问题多半不在提示词,而在 AI 看不到你的验收标准。先把“什么算合格”写成文档,再把大任务拆成有明确输入输出的步骤,逐步验收。
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。
先补标准,而不是继续改提示词
材料里的观点立正把这类问题归因于“AI 执行任务时看到了什么”,而不是那一句 prompt 写得多漂亮。他用新员工打比方:你只说“帮我写个方案”,对方不知道你的审美、取舍和验收标准,改五轮也不对1,2。对应做法是 Document-First:把风格偏好、项目规范、验收标准、历史决策写成 AI 能读的结构化文档;对 AI 来说,读不到的信息等于不存在1,2。同时做 Context Curation,只给当前任务最相关的背景,信噪比决定产出质量1,2。
把“生产标准”写成可检查的条目
AI推演流程图达不到生产标准,通常是因为“标准”还停留在感觉里。立正建议用结果导向指令:不说“先画框再连线”,而说清输出长什么样、满足哪些标准、不能碰哪些边界1,2。对流程图,这意味着把合格条件拆成可逐条打勾的项,例如节点类型、分支是否穷尽、异常路径是否覆盖、命名是否统一。这是 AI 基于原文方法的应用推演,不是原文给出的流程图清单。
拆小、跑通再叠加
立正在一段视频里描述过一种做法:一开始做得太复杂,后来想方设法把它做小,用 document first、整理 context、隔离 context 等方法先把一个小 loop 跑通,再往上叠加功能3。他另一次直播里说,很多同学觉得 AI 效果不理想,是因为自己没想清楚要什么,也没表达清楚,AI 不会读心4。他还提到,人打字懒,给的 context 往往不足,用语音说两三分钟把信息说全,效果会明显不同5。把流程图拆成“先只做主干、验收通过再加分支”,是据此做的应用建议。
现有片段没有专门讨论流程图生成的技术方案或工具配置,以上是把通用的 context 与验收方法迁移到该场景,效果需你自己用一版输出检验。
出处
- 1AI 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
完整讲 Document-First、Context Curation、结果导向指令三项方法及新员工比喻。
- 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
同一方法的另一版本,强调“读不到的信息等于不存在”和信噪比。
- 3AI已经用得很好,为什么还是怕被淘汰?
描述把复杂任务做小、先跑通小 loop 再叠加的过程。
- 4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
指出效果不理想常因自己没想清、没表达清,AI 不会读心。
- 5EP14:对话课代表立正:AI时代下,后悔没早点离开职场
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
- 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。