大厂倦怠想辞职2026年11月13日提问追问2次3次类似提问

在公司做Vibe coding Saas(制造业数据分析),服务2个大团队(400人);也经常响应领导的fake work(向上管理)。一方面是自己想更多的从事agent开发,但是被冗长的数据以及扯皮的工作,甚至是涉密不让用codex,导致工作时间非常饱和,下班甚至缺乏上完AI architect的动力。另一方面 觉得AI的发展确实会让我这样的工作变的没有价值,甚至要非常卷,通过各种fake work证明自己有价值。 有些时候甚至想逃离,但是逃离一个环境可能是故事的重演。工作应该何去何从?还是说现在就需要摆脱打工人思维?

先别把问题定成“要不要摆脱打工人思维”。更可行的顺序是:在现职里把fake work压到最低、留出做agent的时间;同时用副业或小项目验证“离结果更近”的能力,再决定是否换环境。

AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。

fake work是结构性的,不是你一个人的失败

立正讲过,知识工作的价值难衡量,组织只能看周报、会议、上线这些替代指标,人就会围着指标生产动作⁠1,2。杨天楠补充了一个条件:人才密度高但增速慢的地方,意义感稀缺,聪明人只能靠更勤奋和互相比较来获得合法性,fake work会被成倍生产⁠3。这解释了你的疲惫为什么不像“再努力一点”能解决。立正还判断,AI会先极大膨胀fake work,再让它贬值⁠3。

但要注意,这是对组织激励的分析,不是替你断定你所在团队的具体情况。

先缩短与结果的距离,而不是先逃离

AI推演

立正给的做法不是“别做诚实的人”,而是看清游戏:该保留的数据保留、该提的建议提到该知道的人那里,然后做甲方需要的事,适可而止⁠4。他把工作分成高价值和低价值两部分,主张反复做那10%真正决定产出的工作,把低价值的挤掉⁠4。

对fake work,他给的具体顺序是“先删除,再自动化”:对低风险、可恢复的周期性工作,先停一轮,写清少做一轮会在什么时候造成什么后果,到期没发生就删掉;不要先让agent把它做得更便宜,因为成本越低,没用的工作越容易永久存在⁠1。他还建议闭合一个小循环:做出改动、让真实用户使用、观察结果、再改一次,练的是从判断一路负责到结果⁠1。

这正好接上你想做agent开发的方向:与其等下班后攒动力,不如在现职里挑一个真实的数据分析问题,自己定义、自己跟到结果。

换环境能解决一部分,但解决不了“只被训练过一种努力”

立正自己走过跳槽、创业公司、自己做事的路径,他说前提是先增加选择环境的能力,比如把简历做到想跳哪家都能跳,再探索副业和事业⁠4。他离开腾讯时管30多人,主要工作是上传下达、互相翻译,做得挺好但自问“我有什么进步”,于是去了更靠近结果的创业公司⁠5。他也说,离开大厂才发现fake work不是大厂独有⁠5。

所以“逃离是故事重演”这个担心有依据:如果换环境后仍然是等别人给分、靠动作证明自己,问题会跟着走⁠6。但换到离结果更近的位置,确实是他本人验证过的解法之一⁠5。

关于收入:你希望年入50W+持续到40+岁,这个目标在材料里没有对应证据,不能替你判断哪条路更稳。可参考的是杜磊的判断——执行层工作会消失,但有行业背景的超级个体会被吸纳到外部供应商,少数人支撑整个行业;他也强调技术扩散很慢,是十年尺度⁠7。Indigo 转述的观察是,好的AI工程师以“IT家政”方式同时服务几家企业,单个客户付得不比大厂多,加起来可能更高⁠8。这些是方向性描述,不是收入承诺。

材料没有你所在公司的具体激励、涉密范围和岗位可调空间,也没有中国年入50W+的可靠数据,所以无法判断该不该现在离职或转岗。

出处

  1. 1如何识别与消灭 fake work

    超线性学院2026-08-28

    最具体的操作:先删除再自动化、缩短与结果的距离、闭合小循环。

  2. 2从大厂高薪到自己赚钱,中间差的是什么?

    超线性学院2026-09-22

    可回到原文核对这部分判断

  3. 3杨天楠:看似体面的工作,实则都是在表演?

