如何高效地使用AI

立正把“AI 产出能不能直接用”归因于你给 AI 看到了什么，而不是 prompt 写得多花；他把这概括为 Document-First 加 Context Curation⁠1。他给出的具体模板是 3C：Context、Component、Criteria，三者讲清楚，AI 才能理解意图；结果不对时，通常就是这三项出了问题⁠2。这解释了一个常见误区：反复换措辞往往无效，补上背景材料、明确交付物和验收标准才改变结果。

立正提出“损失函数思维”：不能只告诉 AI 好或不好，而要讲清什么算好、什么算不好，他认为这是所有 evaluation 归根结底最重要的一点⁠2。与之配套的是判断错误类型的能力——幻觉、上下文饱和、指令歧义、能力边界，修法各不相同，这决定了能否稳定提升产出质量⁠1。换句话说，能诊断 AI 为什么错，比会写一句好提示更有复利。

立正指出个体最容易忽略的问题是经验不沉淀：今天用 AI 写完一篇，明天又从零开始，永远线性增长、没有复利⁠3。他的对应方法是个人 Context Architecture（区分长期不变、按项目加载、定期更新三类信息）、模板与 Skill 库，以及渐进式工作流迁移——先挑一个最频繁最标准的任务完全跑通，再迁移下一个⁠3。他还强调工作流要“AI 原生”，让 AI 尽可能多做、自己少参与，并举电机取代蒸汽机后靠流水线才释放生产力的例子⁠4。若把这些用于自己，可先选一件每周重复的任务，固定一份上下文与验收标准，用几次后按出错处修订，观察返工是否减少——这是 AI 基于上述方法的推演，不是原文给出的处方。