当 AI 同时成为解药和新病症：从 Asana 两周清五年积压到 Claude 5 的"token 呕吐"

2026年8月21日，两则看似无关的 AI 资讯形成了一个令人深思的对照：一边是 Asana 用 OpenAI Codex 在两周内清除了五年的工程积压，另一边是 Claude 5 因输出过于冗长，开发者不得不造出另一个 AI 工具来"清理"它的输出。这种矛盾，恰恰是当前 AI 发展最真实的写照。

Asana 案例：AI 编程的"奇点时刻"

OpenAI 今天发布了 Asana 使用 Codex 的案例研究，数据令人震惊：两周完成五年工程积压。

这个数字需要拆解来看。所谓"五年技术债"，并非指重写整个系统，而是那些长期堆积、优先级不高但持续消耗团队精力的工程任务——依赖库升级、代码规范化、测试覆盖率补全、文档更新、废弃 API 迁移。这类工作有个共同特点：规则明确、边界清晰、不需要创造性决策，但需要大量重复性的人工操作。

这恰恰是 AI 编程代理最擅长的领域。

Codex 的工作模式已经从"辅助补全"进化到"自主执行"：给定一个任务描述，它能理解代码库上下文、规划执行路径、编写代码、运行测试、修复错误，整个过程几乎不需要人类干预。Asana 的案例表明，当任务足够结构化时，AI 代理的效率可以达到人类工程师的数百倍。

但这里有一个关键前提：Asana 之所以能两周清完五年积压，是因为这些积压任务本身就被良好地定义和记录了。它们存在于 issue tracker 中，有清晰的描述和验收标准。换句话说，AI 代理的效率建立在人类前期的组织工作之上。没有好的任务定义，再强大的 AI 也只是空转。

Claude 5 的"token 呕吐"：能力过剩的副作用

与此同时，Anthropic 的 Claude 5 正面临一个尴尬的问题：输出太长了。

开发者社区对 Claude 5 的抱怨集中在一点：它的回答过于冗长、过度解释、反复确认、层层铺垫，仿佛在担心用户理解不了它说的话。有人将这种现象称为"token 呕吐"（token vomiting），并开发了一个名为 "vomit" 的开源工具——用另一个 LLM 来清理 Claude 5 的输出，删除冗余内容后返回精简版本。

这个工具在 Hacker News 上获得了 97 分的热度，说明问题绝非个例。

从技术角度看，Claude 5 的冗长并非偶然。大语言模型的训练目标是预测下一个 token，而更长的输出通常意味着更高的置信度和更完整的推理链。Anthropic 在训练 Claude 5 时可能有意强化了这种"详细推理"的倾向，以提升模型在复杂任务上的表现。但这种优化在简单任务上适得其反——用户问一个 yes/no 问题，得到的却是一篇短文。

这暴露了当前 AI 发展的一个根本性矛盾：模型越强大，控制其输出就越困难。能力提升往往伴随着行为的不可预测性增加。Claude 5 在推理能力上无疑是进步的，但它的"性格"变得更难驾驭了。

悖论的核心：我们正在同时制造解药和新病症

将 Asana 案例和 Claude 5 问题放在一起看，一个清晰的图景浮现出来：

AI 正在同时解决旧问题和制造新问题，而且速度一样快。

Asana 用两周清完五年积压——这是解药。但这些积压之所以存在，部分原因正是过去几年技术迭代太快，团队被新功能开发压得喘不过气，没时间处理技术债。AI 加速了开发速度，但也加速了技术债的积累。

Claude 5 能做更复杂的推理——这是进步。但它的输出过于冗长，需要用另一个 AI 工具来清理——这是新病症。而那个清理工具本身，又引入了额外的复杂性、延迟和成本。

这不是讽刺，这是技术发展的常态。每一项重大技术突破都遵循类似的模式：先创造巨大价值，然后围绕这些价值产生新的问题，再催生新的解决方案。互联网解决了信息获取的问题，同时制造了信息过载的问题；云计算解决了算力问题，同时带来了供应商锁定的问题。