    视频说话人待核2026-10-30

    解释fake work为何在低增速高密度团队里被成倍生产,以及AI先膨胀后贬值的判断。

  4. 4离开大厂之后,我才发现,没有Fake Work的工作其实很开心|对话课代表立正

    xiaoyuzhoufm.com说话人待核2026-10-29

    立正讲跳槽、增加选择能力,以及数据科学家在fake work环境里如何保留专业度。

  5. 5职场不再奖励表演式工作,晋升要对结果负责

    视频发言:立正2026-09-15

    立正本人从管30多人到去创业公司、追求离结果更近的经历。

  6. 6假学习的终结

    超线性学院2026-09-30

    可回到原文核对这部分判断

  7. 7AI重塑工作流后,会消灭哪些“假工作”?(完整观察与推理)|软件3.0如何定义?|当Cursor成为“外脑”|杜磊_下

    视频说话人待核2025-08-16

    可回到原文核对这部分判断

  8. 8Agent 时代的投资与生存法则|Indigo 西雅图线下分享 Notes & Insights

    超线性学院2026-04-29

    可回到原文核对这部分判断

追问2026年11月13日

领导甚至想让我100%干fake work,专门设计给领导看的报告的格式

领导要你专门做“给领导看的报告”,这本身就是fake work的典型形态;但不必硬顶,先把它压到最低成本,再把省下的时间投到能对结果负责的agent项目上。

先看清:这份报告是表演,不是价值

材料里的观点

立正把fake work直接翻译成“表演型工作”:不是为了赚钱或真正影响人,而纯粹是向上管理、向上汇报的工具⁠1。他还说,知识工作的价值难衡量,组织只好看进度、报告、会议这些看得见的动作,人就开始生产动作⁠2。所以领导让你设计报告格式,问题不在你不够努力,而在这类工作被结构性地奖励了。他讲过一个对照案例:在Meta时他准备花两周做一份博士训练式的详实分析,结果上级半小时用表格加颜色排版、发内部文章tag老板,五分钟就拿到点赞⁠1。这说明这类报告要的是“被看见”,不是“被验证”。

别用AI把fake work做得更漂亮

立正明确提醒:AI很善于生产这类输入,但它不能帮你选对目标,通常只是把现有目标执行得更便宜;组织奖励出报告,就会出现更多报告⁠3。他还说,自动化fake work只是把缓慢的浪费变成高速的浪费⁠3。所以“用agent把报告格式自动化”要小心:如果只是让表演更省力,你会更快地生产代理信号,却没让自己离结果更近。他给的方向是:把点击、复制、同步和检查交给agent,把目标、例外、验收和最终批准留给人⁠4。

对你的处境:压低表演,留出做agent的时间

AI推演

立正给过一条可操作路径:先意识到只有约10%的工作有价值,用这些高价值工作反复做,把低价值工作挤掉⁠5。他还说,对低风险、可恢复的周期性工作,最直接的办法是停一轮,停之前写清“少做一轮会在什么时候造成什么后果”,到期没发生就删掉⁠4。结合你的情况(这是AI的应用建议,不是立正对你个人的判断):报告格式这类活,可以先问领导“这份报告要支持哪个具体决定”,把交付从“详实专业”压到“一页结论加关键数字”;格式模板做一次就复用,不要每轮重做。省下的时间,用来做能闭合小循环的agent项目——做出改动、让真实用户用、观察结果、再改一次⁠4。这比再多做一份漂亮报告更接近你“持续赚钱”的目标。

材料没有涉及你所在公司的具体考核方式、领导风格,也没有年入50万的具体路径;《从高薪打工到自己赚钱,要过这三关》⁠6提到从打工到赚钱分三阶段,但字幕未经逐字核实,只能作方向参考。

出处

  1. 1杨天楠:看似体面的工作,实则都是在表演?

