判断知识有没有用,不看它听起来是否厉害,而看它能不能嵌进你真实的任务里,帮你在具体场景中做出更好的取舍。
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。
有用的标准是能嵌入你的任务
立正把信噪过滤的标准说得很直接:面对新工具、新模型、新方法,要问的不是它厉不厉害,而是它能不能嵌入你现有的价值创造链条1。同样的信息,对不同的人价值不同,因为每个人的任务、约束和已有做法不一样。所以“有用”不是知识的固有属性,而是知识和你的具体问题之间的关系。一个判断办法是:读完一条内容,你能不能说出它改变了你接下来要做的哪件事,或者让你对某个选择更有把握;说不出来,它可能只是让你多知道了一个名词。
判断力要靠真实任务测出来
AI推演立正提到,拿到新模型或新工具,应该用自己业务里的真实任务去测,而不是用网上流传的模板,因为你需要的是在你的场景下什么管用1。他还区分了书本知识和手艺:手艺类的判断来自反复实践,是体感,很难只靠读文章获得2。这解释了为什么有些知识读起来很有道理,用起来却没效果——它可能只停在“知道”层面,没有经过你自己的任务检验。一个可试的做法是:挑一条你觉得有用的知识,拿你手头一个真实的小任务试一次,看结果是否比原来的做法更好;如果更好,这条知识对你就成立,如果没差别,就要重新想它适合什么条件。
好知识要讲清标准和比较对象
立正以一项新技术为例说明,从“理解它在做什么”到“判断它值不值得用”之间还有几层工作:看懂它在哪些任务里好用、拿回自己的评价标准、找到合理的比较对象,最后才判断这件事是否值得现在投入3。他还提醒,一个人没看懂就说“不值得追”,和认真研究过也说“不值得追”,听起来是同一句话,但分量完全不同3。所以判断一条知识是否有用,也可以看它有没有交代这些:它依据什么标准、和什么方案比、在什么条件下成立。只给结论、不给比较和条件的内容,你很难据此做自己的判断。
这些材料讨论的是如何判断 AI 相关知识和工具,没有给出针对某一具体知识库或资料库的评估方法。
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
直接给出信噪过滤和用真实任务测试能力边界的方法,是回答判断标准的核心。
- 2名词、动词、和手艺 -- 学AI到底在学什么?
解释为什么有些判断只能从实践中长出来,补充读书与实际使用的差别。
- 3从大厂高薪到自己赚钱,中间差的是什么?
用具体案例说明从理解到判断还差哪几步,适合核对评价标准和比较对象的部分。
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。