70/30 的分配本身不是问题,问题是你把「学习成本大」当成了判断依据;该先看的是哪条路能让你拿到面试机会、并积累可被市场验证的成果。
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。
先有选择,才谈得上分配精力
立正讲选择时强调一个顺序:能挑 offer 的前提是先拿到 offer,拿到 offer 的前提是通过面试,通过面试的前提是获得面试机会,而面试机会又取决于你有没有拿得出手的简历成果和口碑1,2。按这个顺序看,你现在纠结的「70% 给 AI、30% 给交通铁路」其实是在分配一个还没到手的选项。更该先问的是:这两条路各自能不能让你进入面试、能不能积累出对方想看的东西。如果 AI 那条路你只有一段实习、面试还在投,那它现在还不是一个「可选方向」,只是一个正在争取的方向。
学习吃力不等于学不会
你觉得 AI 学习成本大、面试吃力,这本身不能说明你不适合。立正提到过一个反直觉的现象:学得顺的时候人容易以为自己学会了,学得吃力、卡住、犯错的时候反而学得更牢,因为学习发生在你的想法和现实对不上的时候3。他还说,真正稀缺的不是资料,而是一个能把你从旁观者推成行动者的实践场——看别人做一次、自己跟着做一次、再被反馈一次,理解方式可能很快就变4。所以「成本大」更可能是你还没进入这种带反馈的实践,而不是这条路对你关着门。
两条路的风险可能并没有分散
AI推演你把精力分给 AI 和交通铁路,直觉上像是分散了风险。但立正提醒过:多拿几个 offer 未必真的分散了职业风险,如果变化发生在整个就业市场,同一类岗位可能一起收缩5。放到你这里,值得核对的是:设计院、铁路局和 AI 岗位,背后依赖的是不是同一套「学历+体制内/大厂白领」的评价体系?如果是,那 70/30 可能只是让你在两个高度相关的方向上各投入一半,而不是真正的对冲。可以试着各投几份简历、看哪边能约到面试,用实际反馈判断哪条路对你是「有选择」的。
材料没有你所在年份的 AI 与交通行业招聘数据,也没有你简历和面试的具体反馈,所以无法判断哪条路机会更多;上面的风险相关性只是需要你自己核对的假设。
出处
- 1第11课(下)|强者成事先做选择:道天地将法·实践篇
讲清「先有选择资本再谈选择」的顺序,适合核对精力该先投在哪一步。
- 2第11课(上)|强者成事先做选择:道天地将法·理论篇
可回到原文核对这部分判断
- 3假学习的终结
解释为什么学习吃力不代表学不会,适合缓解你对 AI 学习成本的判断。
- 4正确的学习方法比大家想象中稀缺很多,那我们如何筛选人才?
说明高质量实践场比资料更稀缺,适合想清楚 AI 该怎样学。
- 5从大厂高薪到自己赚钱,中间差的是什么?
讲多个 offer 未必分散风险,适合核对两条路是否真的对冲。
追问2026年10月15日
对于 offer 来说,我先阶段确实没有选择,但我确信这是没有实习经历造成的,而且我不是应届生,我是研二,所以我现在在积极地投递简历获取面试机会,当然后面我会根据面试的机会数来判断这个方向,但是在这之前还有一个问题是 ai 来临之后才存在的,因为 AI coding 原先我们构筑的软件、程序在代码层面都移交了 AI,那代码本身的语言、计算机更底层的知识就被 AI 进一步抽象了,我真正疑惑的是企业在实践中如果运用 AI 去写代码,而不了解知识,那么相应的反馈你可能都理解不了,但是如果让我再去学习代码、学习语言,到后面还是使用 AI,学习过程本身就不可靠,知识也不会习得。
不用先学完代码再用 AI,也不必因为 AI 接手了代码就放弃理解;真正要练的是能判断 AI 输出对不对、并把它接进真实项目的能力。
先做项目,知识在用的过程中补
你担心的“学了也用不上、用了又不懂”这个循环,立正给的方向是反过来:不要等完全学会再开始用,而是从可信赖的信息源起步,先把一两个高频任务交给 AI,把第一次成功经验沉淀下来,再去做更复杂的项目,每一步都在为下一步打基础1。对 AI 应用来说,门槛并不在预训练大模型,而在于写 prompt、做 application、把代码和功能按场景拼起来完成一个具体需求2。所以“学代码”不必是脱产的长期准备,它可以是你做项目时卡住才去补的那一块。
企业要的是能判断结果的人
你提到“不了解知识就连反馈都理解不了”,这个判断和材料一致:真正拉开差距的不是会不会用某个产品,而是能不能用 AI 做出更真实的结果、能不能在新的协作模式里高效工作、能不能把自己的判断力沉淀进系统形成长期复利3。这里“判断力”就是你说的那种能力——AI 给出代码或结论后,你能看出哪里不对、该往哪个方向改。它靠真实项目里踩过的坑长出来,而不是靠先把语言和底层知识背完。所以学代码的目标可以改成:够用来验证 AI 的输出,而不是够用来自己从零写。
用面试机会数来校准方向
AI推演你说会根据面试机会数判断方向,这个做法本身有依据:找工作是一份全职工作,需要 strategy 和优先级,包括找机会、判断机会、改简历、联系 recruiter、准备面试、找内推、复盘反馈、维护展示面,它是一个复杂问题,不是机械投递4。不回复和被拒在现在的市场里很正常,没有反馈不一定说明你不行,可能只是岗位、渠道、时间点或表达方式没产生足够信号4。所以你可以把“投出去多少份、拿到几个面试”当成对方向的反馈,而不是对自我价值的判断。
材料没有针对“AI coding 取代初级程序员后,底层知识还值不值得学”的直接讨论,上面的判断是从做项目、判断力和求职方法几条推出来的。
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
讲清“在使用中逐步升级”的成长路径,直接回应你“学完再用还是边用边学”的困惑。
- 2AI时代,如何找到属于你的机会?
说明 AI 应用门槛在 prompt 和把功能拼成具体需求,而非预训练大模型,帮你判断该学到什么程度。
- 32026,如何在面试中证明自己"真的懂AI"
说明企业看重的是用 AI 做出真实结果、并把判断力沉淀进系统的能力,对应你说的“理解不了反馈”。
- 4AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
把找工作当成一份全职工作、用反馈调整方向,支持你用面试机会数校准判断。
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
- 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。