是。立正反复强调,先问清“为什么做、要解决什么”,再进入“怎么做”;否则容易做出没人需要的方案。
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。
先问 Why,再问 How
材料里的观点立正在一段视频里说,不要马上 Go to How,要先问 5 到 10 个 Why:为什么做这件事、为什么是这些用户、为什么竞品这样做。问完这些,才提得出比较正确的问题,找到值得优化的方向,抓住重点1。他讲的是做事和做产品的顺序,不是专门给“用 AI”下的规则;但把它套到用 AI 上,就是先弄清要解决的是什么,再让 AI 动手。
常见错误是直接跳到理想方案
材料里的观点立正观察到,大家找到生活里的一个痛点后,第一反应往往是“我要做一个理想的 solution”,比如做一个有五个功能、要上架 App Store 的 app2。这正说明问题本身和解决方案是两件事:先有想解决的事,不等于已经想清楚要解决到什么程度、给谁用、怎样算解决。
把“要什么”讲清楚,AI 才可能做对
AI推演立正在讲 AI 产出质量时说,决定输出质量的不是 prompt 写得多漂亮,而是 AI 执行任务时看到了什么信息;你的审美偏好、判断原则、验收标准只在你脑子里,AI 只能猜3,4。他给的方法是结果导向指令:清楚定义输出长什么样、满足哪些标准、不能碰哪些边界,而不是逐步遥控4。这可以理解为:先明确问题和验收标准,再交给 AI 执行。这是 AI 对材料的应用性归纳,不是原文原话。
《技术不重要!技术不重要?技术不重要!》1讲的是做事与商业判断,不是专门针对“用 AI 做事”的论述;把它用于 AI 场景属于合理推演,原文没有直接这样表述。
出处
- 1技术不重要!技术不重要?技术不重要!
立正本人讲先问 Why、再进 How,是回答“先了解问题”的核心依据。
- 2#148. 我们为什么AI焦虑,我们又该怎么脚踏实地
指出常见错误是一上来就做理想方案,说明问题与方案要分开。
- 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
同一判断的非技术岗位版本,补充隐性知识与结果导向指令。
- 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
解释 AI 产出质量取决于给它的信息和验收标准,支持“先讲清要什么”。
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。