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。
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。
从聊天框换到 Agent 工具,是提升的第一步
立正给的具体起点是:停止只用 ChatGPT、豆包这类聊天框,改选 Claude Code、Codex、Cursor 中的一个,把日常任务都放进去做。他的理由是聊天式用法每次都要重新交代上下文、产出留不下来、能调用的工具有限,因此没有复利;Agent 工具能把资料、偏好、工具沉淀成下次可用的资产1。他还把“高手”的用法概括为两点:总想着能为 AI 补充什么,以及大小事都交给 AI 做1。这是 AI 对方法的转述,不是唯一路径;对非技术岗位,《AI 用得好的人与普通人的5个差距》2的说法更宽:先从一两个高频任务迁移到 AI 上,把第一次成功经验沉淀下来,再去做更复杂的项目2。
稀缺的不是会用工具,而是能判断和收口
Ethan 在访谈中的判断是:AI 能完成 80% 到 90% 的工作,最后 5% 到 10% 仍需人来 close loop——判断结果好坏、给反馈、修正并负责。他举法律 AI 为例,没有领域知识的人不知道两个答案哪个更好、错在哪里,因此收不了口3。他把需要的人分成两类:domain-specific expert,以及能跨职能端到端解决问题的 AI generalist,比如 Forward Deployed Engineer3。立正本人另有一个时间性判断:他在 2025 年初说接下来 18 个月是 Agentic AI 的机会窗口,2026 年初又说未来五年 AI architect 会更稀缺;这是他自己的判断,且他随即请对方点评供需失衡是否成立,片段中没有对方的回应4。对转 AI 的人来说,含义是:只学 prompt 和工具,容易停在表层;把 AI 用在你有判断力的领域,才可能形成别人替代不了的位置。
求职:少而准,用作品说话
AI推演立正在求职对话中提出的主张是海投失效,应对每个岗位更认真准备、提高有限几次申请的成功率;他同时提到提升简历、做 AI 项目、有针对性地申请5。更早的一期里,他给 new grad 的建议是:针对想去的公司准备并用内推提高成功率;用相关工作本身提升技能,并讲清自己产生的 impact;保持心态、持续投递6。这些是 2020 年和 2026 年不同时点的说法,招聘环境已变,不能直接照搬。可操作的做法是:选一个你已有专业背景的真实问题,用 Agent 工具端到端做完,留下过程记录和结果,再针对少数匹配岗位投递,并请对方反馈你卡在哪一步——这既是求职材料,也是检验自己能否 close loop 的证据。
关于 AI 领域岗位的供需数据,《AI时代,找工作的难度,远超你想象》4中立正提出请对方点评,但片段里没有嘉宾的回应,无法据此判断市场缺口是否真实存在。《AI时代,找工作的难度,远超你想象》5、《如何管理两百份海投? 找工作时候要注意什么心态和…》6中大量嘉宾发言未确认归属,未用于回答。
出处
- 1高手怎么用 AI?普通人怎么学 AI?投资人如何投 AI?|对谈课代表立正
立正讲从聊天框转向 Agent 工具的具体理由和起步方式。
- 2AI 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
非技术岗位在使用中逐步升级、先迁移高频任务的路径。
- 3AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
Ethan 关于 close loop、domain expert 与 AI generalist 的核心判断。
- 4AI时代,找工作的难度,远超你想象|Jobright创始人分享一线求职数据
可回到原文核对这部分判断
- 5AI时代,找工作的难度,远超你想象|Jobright创始人分享一线求职数据
立正谈海投失效、应提高有限申请成功率的求职主张。
- 6如何管理两百份海投? 找工作时候要注意什么心态和方法?|Data Scientist求职3/3
可回到原文核对这部分判断
追问2026年11月2日
怎样判断自己的 AI 项目足以支撑求职,而不只是练手?
