AI 能给出答案,但不会替你定义问题。投研框架的核心是把模糊判断切成可检验的具体问题,再用真实任务反复校准自己的判断。
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。
先定义问题,答案才有方向
立正把定义问题列为 AI 时代第一项能力:AI 什么都能答,但如果你不知道真正要解的是什么题,所有努力都会偏。投研里“这家公司好不好”这种问法几乎无法检验,需要切成客户得到了什么价值、企业捕获了多少、竞争者为什么不能把这部分利润套利掉,再落到具体变量、竞争者和时间上。判断力不是知道更多答案,而是能把一个顺口的解释继续追问到可以被证据推翻的程度1,2。
判断力靠真实任务校准,不靠囤信息
面对新模型、新工具,容易陷入信息过载:每天在学,判断却越来越少。可行的路径是用自己真实业务里的任务去测,看它在你的场景下是否管用,而不是照搬网上的最佳实践。投研上也一样,与其收集更多观点,不如对一家你真正关心的公司写下一个假设,说明什么证据会让你改变看法,再带着结果回来修正。立正还提到,真正一手的信息往往在天天动手试的人那里,二手叙事容易让人接受别人设定的“厉害”标准3,4,5。
借鉴别人的框架,要带走它成立的条件
别人的增长方法或投资判断有效,往往依赖他当时的位置、能力和关系积累;只复制最后一个动作,结果不会一样。看到一个投研框架时,可以先问它比较了哪些指标、为什么选这些对手、换一个条件后原结论在哪里失效。这样你得到的不只是一条结论,而是下次遇到新情况时自己判断的能力6,5。
这些材料谈的是判断力和提问方法,没有给出具体的投研流程或估值方法;涉及具体行业判断时,还需结合你自己的研究。
出处
- 1AI时代的真本事:穿透不确定性的六个能力
说明 AI 时代定义问题为何是判断力的起点,并给出会不会与能不能的视角。
- 2菜鸟总有答案,高手总有问题:从“护城河”到 7 Powers:怎样真正思考一个商业问题
讲如何把“护城河”这类模糊说法切成具体变量和可推翻的解释,最贴近投研框架。
- 3AI 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
讲认知校准和用真实任务测试工具,适合理解如何避免信息过载。
- 4"二手叙事"正在锁死你的世界观
可回到原文核对这部分判断
- 5通过Jev,辨清AI新技术的叙事陷阱:谁替你决定了什么叫“厉害”?
可回到原文核对这部分判断
- 6你赚哪份钱,决定了产品该怎么做|切问·立正02
用增长方法为例说明借鉴他人做法要带走成立条件,可迁移到投研框架。
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。