这类“睡觉时 AI 继续跑”的系统,靠的不是让 AI 自己变聪明,而是把结果标准、可调用的工具和资料、以及可检查的中间过程提前搭好,人只负责定义和验收。
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。
能放手让它跑,前提是结果标准写得清
材料里的观点立正提到,Agent 模式已经能做到:人只要把想要的结果和成功标准(success criteria)定义清楚,AI 就会自己上网找信息、拆任务、自己调试,最后把任务做出来;人全程主要是审阅它的工作1。所以“晚上跑、白天看”的关键不在时长,而在你离开之前,验收条件是否具体到 AI 能自己判断对错。标准模糊时,它跑一夜也只是产出大量需要你重看的东西。
背后是一套提前接好的工具和资料
材料里的观点立正描述自己现在的状态:对 AI 说几分钟的话,背后要调动很多基础设施、skills、已连接的工具、权限和本地资料2。这说明“睡觉时跑”不是一句话的魔法,而是平时把常用任务沉淀成模板和 skill、把工具和数据源接好,用一次优化一次,下次起点更高3。他还强调,迁移要一个一个来:先挑最频繁、最标准化的任务完全跑通,再迁下一个3。
无人值守时,质量闸门比速度更重要
立正在一次 agent 流水线的实践里总结:最危险的状态不是停住,而是它在跑、有输出、偶尔修好一点,但整体质量没有稳定上升,人却以为再调一下就好4。他还说,真正贵的往往不是第一遍生成,而是最后那 10% 的收尾4。放到“睡觉时跑”的场景,这意味着要先把验收标准写成可执行的检查(格式、边界情况、典型错误),并让中间过程可见,否则第二天面对的是越堆越脏的结果5。
这些材料讲的是原则和一次流水线踩坑,没有给出可直接照搬的完整系统配置;具体工具组合需按你的任务另定。
出处
- 1做这三件事,可以舒服跟上AI发展节奏
说明只要定义清成功标准,Agent 就能自己拆任务、调试,人主要做审阅。
- 2如何走对下一步,顺天改命?
立正描述自己一句话背后调动的工具、权限和本地资料,最接近“系统怎么搭”。
- 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
讲模板与 skill 库、渐进式迁移,是沉淀可复用基础设施的方法。
- 4一个对“结果确定性”方法的实践和踩坑
一次 agent 流水线的真实踩坑,说明无人值守时质量为何会悄悄下滑。
- 5AI 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
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
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。