- 英语老师一对一如何破局
一对一英语老师的破局点不在“教得更多”,而在把服务做窄:针对具体口音或表达问题做短期强化,并让学员看见可验证的进步。
- 怎么看待 DeepSeek Harness 新发布的 Super Agent 的文章?
我理解这种 Router-Worker 的样式,或者说 Agent Team 的概念是不新鲜的。但是为什么它能在当前被炒热?是因为模型发展到了当前阶段,或者说前沿的 Harness 已经稳定能够以某种方式去实现 Team 的工作方式了吗?
这个东西是我们必须要学的吗?还是说单个模型的简单方式就足够我们去使用了?
Router-Worker 本身不新,热起来是因为模型和 harness 让多步、多工具、可交接的协作更可用了;但要不要学,取决于你的任务是否真的卡在单模型做不完上。
- 德州扑克的本质是什么
现有材料没有直接讨论“德州扑克的本质”,只把德州扑克当作决策比喻:先看自己的筹码和对手,再按胜率与赔率选择策略。
- 普通人怎么寻找行业的痛点,我觉得我没有什么兴趣了
先别急着找“行业痛点”,你现在的“没兴趣”可能只是能量低。先让自己无聊几天、记下十个想法,再从中挑三个去接触真实的人和市场。
- 全天候ai自動運轉,最小token
现有材料没有给出「全天候自动运转、最小 token」的具体配置方案;能确定的是,模型本身不做事,要靠运行框架(harness)驱动,而省 token 的关键在于把重复任务沉淀成可复用的模板与流程,而不是每次从零对话。
- 如何提升自己的贵人运
贵人运不是等来的,而是让有资源的人愿意为你背书。你眼下最该做的不是继续海投,而是先把简历改成能让人一眼看懂你解决什么问题,再通过熟人引荐去接触目标公司的人。
- 如何提升自己贵人运?
立正的说法是:贵人运不是等来的,核心是有一件具体的事、通过可信的中间人介绍,并让对方看到你值得帮。
- 在AI让起步变容易之后,持续迭代的价值体现在哪里?
AI 让起步变便宜,但价值差距转移到“每次做完能不能留下可复用的东西”。迭代的价值不在重复做,而在让下一次起点更高。
- 投行需要哪些能力
现有片段没有直接列出投行能力清单;能确认的是,一位产业投行从业者把投行定位为服务创业者与投资人的中间方,靠专业服务、选品能力和网络口碑立足。
- 当一个小组已经选定服务方向,但客户持续指出交付缺口,成员又想开展新项目保留机会时,应该如何判断继续聚焦还是转向?请区分方向错误、交付能力不足和客户选择不当,说明哪些证据会改变判断,并给出相关原文出处。这是一个通用假设问题。
先别把“客户说交付有缺口”直接当成方向错了;先查清缺口是方向选错、执行没做到,还是客户本身不匹配。成员想开新项目,也要警惕它变成逃避难做的后半程。
- 在AI时代做产品增长,应该如何使用好AI?
把AI用在增长上,重点不是多试几个工具,而是先想清楚用户需求没变、变的是交付方式,再把隐性经验写成AI能用的标准,并让组织激励跟上。
- AI会如何改变财税行业?
AI 对财税行业的影响,很可能不是“整体提效”,而是先出现个人偷偷用、组织流程不变,再走向服务分层:高端精品与低成本自动化两端扩张,中间靠人力堆量的环节最受挤压。
- 如何从0开始提升自己的ai使用水平并找到一份ai领域的工作?
先用 Agent 工具把真实任务做完整,积累可复用的上下文和作品;同时保留一项专业深度,用它判断和收口 AI 的产出,再拿这些作品去有针对性地求职。
- 我要怎么使用你
这些片段能帮你找到“怎么用 AI”的阅读起点:先想清要什么,再把任务拆小、反复试,并让 AI 按你的标准完成工作。
- AI应用早期,产品设计和模型能力之间怎么分工?
早期 AI 应用里,产品设计负责把模型能力放进真实使用场景,模型能力负责抬高上限;判断分工的关键是看这件事会不会被下一次模型升级直接解决。
- 鸭哥的技术判断怎么算厉害
按立正的说法,鸭哥的厉害不在讲概念,而在把技术判断做成能跑的东西、用结果验证,并且能把这个差距讲清楚、教出来。
- 立正和鸭哥有没有聊过如何管理目录的方法或者skill
现有片段里没有立正和鸭哥直接对谈目录管理的记录;但立正自己讲过文件管理方法,也提到过鸭哥的 Intake Skill 和备份系统帖子。
- 做一个个人网站,内容有什么需要思考的吗,怎么去更好地展示自己,怎么知道自己想要展示些什么,有什么目的
先定“给谁看、看完做什么”,再决定展示什么;内容应来自你已有的真实积累,而不是先想人设。
- 高中毕业生阶段,哪些“真实问题”更适合先试?
