从开发转管理,最需要换的是视角:从“我交付代码”变成“让团队交付、让对接方听懂”。先练两件事——提前对齐期望,和按听众调整表达。
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。
管理不是管人,是对交付负责
材料里的观点做过开发的人容易以为管理就是分活、盯进度,但一位从 IC 转 manager 的嘉宾说,manager 更多是对项目本身负责,要定义那些判断要求高、不确定性大的东西,还要做写文档、跟上级汇报这类不那么光鲜的事。他当时主动向老板要了一个还没定义清楚的项目,去跟 PM 沟通、把它变成规划和方案文档,用这种方式提前练管理能力。你没有任何经验,可以先从一件小事试起:主动接一个需求边界模糊的任务,负责把它谈清楚、写成方案,观察自己在“定义问题”上是否比写代码更吃力。
出处 1
对接别的部门,先想对方关心什么
材料里的观点跨部门沟通卡住,常常不是信息不够,而是给错了版本。同一个工作可以有一百个版本,对后端专家要讲技术复杂度,对更高层领导要讲高层结论,因为他们每天要看上百份文档,没时间读细节。做法是每次对接前先写一句“对方最关心什么”,把结论放最前面,细节留作备用。这样能减少需求来回返工:对方如果信你,不需要看长文档;不信时,长文档才是补充证据。
出处 2
期望要提前说清,别等出问题才谈
材料里的观点返工和冲突往往源于期望没对齐。一位管理者说,每个半年开始时就跟每个人讲清楚这个周期的交付应该是什么样,因为每个人对职业的要求不同,有人只要达标,有人想冲更高目标;之后每月一对一 check in 时,就能拿当初说好的标准来对照。你带团队时,可以在任务开始前把“什么算完成、什么算好”写下来跟对方确认,而不是等交付时才发现理解不一致。
出处 3
这些经验来自不同公司、不同层级的管理者,具体做法要结合你所在团队的规模和流程调整;材料未涉及你公司的具体制度。
出处
- 1Charles采访幕后
讲从 IC 转 manager 时主动争取管理类任务、理解 manager 对项目负责的具体做法
- 2对DS manager们的建议
讲跨部门表达要按听众调整,以及从 IC 到 manager 的 mindset 转变
- 3数据科学何去何从:管理还是专家?大厂还是创业公司?|西雅图DS线下讨论|Notiong DS Manager Mengying
讲如何提前对齐期望、用一对一 check in 跟踪交付,减少返工
追问2026年10月8日
那么细化来讲的话,处理边界模糊的任务有方法论吗
有,但不是一套固定流程,而是把模糊需求拆成可掌控的小块,再靠反复确认把不确定性压到能承受的程度。
把模糊需求拆到你能掌控的颗粒度
AI推演开发出身的人本来就擅长接一个含糊需求再自己解掉,但对接场景里,光自己解掉不够,还要让对方的期望和你的理解对齐。一个可试的做法是:拿到模糊需求后,先在心里把它拆成几个明确的部分——要哪几个模块、每块大概什么复杂度、大概多久能出——拆到你觉得不确定性已经能掌控为止,再拿这个拆解去和对方确认。这样做的价值不只是让对方听懂,也让你自己知道进度走到哪、不会中途怀疑方向错了1。你目前没有经验,可以先挑一个正在做的需求练这一步,观察对方在确认时是点头还是反问,反问的地方往往就是你们理解不一致的地方。
先问清楚问题,别急着当场解决
AI推演从工程师转成对接方,一个常见的坑是听到对方讲需求就本能地想当场给出解法,结果越讲越慌,因为那些内容你本来就不熟。更稳的做法是先用开放的问题把对方的意图问出来,比如问他打算怎么解决、他真正在意的是什么,而不是立刻替他解掉2。这和前面拆解的动作是配套的:拆解让你有东西可确认,提问让你先拿到确认的素材。判断有没有效,可以看对方是否开始主动补充细节,而不是你单方面输出。
关于跨部门期望对齐的具体做法,材料里多是多人访谈片段,说话人未逐段确认,只能作为参考方向。
出处
- 1双倍工资,四倍存款,反而更游刃有余,对高效工作有什么启发?|OE_上|会员专属
讲把目标拆到可掌控颗粒度、对齐大方向后进度更稳,适合核对拆解与确认这一步。
- 2Zero: AI时代如何教育孩子,学AI的门槛到底有多低,Web工程师的转型之旅,大厂、创业公司、创业
讲工程师拿到模糊需求与对接时改用开放提问,适合核对“先问清再动手”。
追问2026年10月8日
如果对方自己也不清楚想要什么,该怎么往下问?
