同一工具下,产出差距更可能来自上下文、验收标准和迭代方式,而不只是提示词。leader和pm的优势往往是把隐性标准写清楚、让AI能反复调用。
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。
先别把问题归到提示词
立正把“AI不靠谱”看作方法层级的问题:同一个模型,有人只得到“差不多”的结果,有人能把它变成稳定产出、可迭代的工作系统,差别在方法而非工具1。他也说,Cursor、Claude Code、Codex 这些工具的基础能力没有本质差距,工具本身不是关键变量2。所以“提示词写得好不好”可能只是表层,值得先看更底层的东西。
差距常在AI看不到的上下文
立正解释,决定输出质量的不是 prompt,而是 AI 执行任务时看到了什么。大厂员工有团队文档、代码仓库、历史决策记录,AI 天然有大量 context 可读;个体或小团队的品牌调性、写作风格、对客户的理解都留在人脑子里,从没写成 AI 能读的格式,产出就“差点意思”3。他打了个比方:让一个聪明的新员工写方案,你只说“帮我写个方案”,他当然不知道你的审美、取舍和验收标准3。团队层面,context 散落在聊天、文档、邮件和会议纪要里,没有结构,每次都要从零解释背景,经验也随人走而蒸发4。这可以解释为什么用同一个工具,leader和pm的产出更稳:他们可能已经把标准、案例和背景沉淀成了可复用的材料,而不只是会写提示词。
怎么判断是不是“最优解”
AI推演立正给的方法不是逐步遥控 AI,而是清楚定义结果:告诉它“做到什么算对”,比如要一份对比三个方案优劣的表格,包含成本、时间、风险,最后给推荐3。他也强调,很多效果不理想,是因为自己脑子里根本不知道要什么,或者知道却没表达给 AI5。所以“不确定是不是最优解”,可以先问自己:我有没有说清验收标准?如果说不清,AI 给的东西就很难判断好坏,也就谈不上最优。可以试着把这次任务的“什么算对”写成几条可检查的条件,再让 AI 按这些条件改一版,看产出是否更接近你的判断。这是 AI 基于上述方法的应用建议。
材料没有具体说明你leader和pm的实际用法,所以无法确认他们的优势究竟来自上下文积累、验收标准还是别的因素;上面的解释是可能的方向,不是对他们做法的核实。
出处
- 1AI 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
说明差距在方法层级而非工具,是理解问题的总框架。
- 2AI已经用得很好,为什么还是怕被淘汰?
可回到原文核对这部分判断
- 3AI 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
具体解释上下文、隐性知识和结果导向指令,最贴近“产出差点意思”的处境。
- 4你团队的 AI 效果不好,问题不在模型,在 Context
从团队角度说明context散落和经验蒸发,解释为什么同工具产出不同。
- 5直播用Manus和GPT4.5,研究DeepSeek|如何有效prompt AI,遇到问题如何debug,AI潜力有多大?|直播一度觉得做不出来了,最后三分钟双双达成
强调先清楚自己要什么并表达给AI,帮助判断“最优解”问题。
追问2026年11月8日
就像我之前那样,就只是听leader和pm说了个需求,要搞一个新项目,没有太多context,然后我叫ai想一些方案,leader就说不满意,更多是架构不行
“架构不行”往往不是AI方案本身差,而是你还没拿到leader心里的约束条件:目标、边界、取舍标准。先补context,再让AI出方案。
先弄清leader说的“架构”指什么
你只听到“要搞一个新项目”,就把需求丢给AI想方案,leader不满意,说架构不行。这里缺的可能不是提示词,而是判断方案好坏的标准。Mujtaba(Meta高级经理)提到,经理参加的会议比IC多,更了解领导层和干系人的背景、公司最关注的问题;IC没有这些背景不是失败,但应该主动向经理获取,让工作连到更大的战略1,2。放到你的处境,leader说“架构不行”,很可能是在用一套你没听到的背景在评判。这是AI基于材料的推演,不是leader的原话。
方案之前,先把约束问出来
AI推演Mujtaba说,如果做项目却不完全明白为什么做,或对问题本身、动机有疑问,就应该推动经理解释;经理也应该提供这些背景2。他还说,最重要的问题之一是“我们会用这份数据做什么决策、目的是什么”2。你可以先向leader确认几件事:这个项目要解决谁的什么问题、半年到一年要达到什么、哪些是硬约束(技术栈、团队、时间)、什么算“架构可以”。这些问清楚后,再让AI出方案,AI才有可评判的靶子。这是AI的应用建议。
让AI先对齐问题,再谈方案
AI推演立正在沟通分享里讲,有效沟通要先换位思考、站在对方立场上体现贡献感;他举的例子是,不会沟通的人只说“我干了什么”,会沟通的人先复述对方的问题,再说自己的方案解决了它3。用在AI上:第一轮别让AI直接给架构,先让它复述“leader要解决的问题和约束是什么”,你拿去和leader核对;对齐后再让它出两三个方案,并说明各自取舍。这样leader挑刺时,你至少知道是在挑问题定义还是挑实现。这是AI的综合应用,不是立正针对AI用法的原话。
材料里没有你leader的具体说法,也没有你项目的细节,所以“架构不行”具体指什么只能推测。《#148. 我们为什么AI焦虑》4讨论的是AI焦虑和做产品时先想理想方案的问题,与你的场景只是间接相关,未作为主要依据。
出处
- 1Meta印度裔高级经理,分享向上管理心得
说明经理掌握IC没有的背景信息,IC应主动获取。
- 2Meta印度裔高级经理,分享向上管理心得
讲清做项目要先明白为什么做、目的是什么,以及如何向经理要背景。
- 3工作中有效沟通的六层境界|扶摇计划分享
提供先复述对方问题、再讲方案的沟通思路,可迁移到与AI协作。
- 4#148. 我们为什么AI焦虑,我们又该怎么脚踏实地
可回到原文核对这部分判断
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
- 大家都在用AI,那我怎么在其中脱颖而出,拉开差距
真正的差距不在“有没有用 AI”,而在能否把它变成稳定、可复用、持续改进的工作系统,并用真实成果证明价值。
- 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。