严重低估。以为改一个表格边框是低需求，就是点两下按钮的事。实际背后是 XML 两层叠戴的渲染逻辑、六种方向线的组合、合并单元格的特殊处理、不同 Word 版本的渲染差异。这些复杂度在 Word 界面上看不到，但它们真实存在。

为了目标，都得去理解后，才能指挥AI一一消灭。

任务比想的要大，压力自然就上来了。

AI 到底行不行？= 低控制感

我一开始想走捷径：用 Trae 的 MCP docx 工具里的 add_table 加表格的时候，顺便把边框参数传进去。打开工具列表，发现 MCP docx 根本没有边框相关的参数。这个功能在 Word 界面上点一下就能设，但 MCP 工具链里就是没有暴露出来。

然后绕道 python-docx。python-docx 能调到底层 XML，理论上什么都能改，但它没有预览能力，你写完脚本跑一下，Word 里才知道效果对不对。Trae 内置的 Word 预览又跟真实 Word 渲染有差异，合并单元格的边框在预览里看着对，Word 打开才发现有多余线条。

这里的核心问题不是 AI 能力弱，而是对 AI 的能力边界没有确定性。所以要预先沟通。

但何止是这一个环节。

于是，看似全程AI上手，但我全程也没有撒手。等于 AI 做了一半的活，我背上了另一半的验证负担。

Karasek 的模型说，决策自由度低意味着你没法自主选择应对方式。本来手动改表格目测鼠标卡卡即可，但用了AI，因你不确定每条路径的效果，被迫走了“试错→返工→再试错”的路线，而不是一开始就选对工具。

AI啥时候停我不知道，但我得随时做决定

每一次沟通，我都要等到 AI 停下来，去回答我没有预期但的确发生了的问题。比如三线表中线的位置，AI 就停下来问我，不回答不行。

这样的中断还有：线条粗细、线条样式等。

这里工作需求里又加入了新的成分：频繁的中断和决策。

压力接着增加。

看着聪明，有时候笨拙

AI真的很聪明，但需要实时引领。

它能知道三线表是三条线，但不知道中线应该画在哪会合适。

第一次测试SKILL，AI 居然不知道顺着技能脚本复用py文件。

看着聪明，有时候笨拙。只能陪着调整。

这就是Karasek 的模型里的额外增加工作需求。

四件事合起来，就是高需求低控制

低估需求让需求从低跳到了高，不确定 AI 边界让控制感掉了下来，频繁打断又进一步推高了需求、压低了控制。

所以，一个简单的AI操纵WORD表格调整线条，实际上是一个充满压力的工作。

怎么从高压力走出来

Karasek 模型给的药方也很清楚：要么降低需求，要么提高控制。降低需求不太现实，用AI辅助工作其实是一个复杂的过程。真正能做的是提高决策自由度。

以下是我试了，觉得有用的做法。

第一个：给自己时间试错，不要赶着交付

我第一次改表格的时候，给自己定了“半小时搞定”的预期。这个预期本身就是问题，AI 工作的时间成本你根本没算过，凭什么用“手动改”的时间去估“AI 改”的时间？

后来我就不赶了。

给自己时间试错，等于给了自己“什么时候做什么”的控制权。你不用赶，不用逼 AI 一次跑对，不用因为赶进度而省掉验证环节。这直接提高了决策自由度。

第二个：让 AI 盯着素材库，随时记录、随时整理、随时反思

改完表格之后，我让AI把改了 4 遍的原因、每一遍改了什么、为什么改，全部记录下来

这些记录看起来是“额外工作”，但它们在做一件关键的事：把隐性的经验变成显性的控制感。

让我知道，我是在往前推进而不是后退。

记录让你的努力没有白费。更重要的是，记录让你意识到并且开始承认，用 AI 实现自己的目的的确会复杂。你开始让自己不再高估 AI 的能力，低估任务的复杂度，缩小你的需求预期和实际需求之间的差距。

第三个：接受 AI 有边界，别硬逼它做它做不到的事

MCP不可用，那就python代码，知道 AI 能做什么、不能做什么，比勉强把它拉到它不擅长的地方再花更多精力补救，效率高得多。

最后想说的

用Karasek 的模型回看整个AI操纵word表格调整线条的过程，不难发现，其实和AI交互不比自己动手轻松多少。

所以，如果你觉得用AI累，在没有重复复用这些功能的时候，不放考虑用手动。