先别问“要不要换”,先问三个具体问题:目标岗位的硬条件你满不满足、它实际做什么你认不认同、它的环境你喜不喜欢。三个都答得具体,再决定换不换。
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。
用三个问题把“想换”变成可判断的事
材料里的观点立正给找工作的人列了三个必答问题:这个工作有什么硬条件和避选项、你满不满足;这个工作到底做什么、你认不认同;它处在什么环境、你喜不喜欢1。他提到只有约2%的申请会被认真看,原因常常不是经历不够,而是申请方式不对1。换职能时,这三个问题同样适用:它们把模糊的“不喜欢现在”拆成可核对的差距。
想象要落到具体公司、岗位和人
材料里的观点立正强调要有“具体的甲方感”:脑子里要有具体的公司、具体的岗位、具体的人,才能想清楚简历怎么打动他、面试讲什么2。他指出的常见错误是想得太虚——要么是够不着的dream company,要么只是身边类似的工作,结果做的事自然不够有效2。判断要不要换职能,可以先挑一两个真实在招的岗位,按它的要求对照自己,而不是拿“换个方向会不会更好”这种笼统感觉做决定。
换之前先看目标岗位在奖励什么能力
立正把职级阶梯描述为:初级把清楚的任务可靠做完,高级在模糊需求里定架构和取舍,Staff跨团队判断什么值得做;招人看最底下一级,升职看上面几级3。他还说,AI很会干初级的活,机械编码变便宜后,人会更早碰到真实系统、做真正的设计和取舍3。这是AI的综合:如果换职能只是换一种“执行局部任务”的活,未必解决你想解决的问题;如果新职能能让你更多做判断和取舍,才更接近他说的往上走。这个推论需要你用自己的目标岗位去验证。
这些片段讲的是找工作、升职和AI时代的能力判断,没有直接给出“何时该换岗位”的决策标准;上面的应用是把这些原则迁移到换职能问题上,不是原文结论。
出处
- 1如何通过解读Job Description,让自己的简历被认真对待?
给出三个可直接用来评估目标岗位的问题。
- 2想通过跳槽升职加薪,要先做好这件事
说明为什么要把目标岗位想得具体,以及想得太虚会怎样。
- 3AI替你做出来以后,你还会什么?|哥大客座课程回放
解释不同职级在奖励什么能力,帮助判断换职能是否真的往上走。
追问2026年11月9日
怎么判断目标岗位的“硬条件”自己差多少?
把岗位描述里的硬条件逐条拆出来,再逐条对照自己的证据,差多少就清楚了。关键是先看清要求,再看自己有没有能拿出来的证明。
先把硬条件从岗位描述里拆出来
材料里的观点立正把求职要先回答的问题列成三个,第一个就是:这份工作有什么硬条件、有什么避选项,以及你满不满意1。所以判断差距的第一步不是看自己,而是把目标岗位的要求拆开:哪些是学历、专业、技能这类硬门槛,哪些是沟通、协作这类软要求,以及它要的是深耕型还是快速学习型的人2。拆得越具体,后面比较才有对象。
逐条对照,看自己有没有证据
拆出条件后,一条条问自己:我有没有能证明这一条的经历或作品?课程里那位求职者的做法是先搞清楚目标岗位需要什么,再让简历、日常工作项目、业余学习都围绕这个需求展开2。这提示差距不只看“会不会”,还看“拿不拿得出证据”。某条要求你完全没接触过,差距就大;做过但没整理成可展示的材料,差距在呈现而不在能力。
对照时盯住具体岗位,别停在想象
AI推演立正提醒,很多人不够具体:心里想的是一个够不着的梦想公司,或者身边类似的工作,结果做的事自然不够有效3。用在判断差距上,就是别拿一个模糊的“理想岗位”当标准,而要落到具体的公司、具体的岗位,甚至想象具体是谁在看你的申请3。这样对照出来的差距才可操作。
提供的片段讲的是求职前要回答的三个问题和方法,没有给出逐条打分或量化差距的具体标准;上面第二段的对照方法是基于课程案例的推演,不是原文给出的评分规则。
出处
- 1如何通过解读Job Description,让自己的简历被认真对待?
