两种方式都合理,区别在目标:平时练能力时先自己写方案再对照AI;赶交付时可以让AI先出方案,但定义问题、拆解、验收和诊断失败仍要自己判断。
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。
先分清这次是练能力还是交结果
立正主张不用少用AI,而是把AI当保护员:在关键处故意选难的那条路,配环境、调端口这类消耗意志力却不长本事的“假困难”尽管交给工具1。难要留给真正的问题:值不值得做、怎么拆、做出来好不好1。所以你的第一种做法更接近练能力,第二种更接近交付;两者可以并存,但验收标准不同。做出来只能说明当下做得好,撤掉帮助、隔一段时间、换一道题还会,才算学会2。
赶项目时,判断和验收不能外包
AI推演可以交给AI的,是执行和测试的初稿、环境配置、重复动作;必须自己想的,是把模糊需求变成任务、定义什么叫可用、定位失败原因、在约束中迭代,这些正是tutorial替你完成、因而学不到的部分3。赶时间让AI直接出方案时,至少保留两件事:写下你预期的结果和可能出错的地方,再对照AI的实际产出;以及自己判断测试是否真的覆盖了风险。AI写代码快、人看不过来时,成熟做法不是逐行重做,而是设计独立证据,比如测试行为、检查不变量、比较两条实现路径,把注意力留给架构和风险4。
用一次撤掉帮助的复做检验依赖
AI推演想判断自己是否在失去独立能力,可以挑一个刚用AI做完的前端转AI全栈任务,过一两天关掉AI,只重做其中最核心的一步,比如方案拆解或一个接口设计,看卡在哪里1。卡住的地方就是还没学会的地方,比“我理解了关键部分”更可靠。另外,demo能跑不等于能长期依赖,第一版之后的复杂度往往在真实使用后才显形,赶项目时对这一点留出预期5。
这些材料讲的是学习与判断方法,没有针对前端转AI全栈的具体技术路线;赶项目时的时间压力也需要你按实际截止时间权衡。
出处
- 1假学习的终结
直接说明哪些难该自己扛、哪些假困难可交给AI,以及先猜、撤掉帮助、换题三步。
- 2AI替你做出来以后,你还会什么?|哥大客座课程回放
说明“做出来了”与“学会了”的区别,以及先预测再对照的练习方式。
- 3学AI的两大误区:找课本(只看不动手),抄作业(依赖tutorial)
解释为什么依赖tutorial和只看不动手学不到能力,可对照你赶时间时的做法。
- 4到底什么才算AI Native人才?|如何unlearn?
讲AI吞吐变大后如何从逐行复核转向设计独立证据,适合赶项目时的验收问题。
- 5Don't build: 看清demo和production之间的鸿沟
可回到原文核对这部分判断
追问2026年10月20日
前端转AI全栈,哪些能力最该优先自己练?
最该先练的是把模糊需求变成可交付结果并自己判断对错的能力;后端概念(时序、竞争、事务)要练到能解释和排查具体故障,而不是只让 AI 讲懂。
先练收口:判断结果对错、定位失败原因
立正把 AI 能力落在真实动手和反复试错上:把模糊需求变成任务,定义什么叫可用,定位失败原因,在约束中迭代;换任务、换工具、换领域还能交付,才算学会1。只让 AI 讲解概念,容易停在“我懂了”,而懂概念不等于能稳定交付1。Ethan 在对谈里也提到,AI 能做大部分工作,最后收口仍要人判断结果好坏、给反馈、负责,没有专业深度就收不了口2。对你来说,这可以落到一个具体做法:挑一个你前端项目里真实存在的后端问题,比如两个请求同时改同一条数据,先自己写下会出什么错、怎么验证,再让 AI 实现和测试,最后关掉 AI 复述为什么这样改。
后端概念要练到能排查,不是能复述
AI推演时序、竞争、事务这类概念,属于“拆开名词后一直存在的问题”,值得学透3。但学透的标志不是能讲定义,而是撤掉帮助、过一两天、换个条件你还会4。比如事务,可以试着把隔离级别调低,观察脏读或丢失更新怎么出现,再自己判断该用哪种方案;竞争条件可以故意制造并发写入,看结果怎么错。配环境、调端口这类消耗意志力却不长本事的“假困难”,交给 AI 和工具就行4。
全栈的竞争力在跨边界收口,不在会调工具
AI推演立正补充过,全栈不只是技术全栈:会写前端的人如果还能做设计、写文案、理解转化,价值会明显更高2。转到 AI 全栈,稀缺的是能把前端、后端、产品、交付串起来并端到端解决问题的人2。所以练的顺序可以是:先在一个真实小项目里把前后端和 AI 环节打通,自己定义验收标准,再逐段撤掉 AI 重做关键部分,看哪一段先卡住,那里就是下一步该补的能力。
资料没有针对前端转 AI 全栈的具体课程路径,后端概念的练法是根据通用学习原则推演的。
出处
- 1学AI的两大误区:找课本(只看不动手),抄作业(依赖tutorial)
说明为什么只懂概念、跟教程不等于有能力,以及该练哪些交付环节。
- 2AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
对谈里关于收口、专业深度和全栈跨边界的判断,适合核对就业竞争力这部分。
- 3AI替你做出来以后,你还会什么?|哥大客座课程回放
解释新名词该怎么拆、判断力怎么练,适合理解后端概念的学习定位。
- 4假学习的终结
给出撤掉帮助、换条件检验是否真学会的具体做法,并区分该交给 AI 的假困难。
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。