你已经有了知识库和不错的回复质量,下一步不是再堆知识,而是把“你手动发起一次问答”改成“AI 按规则自动取用、执行、回写”。先想清楚哪些环节该自动化、哪些判断必须你来做。
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:知识库解决“答得对”,自动化解决“谁来发起”
材料里的观点你现在的状态是:context 已经能支撑好回复,但每次仍要你开口问、你去看结果。立正讲 context 基础设施时,把技术层拆成几件事:分层记忆(工作记忆、项目记忆、组织记忆)、渐进式加载(AI 按任务自动找到需要的那部分 context,不多不少)、持续提炼(把原始纪要、讨论加工成可复用的经验)、规范注入(把做事标准写成 AI 能理解的规则,让 AI 自动做检查)1。这几件事里,“渐进式加载”和“规范注入”正是从手动问答走向自动 loop 的关键:前者让 AI 自己取料,后者让 AI 自己判断做得对不对。
用 agent 工具把“发起”交给 AI,你保留判断
材料里的观点立正给的一个具体起步方法是:养成使用 agent 的习惯,用 Codex 这类能直接调用模型、操纵你电脑、使用本地数据的开放工具,把工作习惯放进去;他不推荐把你绑定到某个封闭生态的工具2。他还提到自己会把权限交给 AI,前提是有好的备份系统,并打开 computer use 让 AI 帮忙点击电脑,甚至用手机远程操作这些 session,让 AI 在他躺着或开车时干活2。这对应你说的“AI 把活干了,我辅助”:AI 负责发起和执行,你负责定规则、看结果、处理例外。
别把不该自动化的流程也自动化
AI推演立正提醒过一个反例:很多人用 AI 不是去改变真正的约束,而是去自动化本来就不该做的事,结果省下两个人又花两个人去用 AI2。放到你的场景:先找出你目前每次手动问答里,哪一步是重复劳动(比如固定格式的整理、固定来源的检索、固定检查项),哪一步是真正需要你判断的。只把前者做成 loop,后者留给你。他还建议把上下文尽量沉淀成 Markdown,写“结果类”的 skill——把工具、对结果的要求、边界和案例给 AI,而不是教 AI 一步步做事2。这是 AI 对上述材料的应用推演,不是原文针对你情况的结论。
提供的片段没有给出具体的 loop 搭建步骤、工具配置或代码示例;《你团队的 AI 效果不好,问题不在模型》1讲的是团队级 context 架构,《杨天楠:看似体面的工作,实则都是在表演?》2是访谈中的经验性建议,二者都不能直接当作你本地环境的操作手册。
出处
- 1你团队的 AI 效果不好,问题不在模型,在 Context
给出 context 分层、渐进式加载、规范注入等架构思路,对应从手动问答到自动取料的关键环节。
- 2杨天楠:看似体面的工作,实则都是在表演?
提供用 agent 工具、开放生态、权限与备份、结果类 skill 等具体起步建议,也提醒别自动化不该做的事。
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。