提出把“硬条件和避选项、你满不满足”作为求职首要问题。
- 2第15课|打造产品:如何积累「手艺」,打造黄金简历?
说明如何拆解目标岗位的硬技能、软技能和人才模型,并围绕需求准备证据。
- 3想通过跳槽升职加薪,要先做好这件事
强调对照要落到具体公司、岗位和人,避免停留在模糊想象。
追问2026年11月9日
BI转行业运营怎么样?在AI出来后,BI这个岗位还还是长期深耕吗
BI 转行业运营,关键不在“BI 还是运营”这个标签,而在你转过去后做的是搬运报表,还是定义问题、设定口径、验收结果。AI 正在挤压前一类工作,后一类反而更稀缺。
先分清 BI 里哪部分会被压缩
材料里的观点立正把大公司里最容易被 AI 挤压的岗位归为“信息搬运型 + 叙事包装型”:周报月报汇总、会议纪要链条、不拥有真实交付物的对齐型项目管理,以及只做 slide/doc/status 的分析岗。他同时说,这些岗位不一定消失,可能先变成“产出更多垃圾更快”。反过来,更可能被增强的是掌握边界条件的人:定义问题、设定约束(合规、风控、架构、数据治理)、评估与验收的人1。所以“BI 值不值得深耕”要先拆开看:你日常是在拼报表、对数、做汇报,还是在定指标口径、判断数据能不能信、推动业务按数据改动作。前者是 AI 的强项,后者是 AI 暂时替代不了的判断。
转行业运营,可能只是换个地方做胶水层
杜磊在对话里描述过一类运营:SaaS 已经把大量本质工作自动化后,企业内部运营变成“胶水层”,做大量难度不高的判断,把系统 A 的东西搬到系统 B,再配上大量会议、跨部门协调和 meeting notes,他称之为“假的工作”。他还说,AI 正在替换这类按模板做灵活产出的文书型工作2,3。这是他对运营岗位的一种判断,不是对所有行业运营的定义。放到你的问题上:如果“行业运营”的实际内容是跨系统对数、催流程、写周报、做汇报,那它和 BI 里被挤压的部分是同一种工作,转过去并不会更安全。如果它包含真实的业务决策权、资源调配和结果负责,性质就不一样。
深耕的方向是“设计系统”,不是“维护流程”
立正给 Data Scientist 的转型建议是:不要原地补技能,而是往“更接近模型、也更接近结果”的位置走,价值在于把模糊业务问题翻译成 AI 能消费的 context、设计评估和反馈回路、编排模型工具数据流程、判断什么该自动化什么该人工接管。他的原话判断是:重点是你是不是在设计系统,还是只是在维护流程;前者会更值钱,后者会越来越尴尬4。他自己 2023 年离开大厂去 Statsig,理由之一是 A/B 实验这类“为了证明你错”的东西 AI 生产不出来,而做 dashboard、数据分析、埋点 AI 可以自动化5。这两处可以合起来看:BI 的长期价值不在出数,而在实验设计、因果判断和验收标准。
材料没有给出“行业运营”的具体岗位定义,也没有 BI 岗位的市场数据或薪资变化,所以无法判断某个具体 offer 的好坏。以上是关于工作性质的判断框架,不是对某个岗位的结论。
出处
- 1在大公司,AI 到底会不会“真正改变组织”?
区分哪些分析岗会被 AI 挤压、哪些判断型能力会增强,是回答的核心依据。
- 2AI重塑工作流后,会消灭哪些“假工作”?(完整观察与推理)|软件3.0如何定义?|当Cursor成为“外脑”|杜磊_下
杜磊对运营“胶水层”和假工作的描述,用于检验转运营的风险。
- 3AI重塑工作流后,会消灭哪些“假工作”?(完整观察与推理)|软件3.0如何定义?|当Cursor成为“外脑”|杜磊_下
可回到原文核对这部分判断
- 4AI时代,大厂打工人的五条路
给出“设计系统而非维护流程”的转型方向,直接对应是否长期深耕。
- 5为了躲开AI,我差点去美国开餐馆,最后为什么卖起了课?
立正本人离开数据科学岗的理由,说明哪些 BI 相关工作 AI 替代不了。
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。