立正主张的学习路径是“在使用中逐步升级”：不要等学完再上手，先找一个今天就能交给 AI 的真实任务，边做边学，把成功经验沉淀下来再挑战更复杂的项目。
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。
先上手做，再逐步升级
材料里的观点立正反复讲的一条路径是：不要“先完全学会，再开始使用”，而是“在使用中逐步升级”。先从可信赖的信息源开始，学会做几个关键判断，把一两个高频任务迁移到 AI 上，把第一次成功经验沉淀下来，再去做更复杂的项目；每一步都不需要完美，但都在为下一步打基础1。他还说，不要等到“准备好了”才开始，找一个今天就能交给 AI 的任务，build 起来，在做的过程中学，这才是最快的路1。这条路径之所以成立，是因为 AI 用得好的人与普通人的差距背后没有一条是天赋，全是方法，方法可以学、能力可以练、系统可以搭1。
真正学会，是撤掉帮助后还会
材料里的观点立正对“学到了什么”给了一个很具体的判据：分数是结果，学习是过程；真正学会，是撤掉帮助、过一段时间、换一道题，你还会2。他特别提醒 AI 最危险的时候不是它做错了，而是它做对了，你以为自己也会了——假学习和 fake work 骗的是同一个东西，你对“进步”的感觉，而在 AI 时代这种感觉最常来自学会一个新工具、做出一个原型2。所以出路不是少用 AI，而是在关键处选难的那条路：先自己猜，关掉 AI 再做一遍，再换一道题2。他还把 AI 定位成一个拥有巨大潜力、但需要认真学习的工具，而不是魔法3。
把 AI 用进真实工作流才算学会
材料里的观点立正认为，把 AI 用好不是停留在表面的应用、只做一些 prompt 或简单使用 AI 产品，而是真的用 AI 去 build 一些 solution、提升工作流、解决之前解决不了的问题，并把它形成一个可扩展的、能真正上生产的项目4。他提到很多人学 AI Coding 并不是为了成为工程师或单纯做一个 App，更核心的问题是怎么把 AI 放进自己的真实工作流里，让它从“帮我省一点时间”变成“帮我完成一整类原来做不了、做不快、做不好的事情”5。他也强调课程想教的是一套不依赖具体工具的方法，工具会变，但能力练出来之后换工具的成本会非常低5。
这些材料讲的是立正公开表达的学习主张，不是他个人完整的学习履历；他本人具体的入门经历、踩过的坑，当前片段没有细讲。
出处
- 1AI 用得好的人与普通人的5个差距，和背后具体技术原因｜非技术岗位版
直接给出“在使用中逐步升级”的路径和起步方式，是回答学习路径的核心来源。
- 2假学习的终结
讲“真正学会”的判据和 AI 时代假学习的风险，适合核对学习效果怎么判断。
- 3在《个人学习经历分享：一个月时间从AI问答小白到与Agentic AI协同工作》下的回复
可回到原文核对这部分判断
- 4赚"大钱"的必要条件｜Meta一亿美元挖AI人才，对我们的启示
说明他为什么认为把 AI 用进真实工作流、做成可扩展项目是高杠杆能力。
- 5AI课程刷新总结 - 2026年5月版
讲课程更新后的学习路径与工具无关的方法，适合理解“学到什么能力”。
追问2026年10月15日
当 AI 启用后，它到底为你带来了哪些改变？一个善于使用 AI 的人应该是什么样子的？他们生成的内容或者说他们的做法究竟应该是怎样的？
AI 带来的改变不是某个瞬间的替代，而是工作流被一点点改写；善用 AI 的人会定义问题、给足上下文、定清好坏标准，并把一次成功沉淀成流程。
改变发生在工作流里，不在某个 AI 产品里
材料里的观点立正说，他并没有感到眼前突然出现一个从头到尾都是 AI 的东西，但做研究、写博客、做分析的方式已经在经常使用生成式 AI，画图、开发这类环节也一样，是点点滴滴地改变工作流1。所以判断 AI 有没有帮到自己，可以看具体环节：原来哪一步最耗时间，现在这一步是不是变快了、错误是不是变少了。他也提到，早期用新工具可能还不如已经优化好的旧流程快，效率提升是随着生态完善逐渐显现的1。
善用 AI 的人把模糊需求变成清晰任务
立正把关键动作落在三件事上：站在 AI 的视角理解它需要什么，这被他称为认知上的同理心；用 Context、Component、Criteria 把背景、组成和验收标准讲清楚，让 agent 能自己迭代和纠错；以及不只说好不好，而是说清什么是好、什么是不好2。如果结果和预期不符，他建议回头检查这三项哪里出了问题，而不是只怪模型2。对个体来说，难点常在于标准本来就在自己脑子里，从没写成 AI 能读的格式，所以产出总差一点意思3。
真正的杠杆在流程设计，不在单个提示词
AI推演立正认为，很多人还在优化 prompt，但更大的杠杆在流程设计：把生成、评审、收敛拆成不同阶段串起来，比把所有要求塞进一个提示词强得多4。他也提醒，会用某个工具、提示词有花活，在这个时代不构成核心竞争力，AI 背后是一整套工作方式和组织方式5。一个可试的做法是：挑一件你反复做、又总是不满意的事，先写下你判断“这次做对了”的两三条标准，再让 AI 按这个标准做一版，看它是否更接近你要的结果。
材料里的例子多来自立正自己的研究和内容工作，换到你的行业时，哪些环节能被改写需要自己试出来。
出处
- 1AI时代，如何找到属于你的机会？
说明 AI 改变的是现有工作流，而非突然出现一个全 AI 产品，适合理解“改变”的实际形态。
- 2能用好AI的人一定是个好领导和好伴侣
给出认知同理心、3C 模板和损失函数思维三个具体动作，适合核对善用 AI 的人怎么做。
- 3AI 用得好的人与普通人的5个差距，和背后具体技术原因｜非技术岗位版
