看这件事做完后,成果会不会留在原地、让下一次起点更高;只是把同样的动作再做一遍、每次都要从头来,就是重复劳动。
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。
复利看的是下一次起点有没有变高
立正给过一个很实用的问法:做这件事有没有复利,如果有,达成条件是什么,一年后和十年后的回报大概差多少1。这个问法把注意力从“这次做得好不好”移到“这次做完,下一次会不会更省力、更有分量”。写一篇能反复被引用的文章、搭一套别人能接着用的流程,下一次是从更高的起点出发;每天重复填同样的表、开同样的会,下一次还是从零开始,投入再多也只是把同一段路再走一遍。所以判断的关键不是累不累,而是这次投入有没有沉淀成下一次能用的东西。
没有沉淀的忙碌会制造进步的错觉
立正提到,fake work 最危险的地方是那种感觉:开了一天会、改了一天 PPT,人很累,大脑就告诉你今天很努力,事情却没有前进2。重复劳动常常就是这样,动作本身很真实,产出却停在原地。一个可操作的检验是问:这份产出完成后,下游会作出什么不同的决定或行动3。如果答不上来,或者多生产十份也不会让真实结果更近,那它更可能是重复;如果它能改变别人的判断、被再次使用,哪怕当下看起来慢,也可能在积累。
高价值的事也要靠反复推向市场才兑现
有复利不等于一次就见效。立正说,找到高价值的工作后,往往还要配合多次尝试、不断推向市场拿反馈,才真正产生大的影响4。这给判断加了一个条件:一件事暂时没回报,不能立刻判成重复劳动,要看每次尝试有没有带来信息、让下一次做得更好;反过来,一件事每次都在重复却没有新信息进来,就算很熟练也难有复利。
材料没有给出判断复利的统一量化标准,具体到某件事仍要结合它的回报周期和可复用程度来看。
出处
- 1对《活动:激活自己“捕捉需求”的意识》的补充
给出“这件事有没有复利、条件是什么、一年和十年回报差多少”的具体问法。
- 2假学习的终结
说明忙碌感如何掩盖事情没有前进,适合对照重复劳动的特征。
- 3如何识别与消灭 fake work
提供“产出后下游会做什么不同决定”的检验,用来分辨动作与真实结果。
- 4高价值工作,如何发挥最大效果?|Go to market multiple times
说明高价值工作也要多次推向市场才兑现,帮助区分暂时没回报与没有复利。
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
- 复利和超线性有什么关系?
复利是超线性回报的一种机制:上一轮的积累让下一轮回报更高,回报就不再与投入成正比;但复利不会自动发生,需要地基和持续投入才能兑现。
- 怎么做自媒体
先把“做成什么样”说具体,再决定做什么内容:自媒体是放大已有业务或能力的杠杆,不是凭空起号。
- 立正讲恩格斯陷阱的在哪里?
立正在《AI时代,应该避免成为“有用的人”?》这期会员视频里讲恩格斯陷阱,用织布工人和清朝的例子说明:生产力提升、工资却不涨,还伴随大量失业。
- 下面这个简历 立正会认为要怎么改呢:陈文斌
求职意向:AI 应用开发 / 后端开发 | 期望城市:厦门 | 工作年限:4 年后端开发
电话:133-2840-2307 | 邮箱:codebin99@163.com
个人优势
• 4 年后端开发经验,既写过 Go 的虚拟机资源调度、异步任务编排与状态机,也在 Python 平台上落地过基于 LangGraph / DeepAgents 的 Agent 应用。
• 能独立理解业务需求、完成方案设计与开发,并把功能推进到上线;获 CCF AIOps 2025 挑战赛优秀奖(大模型 Agent 根因定位赛道)。
专业技能
• AI 应用开发:熟悉 LangGraph / DeepAgents 的 Agent 开发,了解并实践 Agent 工具调用与 MCP 协议接入、RAG 知识库检索,以及人工审批、执行预算等 Agent 执行控制手段。
• Python 后端:熟练使用 Django、Celery、Redis 进行业务开发,熟悉异步任务、分布式锁与租约等常见后端模式。
• Go 后端:熟悉 Go 并发编程,有长耗时任务编排、持久化状态机、Worker 池与资源锁的项目实践。