优先试那些你最近真要做决定、能小成本动手、做完能拿到反馈的事,而不是先设计一套“提升能力”的大计划。
- neo浏览器通过植入AI可以做到什么,对日常工作有什么帮助
按现有材料,Neo 的 AI 主要做三件事:把搜索和对话合在一个入口、用本地保存的上下文主动提醒你、以简洁界面减少操作负担。材料没有逐项列出日常工作功能。
- 我是悉尼的高中毕业生。怎么在大学之前的几个月解决那些问题为了赚钱?
先别急着找“赚钱项目”,先想清楚你能直接为谁解决什么问题;材料里的共同点是:从身边真实需求出发、低成本试、把关系当长期资产。
- 我是上海的211本科计算机系大一新生,我想知道自己应该把时间投入在什么地方。
先别急着给日记助手找商业价值。更该投入的是:用AI工具动手做小东西、从身边真实场景里发现具体问题、补一点基础商业和销售,并把课内基础当作可迁移的底子而非全部。
- 做非码农在考虑美国西雅图还是回国发展(深圳/上海)比较好?我该怎么选择?
这个选择的关键不在西雅图还是深圳上海,而在你能否在身份不确定时,先积累可独立变现的分析能力。立正的经验支持先在大厂做真实业务、同时建立离开组织也能赚钱的自信,再决定去留。
- ai时代,10年大厂技术人,只有一定普通技术能力,在当下这个时候还能做什么让自己下一个十年成为前沿人才
把分布式系统经验当成“能判断对错”的专业深度,用AI把交付闭环做深,比补一堆AI工具更可能让你下一个十年稀缺。
- 超线性学员的优惠折扣码
现有资料里没有“超线性学员通用折扣码”这一项;能确认的只有几类特定对象的优惠:会员商店九折码、课程包折扣码 lizheng,以及老学员升级 AI Architect 的专属码。
- 我是没有任何编程基础的大厂校招生,现在组内大力推荐ai提效,但是我完全不懂ai,我应该学什么
你不需要先学AI概念或编程语法,先练三件能立刻用上的事:不怕命令行和报错、把需求说清楚、判断AI做得对不对。
- 怎么学习ai?学习agent?
学 AI 和学 Agent 的重点不是先背概念,而是围绕真实交付反复动手:把模糊需求拆成任务、定义“可用”、诊断失败、换题还能做。Agent 可以作为一个具体项目来练,但别把跟教程走一遍当成学会。
- 如何看待 AI 是否可以取代程序员的职业?
更准确的说法是:AI 会取代“只把任务做完”的那部分编程工作,但取代不了能定义目标、判断结果、对结果负责的人。
- 我怎么这么聪明还赚不到钱
聪明常被误当成“会做题”,但赚钱还要出对题、把东西分发出去并完成变现;只把题做好,未必有人看见、有人付钱。
- 立正的领英公开过吗
现有片段只能证明立正在节目里谈过领英的匹配作用,不能证明他公开过自己的领英账号。
- 我想做一个 agent 的集群,跨应用地完成我的工作。比如说在飞书安排工作,在 WPS 云盘里获取材料信息,在案件的理工作,最后反馈结果到我的飞书。我想问,怎样实现这样的方案?
可行路径是:先选一个能调用工具、能多步决策的通用 agent 作为执行层,用飞书和 WPS 的接口或电脑操作打通,再用 Markdown/JSON 中间文件串起各步骤;先跑通一条最小闭环,再扩展成集群。
- 怎么抓住下一个风口
立正的答案不是“预测下一个风口”,而是先成为 builder:从自己看得懂的需求出发做出东西,在做的过程中识别机会。
- 怎么做有意义的work,而不是表演型的work。真正从发心找到自己热爱的,能解决实际问题的work
把注意力从“看起来在忙”转到少数真正产生结果的事上,再用真实反馈验证它是否值得做。
- 我在做一个颗粒打印的项目,项目base在伦敦,在伦敦有工作室,有打印设备,有两个合伙人,他俩都base伦敦,我在上海。我们这个项目从5月份开始启动,我持续在投钱,大概有将近20w。目前还未盈利,其实我觉得这个事情很简单。但是因为合伙人的性格的问题,还有工作不均的问题,我很难看到盈利模式,甚至有想是否退出。
先别把“退出”当成唯一选项:你真正缺的是可验证的付费需求,而不是更努力地推合伙人。用一笔真实客户订单检验伦敦工作室能否赚钱,再据此决定是否退出。
- agentic workflow能成为ds岗位新的壁垒吗?