关键不在项目大小,而在它是否跑过真实流程、AI 在产品运行时真正承担任务,并且你能讲清判断和取舍。
先分清“用 AI 做出来”和“AI 在项目里干活”
材料里的观点立正把两者分开:AI-assisted building 是开发时用 AI 帮你写代码;AI runtime 是用户使用时,AI 在系统内部理解、判断、行动。一个日历工具即使八成代码由 AI 生成,用户打开时 AI 不参与,就只是前者,不算 AI 产品1。他给出的成熟度阶梯从“AI 只回答”到“基于上下文回答、调用工具、嵌入固定流程、决定下一步、循环执行并纠错、有记忆权限评估和人工交接、主动触发”1。这是判断项目深度的可用标尺,不是求职门槛的官方标准。
真实、完整、能讲出过程,比规模重要
材料里的观点立正强调项目经历在先、表达框架在后:能讲清三层内容,前提是真的做过一个深度项目,经历过那些过程,有具体案例和体会;没有真实经历,框架是空的2。他建议用几个周末解决一个真实问题,不需要很大,但要真实、要深、能讲出完整过程2。他还提到,面试越来越用试工、带回家题或埋了 bug 的代码库来考察,刷题和做项目本身越来越说明不了什么,比的是懂不懂原理、会不会用 AI 解决问题3。所以“足以支撑求职”的信号不是项目数量,而是你能解释为什么这样做、哪里出过错、怎么判断 AI 做得对不对。
对照招聘端看,把基本动作做扎实就已稀缺
AI推演Ethan 在访谈中说,公司想要能高强度使用 AI 工具、把 AI 放进真实工作流、用 AI close loop 的人;他估计有 GitHub 且上面有像样真实项目的应届生不到 3% 到 5%4。立正补充的观察是,能按 job post 写出像样申请、有持续 commit 且项目讲得出来的 GitHub,可能已在 1% 以内,Ethan 认同这一判断4。这是招聘端对基本动作稀缺程度的估计,不是对项目质量的评级。对读者来说,可检验的做法是:项目是否有真实用户或真实任务、是否有持续提交、你是否能当场讲清一次失败和修正。若三项都答不上来,更像练手;若能答上,再对照上面的 runtime 阶梯看深度。
材料没有给出“足以支撑求职”的统一判定标准,也没有具体岗位的招聘要求;上述标尺来自立正和 Ethan 的经验判断,需结合目标岗位核对。
出处
- 1AI产品的六个层次
提供区分 AI-assisted building 与 AI runtime 的框架和成熟度阶梯。
- 22026,如何在面试中证明自己"真的懂AI"
说明项目经历在先、表达框架在后,以及真实深度项目的标准。
- 3AI替你做出来以后,你还会什么?|哥大客座课程回放
说明面试转向试工和调试,项目本身越来越不足以证明能力。
- 4AI时代,找工作和创业的有效方法|Jobright联创/CTO Ethan对话
Ethan 描述招聘端想要的 AI 使用方式,并给出真实项目稀缺程度的估计。
追问2026年11月2日
人如何提升与多agent协同的水平呢
提升多 agent 协同,重点不在多开几个 agent,而在先判断任务能否真正拆开,再设计好计划与执行的配合。
先问任务能不能拆,再决定要不要多 agent
材料里的观点立正在一篇署名文章里指出,遇到复杂任务就多开 subagent,是把旧组织的做法搬进 AI:项目重要就多安排人,问题复杂就多开会。但 subagent 往往来自同一个模型,继承相似上下文和偏好,也容易犯相关性很高的错误。五个相似 agent 不等于五种独立判断,更像同一个平均值采样了五次。每多一个分支,还会多一份上下文、工具结果和协调成本。所以协同水平的第一关,是判断这件事能否被真正分解,而不是把并行本身当成质量1。
用计划者和执行者两个角色,而不是堆角色名
材料里的观点在一段课程介绍里,立正提到他们试过用 O1 Pro 做 Planner、用 Claude 做 Executor,两者相互配合、相互验证。他认为给 agent 安上设计师、程序员、分析师等一堆角色并不本质,本质是计划与执行两个角色。这个判断来自他们自己的任务比较,属于立正本人的说法,不是通用结论2。对读者来说,可迁移的是:先有一个负责拆解和定标准的角色,再有一个负责动手的角色,并让两者互相检查。
协同成本会随复杂度上升,要主动交这笔税
杜磊在一期访谈里说,任务复杂度上升时,协同会增加,需要拆解,也需要把计划写出来、把 spec 描绘清楚,还要增加不同职能之间的对齐。他把它形容为一种“信息组织税”3。这段话的说话人未逐段确认,只能作为该期内容的观点参考,不能当作立正立场。它和上面的判断可以互相印证:多 agent 的收益,取决于你愿不愿意先把计划和标准写清楚。
现有片段只提供了原则和零散案例,没有给出可直接照做的完整流程或评测方法。《杜磊》3的说话人未确认,相关观点不能归给立正。
出处
- 1More agents不等于more intelligence|我让AI更努力,它给我写出了311GB的平庸
解释为什么多开 agent 不等于更强,以及任务可分解性的判断。
- 22025年,AI最大机会是Agents,如何抓住18个月的窗口期?
立正本人对 Planner 与 Executor 两角色框架的说明。
- 3杜磊:硅谷投资圈的非共识,YC Demo Day内幕,AI创业者画像,虚假工作来源,把Cursor用成Notion
补充复杂度上升带来的协同与 spec 成本,但说话人未确认。
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。