    视频说话人待核2026-10-30

    立正本人对表演型工作的定义,以及Meta报告案例的完整对照。

  2. 2假学习的终结

    超线性学院2026-09-30

    解释fake work为何是结构性的,以及它骗的是“进步的感觉”。

  3. 3职场不再奖励表演式工作,晋升要对结果负责

    视频发言:立正2026-09-15

    说明AI会加速fake work而非消除它,提醒别把报告自动化做偏。

  4. 4如何识别与消灭 fake work

    超线性学院2026-08-28

    给出删除、缩短与结果距离、把信息税交给agent的具体做法。

  5. 5离开大厂之后,我才发现,没有Fake Work的工作其实很开心|对话课代表立正

    xiaoyuzhoufm.com说话人待核2026-10-29

    可回到原文核对这部分判断

  6. 6从高薪打工到自己赚钱,要过这三关

    视频说话人待核2026-09-25

    可回到原文核对这部分判断

追问2026年11月13日

给2个大团队做vibe coding saas,把制造页的各个环节通过数据 串起来是有价值的事情吗?因为发现普通同事也不是很积极参与,就好像做了,但是大家参与度一般,很多使用者的工程师 根本不关注 数字化产品 更不关注AI产品,让我感觉这个数据分析软件这甚至都是表演的一部分

把制造页各环节用数据串起来,本身可能有价值;但“同事不积极参与”说明它还没成为他们愿意反复使用的工具。先别把它当表演,也别急着推广全员,先找一两个真实卡点做出可核对的节省。

价值不在“串起来”,在有人愿意反复用

你描述的现象——工程师不关注数字化产品、参与度一般——恰好说明“把环节串起来”只是你的设计意图,还不是使用者的需求。立正提醒过,不能因为工具好用就假定推广已经成功;人要改变的不只是点哪个按钮,还包括遇到问题时先想什么、先找谁、愿不愿意让AI试一遍⁠1。所以判断这件事有没有价值,不能看你把数据链路搭得多完整,而要看有没有具体的人因为某个环节被串起来而少花了时间、少扯了皮。如果找不到这样的例子,你的“表演感”就不是错觉。

先做悬赏板,而不是全员培训

AI推演

立正给那支已经会用AI的小团队的建议是:先把现有能力用足,不把“教会所有人”当成创造价值的前提;把同事反复遇到的真实问题做成内部悬赏任务板,记录哪个组、原来预计多久、实际用了多久、交付了什么、对方是否认可⁠1。放到你的场景,就是先挑制造页里一两个工程师真的会抱怨的卡点,用数据串起来解决一次,留下可追问的记录。愿意学的人会自己来问;不愿学的人至少把真实需求交出来。这比继续扩大覆盖面对你判断“值不值得做”更有信息量。

“表演”和“中段工作”要分开看

立正区分过Vibe Coding内容最容易展示的“从想法到第一版”,和真正决定系统能否运转的权限、迁移、数据、客服、异常处理、长期维护⁠2。你做的数据串联如果落在这些中段工作上,它不天然是表演,只是不容易被看见;如果它主要是给领导看的报告格式,那才是你历史里说的fake work。徐老师在讨论中国SaaS时提到,企业软件推不进去,部分原因是替代方案(比如Excel表哥表姐)够用、人力便宜,以及一些非市场化的推动方式⁠3。这可以解释为什么工程师不积极:他们手里已经有能用的办法,你的系统还没证明比它省事。

现有材料没有你所在团队的具体使用数据,也没有关于中国制造业内部数字化产品采用率的研究,所以无法判断这个SaaS本身的市场价值;以上只是把立正和徐老师的原则套到你的处境上。

出处

  1. 1你赚哪份钱,决定了产品该怎么做|切问·立正02

    超线性学院2026-09-17

    直接讨论“同事不积极参与”时该先做什么:不假定推广已成功,用悬赏板记录真实需求与节省。

  2. 2想获得超线性回报,先打下可以坚持的地基

    超线性学院 · 会员2026-08-30

    区分容易被看见的演示和决定系统能否运转的中段工作,帮你判断“表演感”从哪来。

  3. 3大佬亲身经历剖析,中美科技创业差异?|中国SaaS为什么不赚钱?

    视频说话人待核2022-10-14

    解释中国企业软件采用率低的一种原因:替代方案够用、非市场化推动,对应工程师不关注的现象。

你也有想问的?

卡住的时候,问问立正:回答附有出处,可以点回原文核对。

也可以接着问:

所有问题 →