可以成为壁垒,但壁垒不在“会搭 agentic workflow”,而在把模型放进真实业务流程、做到稳定可控可评估。只停在 demo 或固定流程,很快会被工具拉平。
- Ai时代ds岗位会被取代吗?
不会整体消失,但“只做信息搬运、只靠单一技能”的 DS 岗位风险很高;越靠近业务结果、能对结果负责的人越难被取代。
- 什么是表演型工作,我写一个文档给别人说明要做什么,我配置一个表结构来规定应用中的数据等等都是取到一定作用的,可能是比较重复性,没有高价值,这样算fake work吗
不一定。写文档、配表结构本身是产出,是否算 fake work 要看它有没有推动真实结果;重复性只是线索,不是判据。
- 做AI怎么不依赖渠道,能够自己获客?第一批客户去哪里找
不依赖渠道获客,更现实的做法是先找到只有你的产品能提供的接触方式,而不是挤同一个广告位;第一批客户常来自熟人推荐、社区活动和技术内容带来的主动上门。
- 不知道该不该走计算机这条路
不必把“计算机”当成一条要么走通要么死掉的路。更可行的方向是:保留软件工程的基本盘,把AI当作工具,用你已上线的应用继续做能拿出手的作品,同时在新西兰选专业时优先看“能接触到真实客户或真实项目”的路径。
- 这种基于你大量的录音、课程、视频做成的这种基于文字检索的回答是怎么做的?需要跟整体说什么才能做这样的事情?需要做结构化吗?
这套问答靠的不是把录音直接塞给模型,而是先把内容整理成可检索的文字,再让模型按问题取用。立正强调的积累方式是文件、流程和调度三层,不是一次性堆资料。
- AI 原生思维和会用 AI 工具,差别到底在哪?
差别不在会不会用工具,而在把 AI 当临时调用的工具,还是围绕它重建做事方式:先定义要交付什么,再让 AI 承担判断、积累上下文、形成可复用的流程。
- 不同智能体的上下文如何保持一致
让多个智能体共享同一份可读写的上下文文件,而不是各自复制一份;只加载当前任务需要的材料,并让程序负责确定性的步骤。
- 怎样从头开始学习ai
立正的主张是:学AI不要先啃概念或跟教程,而是从一个今天就能交给AI的真实任务开始,在动手和出错中练“动作”。
- Ai 时代品牌设计师如何转型
转型方向不是“更会用AI出图”,而是从交付视觉稿转向对业务结果负责:定义概念与系统、直接做出可工作的东西,并用判断力承担成败。
- 我是高校老师,现在考虑从非省会城市的高校去省会城市的高校,应该如何抉择是否去?
现有材料没有直接讨论高校调动,但能提供一套判断框架:先降低“必须现在决定”的压力,把不可逆的大动作拆成可逆的小实验,再用真实反馈而非想象来比较两地。
- 一个小团队正在评估两款共享技术核心的产品:A 是用户拥有、可本地部署的个人 AI 助手,包含记忆、语音、Skills 和工具执行;B 是企业 AI 工作台,连接 Twenty CRM 等自托管应用,把跨应用任务、业务界面、权限和审批统一起来。应该拆成两个独立 App,还是一个产品的个人版与企业版,或者先只做一条?请批判性分析目标客户、付费理由、现有替代品、获客与交付成本、收费方式、先后顺序和可持续优势,并给出低成本验证商业计划的方法与放弃条件。请引用依据,区分证据与推断。
现有材料不足以判定该拆两个 App 还是做个人版/企业版;更稳妥的是先只做一条,并先验证客户为哪份“结果”付钱,而不是先决定包装形态。
- 一个理论基础科学领域的博士生,在这个时代,毕业后该如何通过 AI 创造最大的价值?