AI 只是将这个周期压缩到了前所未有的速度。

Qwen3.8 Max 的启示：没有"最好的"，只有"最合适的"

今天的另一则资讯为这个悖论增添了新的维度：阿里 Qwen3.8 Max 在 UI 生成基准测试中超越了 Anthropic 的 Claude Fable 5。

这个结果的意义不在于"中国模型打败了美国模型"这种叙事，而在于它揭示了一个更重要的趋势：AI 领域正在从"一个模型统治一切"转向"不同模型各有所长"。

Claude 5 可能在推理和代码生成上领先，但在 UI 生成上不如 Qwen3.8 Max。GPT-5 可能在创意写作上无人能及，但在数学推理上可能被 Gemini 超越。这种分化意味着，未来的 AI 应用不是选择"最好的模型"，而是组合最合适的模型。

这也解释了为什么"vomit"这样的工具会出现：当用户被迫使用单一模型完成所有任务时，模型的弱点会被放大。但如果能针对不同任务选择不同模型，或者用一个模型的输出作为另一个模型的输入，很多问题就不再是问题。

对软件开发的深层影响

Asana 的案例对软件开发行业有几层含义值得深入思考：

第一，"技术债"的定义正在改变。 过去，技术债是代码质量问题。现在，它还包括"未被 AI 自动化的重复性工作"。那些仍然由人工完成的、规则明确的任务，本身就是一种新的技术债——不是代码的债，是效率的债。

第二，工程师的价值正在转移。 当 AI 能自主完成代码编写、测试、重构时，工程师的核心价值不再是"写代码"，而是"定义问题"和"验证结果"。Asana 的五年积压能被两周清完，是因为有人提前把这些积压定义成了清晰的任务。这个"定义"的过程，比"执行"更有价值。

第三，"AI 原生"的工程文化正在形成。 未来的高效团队不是"人写代码、AI 辅助"，而是"AI 写代码、人定义需求和验证质量"。这种范式转换已经在发生，Asana 的案例只是冰山一角。

未来展望：拥抱悖论，而非消除它

面对 AI 同时制造解药和新病症的现实，正确的态度不是试图消除矛盾，而是学会在矛盾中导航。

对于开发者而言，这意味着：不要期待一个完美的 AI 工具，而是建立一个能有效组合多个 AI 工具的工作流。Claude 5 输出太长？用工具精简。Qwen 在 UI 生成上更强？在那个场景用 Qwen。关键不是找到"最好的 AI"，而是建立"最好的 AI 组合"。

对于 AI 公司而言，这意味着：模型能力的提升必须伴随着可控性的提升。Claude 5 的"token 呕吐"问题如果持续恶化，将侵蚀用户信任，抵消能力提升带来的价值。Anthropic 需要在下一代模型中找到能力与可控性的平衡点。

对于整个行业而言，这意味着：AI 的发展不会是一条平滑的上升曲线，而是一系列的"突破-问题-解决-新突破"循环。每一个循环都会创造巨大价值，同时产生新的挑战。重要的不是避免问题，而是加速循环。

结语

2026年8月21日的 AI 资讯，表面上看是几条独立的新闻，但背后是一个统一的叙事：AI 正在以前所未有的速度重塑一切，包括它自己带来的问题。

Asana 两周清完五年积压，证明 AI 编程已经跨过了实用性的门槛。Claude 5 的"token 呕吐"，提醒我们强大和可控之间存在永恒的张力。Qwen3.8 Max 的崛起，预示着 AI 的未来属于组合而非垄断。

在这个充满矛盾的时代，最大的风险不是被 AI 取代，而是被那些懂得如何驾驭 AI 矛盾性的人甩在身后。

本文基于 2026年8月21日 AI 技术资讯撰写，涵盖 OpenAI Asana 案例研究、Claude 5 社区反馈、Qwen3.8 Max 基准测试等多项公开信息。