挑一件你最近本来就要做、一周内能交付、结果好坏一眼能看出来的小事,先定义清楚“做成什么样算成”,再动手。
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。
先选“能被检验”的小任务,而不是大计划
立正强调,承诺不是预言一定成功,而是先把一次尝试定义到足以被检验:一个主要目标、一个想要的结果、一段明确时间,以及足够认真的投入。否则实验很可能只证明了“随便做一下没有做成”1。他也提醒,任务越大越容易变形,越容易变成考察资源和时间,而不是考察能力本身2。所以“结果确定”不是指结果一定好,而是指结果能被清楚判定。
三个筛选条件:真实、小、有交付物
第一,选你最近确实要做决定的事,而不是为练习另造一个题目3。第二,控制在一周左右、成本你能承受的规模,比如用 AI 做一个自己真实需要的小工具、给现有项目补一份说明文档、把一段重复流程做成半自动脚本2。第三,要有可打开、可运行、可阅读的东西,外加一份简短记录:怎么做的、遇到什么问题、怎么修正2。这三条合起来,才让“做成了没有”有据可查。
动手前先写下“什么结果会让我改想法”
AI推演立正建议,选一个现在愿意做、成本能承受、能带来反馈的动作,先写下它要验证什么,以及什么结果会让你改变原来的想法,做完再带着结果回来3。这一步是把“结果确定”落到你自己岗位上的关键:它让任务从一开始就带着判定标准,而不是做完再找理由解释。如果你在现有岗位上挑任务,可以先问自己:这件事一周后我能拿出什么东西给别人看?看到什么我就承认原判断错了?两个问题都答得出来,再开工。
材料给的是通用方法和小任务示例,没有针对具体岗位的任务清单;你所在岗位哪些工作适合切小,需要你结合自己的交付物判断。
出处
- 1当「不断探索」开始取代对结果的追求|和大舅聊内容、商业化与英文市场
解释“把尝试定义到足以被检验”的含义,区分承诺与保证成功。
- 2正确的学习方法比大家想象中稀缺很多,那我们如何筛选人才?
说明任务为何要小,并列出小任务与三项交付物的具体样子。
- 3为什么别人的好建议,到你这里就用不上?
给出“选真实问题—写清验证什么—做完带结果回来”的完整小循环。
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。