对方说不清时,别追问“你到底要什么”,而是给出几个具体选项让他挑、让他纠正,用他的反应反推真实需求。
把开放问题换成让他挑的选项
材料里的观点对方说不清,往往不是没需求,而是没法凭空描述。这时继续问“你想要什么”只会让他更卡。更有效的做法是先根据已有信息猜几个可能的方向,摆到他面前让他选、纠正或补充,并留一个“都不是”的出口。这样他的反应本身就是信息:选中哪个、否掉哪个、在哪句上开始多说,都在暴露他真正在意的东西。那篇讲如何把好建议用上的文章里,提取工程师隐性知识的例子就是这个思路——先让 AI 猜几个原因,再请当事人选择、纠正和补充,而不是从零访谈1。
先分清事实和你的猜测
材料里的观点你容易把“他没说清”直接理解成“他没想清楚”,但这只是你的解释。先把已知的事实(他提过什么、否过什么、在什么场景下用)和你对他意图的猜测分开写下来,再拿猜测去核对。那篇文章建议单独写一句“我目前认为卡点是……”,把它当成待检验的假设而不是结论。核对时问的是能改变你下一步做法的问题,比如“这个功能是给内部用还是给客户看”,而不是笼统地问目标1。
用一次小验证代替反复追问
AI推演如果问了几轮还是模糊,可以挑一个成本低、能快速看到反馈的动作先做出来——一个草图、一个最小可用的版本、一段示例数据——拿给对方看。他的反应会告诉你方向对不对,比继续口头确认更快。做之前先写下这个动作要验证什么、什么结果会让你改变原来的判断。那篇文章把这一步叫“把答案变成一次小验证,再带着结果回来”,重点是让反馈推动理解,而不是一次问清所有细节1。
现有材料主要讲提问和验证的一般方法,没有专门针对“对方自己也不清楚”的完整流程;具体问法还要结合你和对方的实际关系调整。
出处
- 1为什么别人的好建议,到你这里就用不上?
给出把猜测当假设、让对方选择纠正、再用小验证推进的具体做法,最贴合这个问题。
追问2026年10月8日
当对接的是客户,且客户问了一个你不知道的问题时,应该怎么处理?
先别硬答,把“不知道”变成一次确认需求的动作:当场记下问题、说明会核实后回复,并顺势追问这个问题背后的场景和验收标准。
承认不知道,比编一个答案更接近交付
客户问到你答不上来的问题,直接说“这个我需要确认后回复你”并不丢分,反而是在为后面的交付减少返工。真正会出问题的是当场凭印象给一个答案,客户按它做了决定,开发再按它实现,最后发现方向错了。求助和承认不确定本身是负责任的表现,捂着问题等它变成后果才更糟1。你可以把这次回答当成一次确认需求的机会:先记下客户的原话,再问一句他为什么关心这个、想用它做什么决定。这样你带回去的不只是一个待查问题,而是问题背后的场景。
把问题转成能验证的假设再回复
AI推演没有经验时,可以借一个具体做法:把事实和你的猜测分开写。先记下客户问了什么、他提到的使用场景和限制,再单独写一句“我目前理解他想要的是……”,把这句当成待核实的假设,而不是结论2。带着这个假设去问开发或查资料,比空手问“这个怎么做”更容易得到有效回答。回复客户时也可以把假设摆出来让他纠正,比如给出两三种可能的理解让他挑,用他的反应反推真实需求,而不是追问“你到底要什么”。这样一次往返就能同时确认需求和技术可行性。
材料没有专门讲“客户当场提问答不上来”的场景,以上是从提问方法和沟通原则迁移过来的;具体话术要按你的客户和项目调整。
出处
- 1大厂新人如何主动规划职业 + 和manager 1:1
说明求助和及时沟通是负责任的表现,适合缓解你“承认不知道会不会显得能力不足”的顾虑。
- 2为什么别人的好建议,到你这里就用不上?
给出把事实与猜测分开、用假设去验证的具体做法,适合设计你回复客户前的准备动作。
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:
别人还问了
- 有个投资人讲 alexzandra wang
最直接的是周楠那期访谈,标题就点明他讲 Alexandr Wang 为什么是顶级创始人;片段里还提到 Scale AI 在 2021 到 2022 年因自动驾驶降温而客户变少的转折。
- 找到10%高价值的工作,但是在AI时代,对于data scientist来说,高价值的工作是什么呢?我觉得我之前很多的高价值的工作现在都没有价值了,而且留不下来,而且别人不会觉得是我做的。
AI 让“处理信息”这件事变便宜,所以数据科学里原来值钱的分析、建模、报表正在贬值;新的高价值位置是判断该做什么、把模糊问题变成可执行系统,并对结果负责。
- 为什么个体AI用的很好但是整个公司团队没有上来?
个人用得好,是因为他一个人就能把背景、判断和反馈闭环起来;团队上不来,是因为这些能力散在每个人脑子里,组织结构和激励又没跟着改。
- 职业院校实训科教师(体制内)+ 个人开发者/IP 运营者。想请您诊断我这套工作流架构:① 最脆弱、迟早出事的一环是什么?② 最过度建设(投入产出最差)的一环是什么?③ 如果只能再做一件事,您建议做什么?
最脆弱的是学生数据与云服务混用的那条链路;最过度建设的是多设备、多模型、多平台的全互联架构;如果只做一件事,先给「学生数据不可上云」划出一条可验证的物理边界。
- 我每天很忙,但不知道工作有没有价值,怎么识别 fake work?
识别 fake work 的关键不是看你有多忙,而是追问:这份产出完成后,下游会做出什么不同的决定或行动?如果多生产十份,真实结果也不会更近,那它很可能只是让你感觉在前进。
- 如何看待国内办公场景workbuddy爆火和AICG盛行的短剧,对我们这些使用原生agent的开发者有什么建议。
办公场景的AI工具和短剧爆火,说明AI正在把“生产内容/代码”的单价压到很低;对原生agent开发者来说,越靠近“为结果负责”就越难被替代,光会调工具本身不构成壁垒。