立正没有直接评价AI带货这类赛道,但他反复强调:光看别人讲、追热词,形不成有效认知;动手做出东西才是拿到结果的必要条件,而且这条件本身并不保证成功。
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。
追热词容易浪费时间,还形不成判断
材料里的观点立正提到,AI领域每隔一阵就有新概念被自媒体拿去炒作,讲解的目的常常是博眼球而不是讲清楚,听的人既浪费时间,也没法建立对AI的有效认知1。他主张从第一性原理去拆,而不是跟着热词走。放到带货这件事上,你在生财有道这类平台看到的“AI图书带货”“贴图号”案例,很可能正是被包装过的成功叙事,你感到的不笃定,恰恰是还没形成自己判断的表现。要判断它是不是幸存者偏差,得先弄清这类账号的收入到底来自哪里、平台规则怎么变、内容供给有多拥挤,而不是先看别人晒的结果。
动手做一次,比继续看案例更能分辨真假
AI推演立正认为,build(动手做出东西)是拿到结果的必要条件,但不是充分条件;只要开始做,就已经跨过了大多数人跨不过的门槛2。他还用游泳打比方:看再多游泳视频也不如真的下水游一次,游过之后你才知道哪个视频讲得有道理3。这对你的问题很直接:与其继续收集赛道信息,不如先做一个最小可验证的尝试,比如选一个细分品类,用AI做几条内容发出去,看有没有真实的点击和成交。反馈会告诉你两件事:这件事的门槛是不是像宣传的那么低,以及你自己愿不愿意持续做下去。
AI是工具,能不能卖出去还看人
立正讲知识付费时说过,自动化的东西卖不出价钱,他因此很审慎地使用AI,价值更多来自用心和品牌4。这提示一个判断角度:AI能压低内容生产的成本,但成本低也意味着供给会迅速变多、单价被压低。真正决定能不能赚到钱的,可能是你选品、理解买家需求、持续运营账号的能力,而不只是会不会用AI做视频。你可以先问自己:在这个品类里,我比别的做号的人多懂什么?如果答不上来,那更可能是拼执行力和运气,而不是稳定能干的事。
现有片段没有直接讨论AI带货、视频号或小红书带货的具体赛道,以上是从他对追热词、动手实践和AI工具价值的看法推出来的,不是他对这类项目的直接评价。
出处
- 1MCP深度剖析|AI概念这么多,如何判断是否值得关注?
他对AI热词炒作和如何形成有效认知的直接看法,适合核对“追赛道”这一层的判断。
- 2#148. 我们为什么AI焦虑,我们又该怎么脚踏实地
讲build是拿到结果的必要条件而非充分条件,适合理解动手尝试在判断机会中的作用。
- 3课代表立正: 知识内容大v分享6个你不知道的涨粉秘诀
用游泳类比说明实践才能建立判断力,适合理解为什么看案例不够。
- 4课代表立正:AI 课卖 2000 刀,偏偏坚持古法手搓
谈AI自动化与价值、品牌的关系,适合思考低成本内容供给下的变现难度。
追问2026年10月17日
哎,其实你说的是我直接干就行了吗?还有一个点,类似于,哎,你了不了解AI图书带货这个赛道?或者说是小红书虚拟资料这个赛道呢?你觉得怎么样?
立正没有专门评价过AI图书带货或小红书虚拟资料这两个赛道,所以无法替他判断行情好坏;但按他的思路,先做出一个能跑通的小东西,比先判断赛道是否靠谱更能帮你拿到真实反馈。
先跑通一个最小闭环,再判断赛道
立正反复强调,动手做出东西是拿到结果的必要条件,而且这一步本身并不保证成功。他把用AI的人分成几层:只是聊天使用、会摆弄工具、能真正做出东西并自己迭代、能靠谱解决复杂工作,越往后越难,也越有价值1。另有一条社区回复强调,跑通核心这一步再怎么强调也不为过,因为它能帮你把问题想清楚2。放到带货这件事上,与其先争论“这是幸存者偏差还是稳定生意”,不如先完整走一遍选品、做内容、挂链接、看有没有人下单的闭环。跑通一次,你才知道卡住你的是内容、选品还是流量,这比听别人讲赛道有用得多。
别被热词带着走,要练的是软功夫
立正提到,人容易被看起来硬的名词吸引,比如某个具体工具或技术名词,而忽略上下文管理、任务拆解、结果确定性这些看起来软、却真正决定能不能把事做成的能力3。带货和虚拟资料也一样:AI生成视频、贴图这些是“硬”的表层动作,谁都能学;真正拉开差距的是你能不能判断什么内容有人要、怎么稳定产出、怎么让结果可预期。所以即使赛道本身有机会,也不等于你进去就能赚到,这取决于你能不能把这些软功夫练出来。
想赚钱,可以先用小成本验证
AI推演如果你确实想试,一个值得先做的动作是:选一个你稍微熟悉的小品类,用AI做一批内容挂上去,只投入很少的时间和钱,看有没有真实的下单或咨询。这个尝试能验证的是:你对“有人要什么”的判断准不准,以及你能否稳定地产出。反馈不好,说明问题在选品或内容,而不一定是赛道不行;反馈好,再考虑加大投入。这样你是在用行动收集信息,而不是靠感觉赌一个赛道。
现有材料没有立正对AI图书带货或小红书虚拟资料赛道的直接评价,以上是按他的通用思路推演,不代表他对这两个赛道的判断。
出处
- 1EP14:对话课代表立正:AI时代下,后悔没早点离开职场
讲用AI的层级,从聊天使用到能做出东西并迭代,适合理解“先动手”在哪个位置。
- 2在《[AI Architect 课程实践] 你的AI跑步教练》下的回复
强调跑通核心这一步最重要,适合核对“先做最小闭环”的依据。
- 3AI的正确打开方式:不学概念,学动作
讲人容易被硬名词吸引、忽略软功夫,适合理解为什么表层动作不等于能赚到钱。
追问2026年10月17日
怎么判断一个AI做出来的内容是不是真的有人要?
