两种说法不矛盾:具体该落在“什么算好”和“怎么验收”,抽象该用在“别替 AI 规定每一步怎么做”。把要求写成结果标准而非操作步骤,AI 才有空间自己解决中途问题。
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。
该具体的是验收标准,不是操作步骤
有材料主张写 skill 时告诉 AI 什么是好的、什么是容易犯的错误,少教它做事1。同一篇也把这一点说成结果导向:清楚定义做到什么算对,而不是逐步遥控2。你原来的写法要求每一步给出什么结果,等于把模型限制在自己想到的做法里;一旦中途出现没预料到的情况,它只能停下来等你改。改成“用不崩溃”之所以可能更好,是因为它给的是一个可判断的结果状态,AI 遇到问题时可以自己换路径去满足它。但“不崩溃”本身太模糊,最好补上什么情况算崩溃、什么情况可以接受降级,否则抽象会变成放任。
抽象不等于不提供上下文
AI推演同一篇材料还强调,AI 产出差常常不是模型不行,而是它不知道你的标准、取舍和验收条件2。所以“问题更抽象结果更好”成立的条件是:背景、约束和好坏判断已经给足,只是不规定具体步骤。如果连业务背景和验收标准都省掉,抽象只会让 AI 猜。一个可试的做法是:保留你原来那份具体清单里的“什么算完成、什么算失败”,删掉“先做什么再做什么”的步骤,然后拿同一个 skill 跑一次,看它遇到问题时是自行绕过去,还是卡住或悄悄降低标准。
“用不崩溃”这个具体改法来自你的转述,资料里没有对它的直接讨论;上面的解释是把结果导向原则套到你的例子上。
出处
- 1从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
讨论 skill 该告诉 AI 什么是好、少教它怎么做,是理解两种说法如何统一的核心。
- 2AI 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
解释结果导向指令与逐步遥控的区别,并说明缺少验收标准时 AI 为什么产出差。
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。