有必要理解到足以判断、验收和排错,但不必从数学原理重新推导,也不必逐行读完所有源码。深度应由任务风险和你的责任决定。
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。
优先掌握稳定原理,而不是追完每个实现细节
立正明确主张,工具教程容易过时,而上下文为何失效、评估为何重要、文档与软件工程原理等内容更稳定;理解技术本质也能减少追逐框架和热点1。他还把基础心智模型视为认知校准的起点:知道 AI 的能力和局限,才能形成合理预期2。因此值得学的是能解释失败、指导取舍的原理,不是从线性代数开始重建整个 AI 知识体系;后一句是 AI 综合。
源码要读到能验证关键行为,不必默认逐行通读
AI 系统不能只凭生成结果看起来合理:Agent 在执行中需要从工具调用或代码运行获得环境反馈,再据此继续或停止3。同时,输出质量取决于上下文、约束和验收标准是否被明确提供,而不只是提示词写得漂亮4。据此可把阅读重点放在接口、数据流、权限、错误处理、测试及关键业务逻辑;样板代码和成熟依赖可先通过文档、测试与实际运行验证。这是 AI 对原文的工程化综合。
用“出错后谁负责”决定理解深度
AI推演如果代码只做低风险原型,可以先让 AI 生成并运行测试,遇到问题再深入;如果它涉及资金、隐私、安全、生产数据,或以后由你维护,就应能解释关键路径,并检查失败条件。判断标准不是“我是否看懂每一行”,而是:我能否说明目标和验收标准、识别主要风险、用测试或运行结果证伪 AI、出错时定位到相应模块。立正强调 AI 不会替人决定什么值得做、什么结果算好;方向或质量判断错误时,AI只会把错误更快放大5。
现有原文支持“重视稳定原理、验收与实践反馈”,但没有给出一套逐级源码审查标准;上述按风险和责任分层的做法是 AI 综合。
出处
- 1课代表立正:AI 课卖 2000 刀,偏偏坚持古法手搓
直接说明稳定原理与易过时工具教程之间的取舍。
- 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
支持通过基础机制、能力边界测试来建立判断。
- 3AI Agents的第一性原理定义|Define AI Agents
支持用运行和工具反馈获得可核验结果。
- 4AI User 与 AI Builder 的 5 个差距,和背后具体技术原因 | 科技大厂打工人版
可回到原文核对这部分判断
- 5到底什么才算AI Native人才?|如何unlearn?
支持人仍需负责目标、风险和质量判断。
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
- 觉得网上的AI教程很枯燥,而且学了很快又过时了。对于小白该怎么办?
别追教程里的新名词,把学习重心放在“会过时”和“不会过时”两半中的后一半:先自己猜、再让AI做,然后撤掉AI重做、换题检验。
- 有时候看不懂帖子,不知道他的一些专有名词
看不懂帖子里的专有名词,通常不是智力问题,而是名词本身有边界、能给人“学会了”的错觉;更值得学的是名词背后要解决什么问题、对应哪些动作。
- 我记得有一个教我如何学会健身、学会任何东西的一个视频,帮我找一下
你记得的大概不是一期专门讲健身的视频,而是讲“怎么才算学会”的内容:健身和学任何东西一样,靠撤掉帮助后还做得出、隔一段时间还记得来检验,而不是靠练得顺、感觉懂了。
- 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。