看它做完之后,有没有让真实的人做出不同的决定或行动;只有产出、没有下游变化,就还只是“看起来做了事”。
有人要,体现在下游真的变了
判断一份 AI 内容有没有人要,不能看它做得多快、多像样,要看它交付出去以后,读者或用户是否因此做了不同的选择:点开、收藏、下单、照着做、回来追问。立正讲 fake work 时反复追问的是,一件事做完之后到底发生了什么不同,如果一路追问下去,最后碰到的是现实,还是只停在组织的记分牌里1,2。放到 AI 内容上,播放量、点赞、生成条数都是代理信号,它们和“有人真的需要”之间要定期对账;一个永远不会失效的指标,迟早会变成制造无用工作的机器1。
先闭合一个小循环,再谈赛道
AI推演在改不了大环境时,可行的做法是先闭合一个小循环:做出改动,让真实用户使用,观察发生了什么,再改一次;练的是从判断一路负责到结果,而不是多做一个项目1。具体到 AI 内容,可以先只做少量、针对某一类人的内容,看有没有人主动来问、来要下一份,或者按内容去做了某件事。反馈回来后再改一版,比较两版之间哪一处变化带来了不同反应。这比先判断“AI 图书带货靠不靠谱”更能拿到真实信息,但它只说明这一小批内容在这些人身上有没有用,不能直接外推成整个赛道稳定可做。
指标是衡量手段,不是目标本身
立正提到,做数据的人容易把 metrics 当成 goal:真正的目标是服务用户,增加用户量只是策略,用来衡量策略进展的指标一旦被本末倒置,动作就会变形3。同样,AI 内容如果只盯着涨粉、完播、生成数量,就容易做出“大家都能接受、但没人真需要”的东西。反过来,AI 擅长的是已经被大量表达过的共识内容,真正有价值、别人第一反应会反对的判断,它很难稳定坚持4。所以判断“有没有人要”时,也要问一句:这份内容是在重复共识,还是给出了某个具体的人用得上的判断。
这些材料谈的是 fake work、指标和 AI 与人的分工,没有专门讨论内容平台或带货的验收方法;上面的判断是从这些原则推过来的。
出处
- 1如何识别与消灭 fake work
讲清代理信号与真实结果的对账、停做测试和小循环,是判断“有没有人要”的主要依据。
- 2完整原稿+口播导航卡|AI会让假工作先爆炸,再贬值
用“追问然后呢、最后碰到现实还是记分牌”把 fake work 的判断讲得更具体。
- 3立正本人的话 · 打工人如何获得财富自由?|什么才是真正的财富和真正的自由?(中文字幕)|Multiple-Fire系列
说明指标是衡量策略的手段而非目标,帮助区分涨粉数据和真实需求。
- 4Skills写得越多,越不容易被AI取代?
解释 AI 更擅长共识内容,补充为什么“像样”不等于“有人要”。
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
- 做ai engineer有什么学历要求呢?自己工作上没有办法做靠ai engineer或者data sceince东西 以后找工作我怎么可以找到ai engineer的工作
资料没有给出 AI engineer 的硬性学历门槛,重点落在能否用真实项目证明判断力和交付能力;工作里没有机会,就自己造一个能讲完整过程的项目。
- 目前在企业做管理, 个人时间做些pet project, 一直在探索创业项目, 个人网页里应该怎么展现
先想清楚这个网页要让谁看完后做什么,再决定放什么;对还在探索创业的人,最有说服力的不是头衔,而是能验证的项目过程和判断记录。
- 现在ai流行的年代和ai不断在进步,对于data analyst怎么转行?是应该加强dormain knowledge还是技术?已经有了一个普通学校的研究生还应该学一个名校研究生cs?为了好找工作吗
立正对数据人的建议是先确认自己是否在创造价值,再把AI真正用进工作流;domain 与技术不是二选一,名校CS硕士也不是默认答案,要看它能否帮你拿到具体岗位的面试。
- 不想上班了,但找不到自己熱愛想試的方法
「热爱」往往不是先找到再去做,而是在低成本尝试里被验证出来的;先分清不想上班是「自」的感受还是「我」的默认剧本,再用小实验代替空想。
- 现在这个时代开始做 recommendation system 的 MLE 和 personalization system 的 MLE,还有前途吗?
比起data and AI platform engineer(主要管企业里的 fabric、databricks、Snowflake 和 azure平台),这两种哪个更有前途一点?
立正没有直接比较过这两个岗位,但他说过机器学习真正的价值是工程问题,也说过数据与推荐系统是产品的底层本质。选哪个更取决于你愿意把工程能力做到多深,而不是岗位名字。
- 一个非营利组织想做到 Salvation Army、Girls Who Code 那样的全球规模,一年几十亿捐款,这和「做点真东西」冲突吗?规模化的时候怎么不变成 fake work?有没有例证?
不必然冲突。规模本身不是问题,问题是组织用什么信号验收工作;一旦用报告、项目数、会议替代真实结果,规模越大越容易生产 fake work。