- 想了解AI时代怎么学习,应该先看哪几篇?
先读《假学习的终结》和《学AI的两大误区》,再补《AI焦虑的三种形态》和《用好AI的第一步》那组入门三篇,就能抓住“围绕交付能力学、别把做出来当学会”的主线。
- 现在为什么现在会进入到agent to agent的时代,之前都还是 人 to agent 的时代,发生这个重要的转变的原因是什么
从人指挥 agent 到 agent 之间互相调用,是因为 agent 已经能自己多步决策、调用工具,而人反而成了流程里最慢的一环;同时自然语言让大量原本不值得开发的长尾需求变得值得做,需求一多…
- marketing 部门目前有哪些方向适合通过开发AI工具或插件来进行提效、解决过往难以解决的痛点?我应该具备怎样的思维去持续发现这样的问题、方向,从而快人一步提出解决方案?
资料没有给出营销部门的具体工具清单,但提供了找方向的方法:从真实工作流里反复出现、卡住结果的环节入手,而不是追新模型演示;判断一个方向值不值得做,看它能否稳定复现并真正缩短某一段工作。
- 立正与刘嘉访谈里“归因推理”具体是在什么语境下说的?
现有片段只能确认立正在与刘嘉的访谈里谈过人脑与计算机机制一致,没有出现“归因推理”这个词,也没有他解释“学一个知识点就会做相关题目”的上下文。
- AI 编程,有很多细节优化,尤其是前端
表格密集的 B 端后台(一屏几十字段、行内操作多),"用视觉承担论证"这套还成立吗?还是后台的"主线"应该是任务动线,而不是视觉重心?
同页面多角色权限(老师看全店 / 助理只看自己名下),"这一页服务谁"该写成一个角色还是多个?写多个会不会又变成"照顾所有人 → 平均"?
存量改版不能重做、只能改,人工确认的节奏怎么定才不变成“每行都打断”?
后台的主线是任务动线,视觉只负责让这条动线在密集表格里仍然可读;多角色页面要有一个主角色,其余角色作为受限视图;人工确认只卡在有后果的节点,不卡每一行。
- 有没有能够让agent结构化整理当前工作区目录、文档的prompt或skill
资料里没有现成的“整理工作区目录”prompt或skill可直接照抄,但给出了写这类skill的原则:把“做成什么样、什么算越界、出过什么错”写清楚,而不是写“整理得深入些”这类空话。
- 之前一段时间很忙,但是整个人很有干劲,最近业务没有那么忙,但是很懈怠,明明有事情要做,但就是不想做想刷手机 why
忙时靠外部任务推着走,闲下来反而失去方向;刷手机往往不是懒,而是没有把时间交给自己真正想做的事。
- 怎么面对错误和失败
面对错误和失败,重点不在这一次成没成,而在于你选择迎上去还是躲开;失败本身的影响往往比想象中小,真正积累下来的是面对挑战的心态。
- 我想了解 立正的思想体系。从哪读起
立正没有一套编号成章的「思想体系」,可确认的线索是几条反复出现的关切:世界是否一体因而公平、良质与动态/静态之分、以及「知识停下来才有觉」。建议从他自己讲世界观的片段读起,再读良质那篇。
- 课代表有什么很难的时候吗,是怎么度过的,内心会难受吗
立正公开谈过自己最难的一段是大学游泳队那两年,身体上很痛苦,但他坚持了下来,并把这段经历看作塑造性格的重要部分;他也承认自己会有无力感和恐惧,只是更倾向于用行动和现实反馈去化解。
- 我想在Claude 里 set multiple agents for data analytics to inform product direction, 我应该如何structure 我的agent
先别急着开多个 agent:先判断这件事能不能真正拆成互不依赖的子问题。数据分析和产品方向判断往往共享同一份数据和上下文,多开 agent 容易只是同一个模型采样多次,得到相关性很高的错误。
- 就像我们不知道我们不知道什么,我感觉现在的信息虽然很发达,但是都在信息茧房里,对于新食物的认知感觉很困难,特别是一直处在一个环境中时,但是好像又很难改变
信息茧房只是表层,真正限制你的是整个环境在悄悄定义“什么算正常、什么值得追”;要换视角,得先接触另一套环境,再用好问题找出自己与别人的认知差在哪里。
- 你好啊,我现在在做一个SaaS的APP,叫做Popcam.com,然后呃我现在SEO就没有怎么起来。你可以问一下我现在怎么做吗?
资料里没有专门讲 SEO 的内容,但立正反复强调的一点是:SaaS 做不起来,往往卡在触达用户和推动购买,而不是产品本身。所以先别急着优化关键词,先确认你的用户是谁、他们怎么被找到、谁在推动他们掏钱。
- 找工作本身就是一个工作怎么理解
这句话的意思是:找工作不是投几份简历的零碎动作,而是一项需要策略、调研和持续投入的完整工作;把它当全职来做,才会从被动等待变成主动经营。
- 我是一个设计师 该如何转型才不能被ai时代淘汰呢
设计师的转型方向不是补更多工具技能,而是从“交付一张图”转向“对结果负责”:能判断好坏、能把设计标准说清楚交给 AI 执行、能端到端把东西做出来。
- 我在搭建一个私人语音素材工作流:手机录音同步到 iCloud Drive,在 Mac 本地转录,之后把校对过的 transcript 和主题 Context 归档。若希望原始音频长期只保留一个云端主本、减少 iPhone/Mac 本地占用,同时又能防止云端或设备故障导致丢失,建议怎样划分原音、备份、逐字稿和 Context 的存储职责?删除手机或 Mac 上的下载副本前,应该做哪些完整性与恢复验证?你公开分享的工作流里,原音会长期留在 iCloud/本地,还是转录归档后清理本地副本?请尽量引用可核对的公开资料或仓库实践。
公开工作流里,原音长期留在 iCloud 同步的语音备忘录和 Mac 本地目录,转录归档后并不清理本地副本;真正接近你“只留一个主本”的做法,是冷归档时先做双份加密备份、只读复验和人工批准,再删原件。
- AI赚钱是不是一个伪命题?
不是伪命题,但“用AI赚钱”和“AI本身能赚钱”是两回事:钱来自满足真实需求,AI只是降低做真东西的成本;只把效率当目标,反而容易赚不到。
- 如何让 ai 自己每天赚个百万,我自己只需要玩?
这个目标在资料里没有可行路径:立正认为赚钱靠认知、杠杆和被动收入,AI 能省力但不会凭空替你产出利润,想找“全自动躺赚”的答案反而最容易被割。
- 如何给内部团队设定目标
KPI 模糊、AI 场景不确定时,目标不该先定成一个数字,而应先定成“这轮要获得什么新信息”,让团队用实验去把模糊处变清楚。
- 立正有没有讲过怎样用 AI 整理和保存自己的笔记文件?
讲过,但讲的是把录音、访谈这类素材整理成 Markdown 笔记并留在本地,不是针对已有笔记文件的归档方法。