先别急着写代码,先判断这个项目要 AI 在用户使用时承担什么,再决定做到哪一层;起步时把验收标准和背景写成文档,比反复改 prompt 更重要。
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。
先分清是「用 AI 做」还是「做 AI 系统」
材料里的观点立正把两者分开:AI 只在开发时帮你写代码,是 AI-assisted building;AI 在用户使用时读取上下文、调用工具、做决策,才算 AI 产品1。他还给出六个层次,从薄 prompt 工具、RAG、能调工具的 AI、固定流程里的 AI,到智能体核心和 AI-native 系统1。拿到项目先问一句:用户使用时 AI 参与吗、参与多深?这决定你是在做 demo,还是在搭系统。
把验收标准先写成 AI 能读的文档
AI推演立正认为,决定输出质量的往往不是那句 prompt,而是 AI 执行时看到了什么信息;项目规范、风格指南、验收标准、历史决策都应写成结构化文档,因为「读不到的信息就等于不存在」2。他建议给 AI 定义结果标准——输出长什么样、满足哪些条件、不能碰哪些边界——而不是逐步遥控过程2。他还提醒上下文不是越多越好,关键在信噪比2。落到新项目上,可以先写一页「做到什么算对」,再让 AI 动手;这是 AI 对上述原则的应用。
别停在一次性对话,边做边沉淀
立正描述高手的做法:每次用 AI 时同时想「下次怎么让它更快、更可靠」,具体是搭 agent loop、配工具和权限、积累 skill 与 context3。他用蒸汽机换电动机的例子说明,新技术的红利不在技术本身,而在是否围绕它重构工作方式3。他也强调项目经历在先、表达框架在后,没有真实做过,框架是空的4。所以做项目时,每解决一个重复问题就固化一次,比追求一次做完更有长期价值。
这些材料谈的是做 AI 项目与能力分层的一般原则,没有针对你手上项目的行业、用户和资源给出具体方案;项目类型不同,做到哪一层需要你自己结合约束判断。
出处
- 1AI产品的六个层次
提供 AI 产品六层划分和「开发时用 AI」与「运行时用 AI」的关键区分。
- 2AI 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
说明文档先行、结果导向指令和上下文信噪比,是项目起步最直接的操作原则。
- 3高手用 AI,和你不在一个位面
解释为什么要边做边沉淀脚手架与 context,以及重构工作方式的思路。
- 42026,如何在面试中证明自己"真的懂AI"
强调真实项目经历在先,适合判断项目该做多深。
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。