不必追着每个新产品换。工具会变,值得投入的是换工具后仍然能用的判断和交付能力;新产品可以试,但用它检验自己,而不是把熟悉新工具当成学习。
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。
工具会换,能力要能迁移
立正明确讲过课程刻意不绑定具体工具,因为今天顺手的工具明天可能就换人,练出不依赖工具的方法后,换工具的成本会很低1。他也把 AI 学习的目标定在可迁移性:换任务、换工具、换领域还能交付,才算真学会2。所以“新产品一个接一个出现”本身不构成必须迁移的理由。判断要不要换,可以看它是否解决了你现有工作流里一个具体的卡点,而不是看它是不是新的。Grok Bot 这类新产品,先拿你已经在做的一件真实任务去试,比较它和现用工具在同一任务上的差别,这比通读介绍更能告诉你值不值得换。
熟悉新工具不等于学会用它
AI推演立正提醒,AI 最危险的时刻是它做对了、你以为自己也会了3;检验学习要看撤掉帮助、隔一段时间、换一道题之后还能不能做4,3。频繁换产品容易落进这个错觉:每个工具都摸过,但每次都是它在替你完成建模、拆解和验收。更值得做的是把难处留给自己——这件事该不该做、怎么拆、结果好不好——把配环境、调参数这类不增长判断的麻烦交给工具4。你每天已经在用 Agent,可以挑一件最近交给它的事,先写下自己预判它会怎么做、哪里可能出错,再对照结果;这个差距就是换不换工具都带得走的东西。
入口之争不等于要逐个追
立正自己的习惯是在 Codex、Claude Code 这类通用入口里调用各种服务,选择哪家服务看它能不能被自己的 Agent 直接调用,而不是看它自带的 Agent 做得多好5。这给了一个筛选标准:新产品如果只是多一个聊天界面,对你的价值有限;如果它提供了能被你现有工作流调用的能力,才值得花时间接进来。
材料没有专门讨论 Grok Bot 这类具体产品,以上是判断标准,不是对它的评价。
出处
- 1AI课程刷新总结 - 2026年5月版
说明课程为何刻意不绑定具体工具,以及换工具成本低的前提。
- 2学AI的两大误区:找课本(只看不动手),抄作业(依赖tutorial)
给出可迁移性这一检验标准,适合核对“学会”指什么。
- 3AI替你做出来以后,你还会什么?|哥大客座课程回放
解释“做出来了”和“学会了”为何容易混淆,以及撤掉帮助后的检验。
- 4假学习的终结
具体讲哪些难该留给自己、哪些麻烦可以交给工具。
- 5从结果确定性到通用智能:和韦晓亮老师聊AI、产品与教育
从入口选择角度说明什么样的新服务值得接入自己的 Agent。
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。