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。
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。
网页先服务一个具体目的
材料里的观点立正对比过自己两版主页:前一版是让人认识他,讲经历和在乎什么;后一版面向第一次来的人,包括想学AI的职场人、潜在学员、企业决策者和合作方,看完最自然的下一步是加入社区。目的变了,页面结构就跟着变。他还强调,能放证据的地方就不放说法,页面本身就在替人判断你做得精不精、有没有真东西1。放到你的处境,先问一句:你希望来的人看完后联系你聊项目、记住你的判断,还是了解你的管理经验?不同答案会决定首屏放什么。
用项目过程代替自我描述
材料里的观点他建议分享项目时不要自吹,把重点放在问题和解法上:原来处理一份文档要几小时,用工具压到几分钟,中间卡在哪、怎么绕过去、下一步想做什么,都写出来。懂行的人会从这些描述里看出你的技术水位和业务理解2。个人主页同理,与其写“热爱探索创业”,不如放一个pet project的来龙去脉:为什么做、遇到什么、现在什么状态。他还提到,自己领域的痛点才更可能是属于你的机会,别人没有那个痛点就很难替你做3。
判断可以公开,但要留日期和原文
立正把2021年以来的六条公开判断按时间排在主页上,每条附当时的原始记录,说对说错都留着。他的理由是:自称判断准别人没法验证,日期和原文摆在那里才能验证1。你如果长期在探索创业方向,可以把对某个行业或产品的判断连同当时的依据记下来,过一段时间回看。这比堆一堆项目截图更能说明你在怎么想问题,也方便潜在合作者判断是否值得聊。
这些材料讲的是个人主页和项目分享的一般做法,没有涉及你所在行业、项目阶段或目标读者的具体情况。
出处
- 1建议每个人都用Opus 5.5做一下个人主页
看两版主页目的不同导致的结构差异,以及判断记录和证据优先的做法。
- 2"Build to Refund"项目,是你动手+Career Signaling的机会|"Build to Refund": Your Opportunity to Start Building and Signal Your Career Potential
核对项目分享怎么写:讲问题和解法,而不是自夸。
- 3在《1个月开发的副业项目 - 一个能让"了解一个人"不需要那么随缘的APP。》下的回复
理解为什么从自己领域的痛点出发的项目更值得展示。
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
- 怎样得获海外华人用户
先想清楚你要的是哪一类海外华人、他们凭什么愿意来;再用具体内容或真实作品把人吸引过来,同时把来之后的承接做好,否则每次曝光都要重新解释一遍。
- 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。
- 我有个问题哦,就是我听了立正你很多的一些观点,也很受启发。然后呢,现在我看到网上,特别是比如说生财有道这样子的平台,或者好多不同的平台吧,用AI带货,视频号带货。简单的说就是制作一些内容,那比如说AI制作视频号去带货图书这个板块,或者说做一些流量的一些事情,比如说贴图号,或者说小红书的一些账号,做一些账号,然后带货橱窗。首先我觉得它里面有一些可能性,但我其实有一种没有那么的确信和笃定。你是怎么看这件事的呢?首先我其实也挺想做做这种事情的,因为也想赚一些钱嘛。但我不清楚的是,这是一种幸存者的一些偏差,还是一个稳定能干的事情。其实又会延伸出很多赛道嘛,比如说AI图书带货,或者小红书的虚拟教材带货等等。
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。
- 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。