作为数据科学家，应该怎么利用AI或者如何学习AI可以最大效率帮助自己提高专业水平

立正把学AI的两大误区说成“找课本”和“抄作业”：只看不动手，或依赖教程。他认为学校式学习最大的副作用是把“理解”误当成“掌握”，而AI的核心是能不能做出东西来，不是能不能解释。他建议像学游泳、学开车那样学，把错误当反馈而不是扣分⁠1。对数据科学家，这意味着与其先系统读完教材，不如挑一个手上真实的报表或分析任务，用AI从头做一遍。

立正明确说“一定不能停留在聊天框里”，要用AI和agentic coding工具，让AI成为杠杆而不只是对话伙伴⁠2。他在对话里建议养成使用agent的习惯，用能调用模型、操作本地电脑和数据的开放工具，并先摸清AI的边界⁠3。对DS来说，可观察的起点是：让AI直接读你的数据文件、跑一段分析、生成图表，而不是把结论贴进对话框问“这样对不对”。

立正认为原来的DS岗位里“分析、建模、报表、实验”的大量动作会被AI压缩，更好的打法是往更接近模型和结果的位置走，价值在于把模糊业务问题翻译成AI能消费的context、设计eval和反馈回路、编排模型工具数据、判断什么该自动化⁠4。他给DS的具体外化对象是实验方法、指标口径、分析思路——把这些从“我有感觉但说不清”整理成规则和模板，AI才能按团队标准持续产出⁠5。这是AI基于上述判断对DS的应用推演：可以先从自己最常重复的一个分析口径写成说明文档，交给AI执行，再看结果偏差在哪里。