刚毕业的文科生 如何选择工作

立正说，认识自己要什么、擅长什么、喜欢什么，是做出一切选择的最终依据，但这件事很难一次想清楚。所以工作不必等“认识自己”之后才开始，它本身就可以是认识自己的过程：通过尝试不同的工作、项目和角色，不断实验，逐渐看清自己。这正好回应了“不知道想干什么”的处境：不必先有答案再行动，行动本身会帮你生成答案。不过“试”不等于随便投，试的对象要能让你接触到真实的工作内容，而不是只看岗位名称⁠1。

立正用“道、天、地、将、法”来分层看职业选择：道是你怎样看问题、要什么；天是行业和周期；地是公司平台与业务；将是领导和关键同事；法是具体方法与执行。他提醒这几层有影响力差别：道对了天往往顺，天对了地就好；如果前几层都乱，法再精妙也可能白费。对“不知道想干什么”的人，这意味着不必一上来就纠结简历怎么写、投哪家公司，可以先问自己更愿意进入哪类行业和业务，因为这一层对后面几年的选择权影响更大。这五层是检查清单，不是固定排序，哪层最关键取决于你的阶段和真实可选项⁠2。

Ethan 在与立正的对谈中提出，找工作本身就是一份全职工作，需要策略和优先级：找机会、判断机会、改简历、联系招聘方、准备面试、找内推、复盘反馈，是一个复杂问题，不是机械投递。他还说，没有回复和被拒在当下市场很正常，不一定说明你不行，可以把它当成系统反馈来调整方向。对刚起步的人，这提示“开启找工作”本身就有可做的事：先让几个方向进入真实接触，再根据反馈收窄。立正在同一篇里转述并保留了这句话，但这是 Ethan 的判断⁠3。

立正讲过，不同任务的价值差异极大，高价值工作的产出可能是低价值工作的几百上千倍，而人常把差不多的时间、精力和注意力平摊在两者上⁠1,2。放到找工作上，投一百份简历、每天刷岗位信息，看起来忙，但真正决定结果的可能是：把一段经历写成能证明你解决过具体问题的材料，或找到一个愿意先让你试一件小事的人。判断标准可以问自己：这件事做好，会不会明显改变别人对我的判断；不做，最坏会怎样。刚毕业、方向还不清楚时，这个“高价值动作”往往不是写简历，而是先接触真实工作，验证哪个方向值得投入。

找到有价值的事，不等于它马上产生结果。立正提到，一件事要配合多次尝试、不断推出市场拿反馈，才可能真正产生大的影响，而且最终认可的受众常和一开始设想的不同⁠3。所以执行上不是做一份完美简历再海投，而是把一个小动作交出去：给一个具体岗位的招聘要求逐条对照自己匹配哪几条，或找一个人请他让你帮做一件小事，看对方怎么回应。反馈冷淡不代表你不行，它说明岗位、渠道、表达方式或时间点还没形成足够信号⁠4。越焦虑越要把动作变小，先有节奏，再谈用工具加速⁠5。

方向不清时，与其继续想“我适合什么”，不如把判断交给市场。课程里主张选工作要像做一笔大投资那样审慎调研，先弄清目标公司和岗位到底要什么样的人，而不是套模板海投、碰运气⁠1,2。具体做法可以很小：选两三个你不排斥的方向，各找几份真实招聘要求，逐条对照自己现在能拿出什么，然后针对其中一份认真写申请或做一个小作品。反馈会告诉你两件事——这个方向的门槛你够不够得着，以及你愿不愿意为补差距投入。这比空想更接近你要的答案。

刚毕业容易默认“我只能做本专业相关的”，立正提醒这相当于给自己加了一道不必要的约束，把本来一百个选项缩成十个⁠3。他更主张用发展的眼光看未来，而不是被已经投入的沉没成本推着走⁠4。所以上面那个小动作，方向可以大胆一些，不必只挑和专业对口的。同时，访谈里 Ethan 提到，新毕业生里真正认真看岗位、按岗位写出像样申请、能展示真实项目的人比例很低⁠5，这意味着把基本动作做扎实本身就有区分度。

Ethan 在访谈里提到，AI 能完成大部分执行工作，最后那一段仍要人来判断结果好坏、给反馈、把事情收口；没有专业深度的人很难判断两个答案哪个更好、错在哪里，AI 反而会放大盲区⁠1。立正把这类人分成两种：一种是在某个领域很深、用 AI 放大自己专业能力的人；另一种是能跨职能把前端、后端、产品、用户、业务串起来解决问题的通才，Forward Deployed Engineer 就是代表⁠1。所以岗位名称不是关键，关键是你在某个链条上能不能做判断。

AI 让生成变便宜后，稀缺转向定义要做什么、设定约束、评估与验收的人，而信息搬运、只做汇报和状态同步的岗位最容易被挤压⁠2。立正也提到，转型的方向是负责设计整个系统怎么用 AI 把结果做出来，包括把模糊的业务问题翻译成 AI 能用的上下文、设计评估和反馈标准、判断什么该自动化什么该人工接管⁠3。对没有计算机背景的人，这意味着可以找那些需要理解用户、业务和判断质量的岗位，比如面向具体行业的产品、解决方案、客户交付、内容与增长策略，而不是只做工具操作。

与其先纠结岗位名，不如先挑一个你已有积累或真感兴趣的领域（比如教育、法律、医疗、内容、电商），去看这个领域里 AI 在替谁做什么、最后哪一步还需要人判断。立正讲求职时提到，要先弄清目标岗位过去招什么样的人、需要什么硬技能和软技能，再按这个需求去准备简历和作品⁠4。你可以拿两三个候选岗位的真实招聘要求对照，看它们要求的判断力落在哪个领域，再决定往哪边补。

这类角色的价值可以拆成四件事：把模糊业务问题翻译成 AI 能消费的上下文、设计评估与反馈标准、编排模型工具数据让系统跑起来、判断什么该自动化什么该人工接管⁠1。文科背景恰好可以落在第一和第四件上。作品不必大，但要真实、要深、能讲出完整过程，框架只是帮你把已有经历重新组织，没有真实项目再好的表达也是空的⁠2。一个可操作的样子：选一个你熟悉的领域里的小麻烦，写清目标与验收标准，让 AI 产出初稿，你逐条判断哪里不对、补什么上下文，最后交出一份带取舍说明的成品。这份“判断记录”本身就是作品。

AI PM、conductor、builder 这类名字都不重要，重要的是不再只负责一段具体执行，而是负责设计整个系统如何用 AI 把结果做出来⁠1。AI 输出能不能直接用，取决于 AI 看到了什么；个体要把自己的审美偏好、判断原则、验收标准显性化成文档，这个过程本身就会逼你想清自己的标准⁠3。对文科生来说，这意味着可迁移的方向是：带着某个具体领域知识去做 AI 落地，比如内容、教育、法务、出版流程里的 AI 应用负责人。判断标准是你能不能对 AI 的输出负责、能不能说清什么算对。

与其先纠结岗位名称，不如先找一个真实的人，愿意让你帮他做一件很小的 AI 相关的事，看对方是否愿意为结果买单或给你面试机会⁠4。这个动作能检验两件事：你的“定义问题”能力在别人眼里是否值钱，以及你缺的是领域知识还是交付能力。招聘端也印证了这一点：能把 AI 放进真实工作流、能用 AI 闭环的人很少，把基本动作做扎实已经能跳出来⁠5。