把博士训练出的判断力用在“提出正确非共识”和“给 AI 结果收口”上,而不是只做可被压缩的执行;再用真实项目把这种判断沉淀成系统。
- 怎么做一个ai native的公司架构,我希望他能承载指数级增长
先别设计一张能“承载指数增长”的完整组织图。更可靠的做法是:用一个小型端到端团队做试验,把知识沉淀成 AI 可用的上下文,按结果激励,再让业务像孵化器一样长出来。
- 下一个投资人会瞎投钱的行业是什么(after today)
现有材料没有给出“下一个投资人会瞎投钱的行业”这一预测;能支持的是:投资失误多来自投认知之外、被 FOMO 和情绪驱动,而不是某个行业注定被乱投。
- 立正对具身智能怎么看?
立正对具身智能偏谨慎:机器人会翻跟头不等于会干活,感知、控制、真实世界学习三层都还差得远,突破不会像大家想的那么快。
- 你觉得运气对一个人的成功来说重要吗?
重要,但立正更强调:很多被叫作“运气”的东西,其实是认知、尝试和坚持的结果,所以运气不该成为解释成败的终点。
- 中国的SaaS和美国的不是一样的SaaS
现有材料支持一个有限判断:中美SaaS的差别不只在软件本身,更在谁愿意付费、市场成熟度和采购习惯。
- 如何正确的学习AI
把AI当手艺练:围绕真实任务动手,在关键判断上先自己猜、再让AI做,最后撤掉帮助、隔段时间、换个条件检验自己是否真会。
- 我想请教一个关于人生选择、长期主义与自我实现的问题。
我的经历比较曲折。本科读的是机械工程,辅修数据科学,并不是从一开始就走在自己真正感兴趣的道路上。大学期间经历过一些挫折,也逐渐意识到,一个人的成长轨迹,很大程度上会受到早期教育、家庭观念、所处环境以及信息差的影响。很多时候,我们甚至不知道自己还有其他选择。
但我始终有很强的求知欲和探索欲。我对数学、人工智能、控制理论以及复杂系统都非常感兴趣,希望有一天能够真正参与创造新的理论、方法甚至新的知识体系,而不只是成为一个熟练使用现有技术的人。
现在,我已经本科毕业,即将前往澳大利亚国立大学攻读数学硕士,同时也在美团无人车项目从事算法研究相关的工作。我希望未来能够进入世界顶尖的学术研究环境,甚至攻读数学博士;与此同时,我也不愿意放弃人工智能这个可能深刻改变人类文明进程的领域。
但我有几个困惑:
1. 当一个人已经意识到自己过去的人生选择可能并不适合自己,并且希望重新塑造人生时,如何区分真正的内在志向与对过去遗憾的补偿心理?如何避免为了弥补过去而过度执着于未来?
2. 在人工智能快速发展的时代,一个人应该如何选择值得投入十年甚至一生的研究方向?究竟应该追求数学这样的基础性知识,还是拥抱AI这样的技术浪潮,抑或寻找二者交汇处真正有创造性的研究问题?
3. 当一个人有很大的理想,但现实中的学历背景、知识积累、资源和机会都存在局限时,应该如何制定自己的行动策略?怎样判断什么时候应该孤注一掷,什么时候应该保留选择权?
4. 如果让您给一个正处于人生重新起步阶段的年轻人提建议,您认为有哪些一旦理解,就能少走十年弯路的认知、原则或者决策方法?
我不太想听常规的努力、坚持和相信自己的建议。我更想知道:一个人如何在有限的一生中,逐渐摆脱环境和过去对自己的塑造,真正找到值得自己投入一生的事情,并且拥有实现它的能力?
如果您只能给我一个最重要的建议,您会说什么?
立正最可能给你的建议是:别先选定“纯数学还是AI”这个终点,先用真实行动做出一个能被检验的研究问题,让反馈替你缩小方向。
- 聊聊fake work和empire Building
fake work 是用容易衡量的动作替代难以衡量的价值;empire building 是同一机制在组织层面的表现——知识工作难衡量,于是用项目、人头和流程来证明自己,结果长出更多无意义的工作。
- 如果工作一定会被ai替代那人到底应该做什么呢
被替代的往往不是人,而是你已经解决过的那层工作;该做的是把旧活尽快交出去,往更难的问题、更靠近真实需求和判断的位置走。
- 怎么找到价值和意义
立正把“价值和意义”拆成两件事:工作里先找到少数真正高价值的事,用它们挤走杂事;而意义感不能靠短期从工作里索取,需要更长的时间和从过程里积累。
- 如何用 ai 生成应用并发布在 Google play 上
现有材料能说明用 AI 做出一个 App 原型、并把它部署上线让人试用,但没有涉及 Google Play 的上架流程、审核规则或发布要求,这部分无法据此回答。