解释个体为什么产出总差一点意思，以及文档先行、上下文策展、结果导向指令的对应方法。
- 4视频自动生成字幕 + 矫正 + 高光片段 + 起标题
用标题生成的实际项目说明流程设计为何比单个提示词更关键，适合理解工程化做法。
- 5AI时代的面试，三件事让公司对我求贤若渴？
可回到原文核对这部分判断
追问2026年10月15日
立正把关键动作落在三件事上：站在 AI 的视角理解它需要什么，这被他称为认知上的同理心；用 Context、Component、Criteria 把背景、组成和验收标准讲清楚，让 agent 能自己迭代和纠错；以及不只说好不好，而是说清什么是好、什么是不好 2。如果结果和预期不符，他建议回头检查这三项哪里出了问题，而不是只怪模型 2。对个体来说，难点常在于标准本来就在自己脑子里，从没写成 AI 能读的格式，所以产出总差一点意思 3。 我想看更多关于 3C（Context、Components 和 Criteria）的文章。
3C 的完整讲解在两处：视频《能用好AI的人一定是个好领导和好伴侣》给出 Context、Component、Criteria 三件套和出错时的排查思路；《2026年，普通人想跟上AI时代，这件事必须要做》用去重图片的例子说明标准不清会怎样。
先看这两处对 3C 的完整讲解
材料里的观点最直接的是《能用好AI的人一定是个好领导和好伴侣》，他把 3C 说成 Context、Component、Criteria 的模板，讲清只有把这三样给到 AI，agent 才能自动迭代和纠错，结果不符预期时一般就是这三项出了问题1。《2026年，普通人想跟上AI时代，这件事必须要做》用清理重复图像举例：没说清是内容重复还是文件名重复，AI 只能自己假设，给的东西就不是你要的；他同时强调这些都用自然语言写就行，不必被术语吓住2。两处可以对照着看，一个给框架，一个给失败案例。
3C 要解决的问题是标准没被写出来
《AI 用得好的人与普通人的5个差距》解释了为什么个体尤其难：大厂员工有团队文档、代码仓库和历史决策记录，AI 天然有 context 可读，而个体创业者的品牌调性、写作风格、对客户的理解全是隐性知识，从没被写成 AI 能读的格式，所以产出总差点意思3。同一篇里还给了三个配套动作：把风格偏好、验收标准等写成文档；为每个任务精选最相关的背景而不是全塞进去；定义结果而不是逐步遥控3。《AI User 与 AI Builder 的 5 个差距》是同一逻辑的另一个版本，可以互相印证4。
想再往深走，可以看 context 基础设施那篇
材料里的观点《你团队的 AI 效果不好，问题不在模型，在 Context》把 context 管理拆成概念层、技术架构层和工具链三层，其中分层记忆、渐进式加载、持续提炼、规范注入这些做法，是把 3C 里的 Context 和 Criteria 从单次任务扩展到团队长期沉淀5。它面向团队场景，个人读的时候可以只取其中“标准要写成 AI 能理解的规则”这一条。另外《AI的正确打开方式：不学概念，学动作》把上下文管理、评估、诊断等列为真正值钱的动词，可以作为理解 3C 为什么重要的背景6。
3C 的完整模板细节在《AI时代的编程基础》那门小课里，公开材料只给了框架和例子，没有逐步展开。
出处
- 1能用好AI的人一定是个好领导和好伴侣
立正本人主讲，直接给出 Context、Component、Criteria 三件套和出错时的排查思路，是 3C 最核心的一手出处。
- 22026年，普通人想跟上AI时代，这件事必须要做
用清理重复图像的例子说明标准不清时 AI 只能自己假设，适合理解 Criteria 为什么关键。
- 3AI 用得好的人与普通人的5个差距，和背后具体技术原因｜非技术岗位版
解释个体为什么难：标准是隐性知识，从没写成 AI 能读的格式，并给出文档先行等配套动作。
- 4AI User 与 AI Builder 的 5 个差距，和背后具体技术原因 | 科技大厂打工人版
可回到原文核对这部分判断
- 5你团队的 AI 效果不好，问题不在模型，在 Context
把 Context 和 Criteria 扩展到团队场景，讲分层记忆、渐进式加载和规范注入，适合想看更深一层的人。
- 6AI的正确打开方式：不学概念，学动作
可回到原文核对这部分判断
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
- 13+boy,想要学习AI coding，想要接触到用Ai来做项目，但之前没有coding的基础，不知道如何下手。想得到意见呢
零基础学 AI coding，别先啃语法，先找一个自己真需要的小工具，用 AI 做出来，在动手和报错里学。
- 如何学习 ai
学 AI 要当手艺练，不是当知识背：围绕真实任务动手，用“撤掉帮助、隔段时间、换个条件还能不能做”来检验自己是否真会。
- 你怎么comupter use， 好用吗 应该从哪里开始入手呢
立正把学 AI 比作学游泳，必须下水才会；入手点不是先选工具或想清定位，而是打开一个 AI 工具，用它解决一件你自己真实的小事。
- 普通人应该怎么学习AI
把 AI 当手艺而不是知识学科来练：先自己动手做真实任务，再撤掉帮助、换条件重做，看能力是否留在自己身上。
- 学习ai的正确技术路线
学 AI 的路线不是先学概念再动手，而是从真实任务出发、在交付中练判断：先高质量用模型，再用 AI 做原型，再学工作流与评估，最后才是系统。
- 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。