• 数据存储:MySQL、Redis、VictoriaMetrics / PromQL、图数据库。
• 部署与工程(加分项):熟悉 Linux 环境,能使用 Docker、Kubernetes / K3s 部署服务,有 CI/CD 流水线使用经验。
工作经历
中数通信息有限公司 后端开发工程师 2022.07 – 至今
负责私有化云平台相关产品的后端研发,先后参与 Go 虚拟化管理平台与 Python 智能运维平台(含 AI 助手)的开发;参与平台需求对接与客户交付,累计服务 10+ 家客户。
项目经历
智稳 AIOps 智能运维平台 后端开发 / AI 应用开发 2024.08 – 至今
项目介绍:公司自研的私有化智能运维平台,覆盖资产管理、监控告警及智能运维助手等场景,负责 CMDB、监控与 AI 助手模块开发。
技术栈:Python、Django、Celery、Redis、VictoriaMetrics、图数据库、LangGraph / DeepAgents、MCP
• AI 智能运维助手:基于 LangGraph / DeepAgents 构建 Agent,接入知识库检索(RAG),集成 Kubernetes、数据库、SSH 等 30 类运维工具集供 Agent 按需调用,并提供外部 MCP 服务接入能力,支持用户以自然语言完成资料检索与工具调用;在执行过程中引入人工审批、执行预算和重复调用约束,控制 Agent 的工具调用范围与执行开销,降低误操作和无效循环调用的风险,支撑运维问答及辅助排障场景。
• 资产自动纳管与关系维护:开发 CMDB 资源采集、实例管理与自动关联能力,基于属性匹配规则维护资源关系,支持实例变更后的增量关联与规则变更后的全量同步;通过唯一键写入锁控制并发写入冲突,为资产查询和拓扑展示提供一致的数据基础;已服务算力中心客户,纳管 1 万+ 台 ECS 云主机资产。
• 采集任务可靠性:完善资源采集链路,基于 Redis 租约、心跳续租和轮次标识控制重复执行及过期结果;引入成功凭据优先、认证失败分级冷冻机制,减少无效认证尝试,支持多目标采集与异常恢复。
• 监控生命周期治理:基于 VictoriaMetrics / PromQL 实现指标查询与监控实例自动发现,完善实例活跃状态、超时清理及关联告警关闭流程;仅依据成功发现结果累计失联时长,避免采集异常造成实例误清理,并通过序列数和采样点预算限制大范围查询开销。
• 需求对接与交付:负责平台需求对接与客户交付,推动功能从需求到上线落地。
智稳虚拟化平台 Go 后端开发 2022.07 – 至今
项目介绍:公司自研的私有化虚拟化管理平台,统一管理虚拟机、宿主机、存储及网络资源,支持虚拟机生命周期管理、资源调度、热迁移和镜像导入,为私有云资源交付提供统一入口;已在公司内部生产环境支撑 35 台物理宿主机、400 台虚拟机的调度与管理。
技术栈:Go、MySQL、KVM / QEMU、Linux、Kubernetes / K3s
• 异步任务编排:围绕虚拟机创建等长耗时操作,基于持久化状态机和父子任务机制编排网络、磁盘及实例部署流程,结合 Worker 池、资源锁和远程回调重试控制并发执行,支持任务进度追踪、失败定位、取消及历史归档。
• 资源调度与预占:通过约束过滤与加权评分完成宿主机选择,结合 CPU、内存和存储需求登记待分配资源占用;引入 NUMA 感知评分,在满足资源需求的前提下优先
立正会先问这份简历投的是哪类岗位、JD 写了什么,再按那份 JD 重排:把「能带来什么结果」提到前面,把 LangGraph、MCP 这类名词退到后面,用你真正解决过的问题支撑。
- 那你会怎么选择呢?是在亚麻看转岗机会,可能快可能慢的转,还是去TikTok做策略?
立正不会替你选,因为他明确说过个人选择类问题基本不给建议,理由是你喜欢什么、擅长什么只有你自己知道。能借用的判断方式是:把两个选项放进同一个比较框架,看各自能攒出什么可迁移的成果。
- jev 和其他模型差别在哪儿?模型之间有没有一个系统性的分类?
Jev 的差别不在“模型更强”,而在它替你选好了比较对象和评价指标;模型之间没有统一分类,只有按任务和系统角色划分的层次。