先别急着排课,先把一两个高频任务做成可复用的 context 资产,再让培训围绕“用起来、沉淀下来”展开;最重要的不是讲完知识,而是让能力留在文件里而不是人脑里。
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。
从真实任务和资产起步,而不是从课程表起步
AI推演立正把企业培训的交付物描述为一套存在 Git 仓库里的资产:规则文件、技能库、记忆模板、架构配置,并强调“培训结束是起点,不是终点”,员工会忘、会走,文件不会1。他给个人成长的建议也是“不要等准备好了才开始”,先找一个今天就能交给 AI 的任务,在做的过程中学2。所以策划顺序可以是:先选一两个团队里高频、结果可验证的任务,让参与者当场用 AI 做一遍,再把过程中有效的提示、规则、案例整理成文件。这是 AI 基于原文的应用推演,不是原文给出的固定流程。
培训重点应放在 context 和判断分工上
立正认为 AI 工具效果高度依赖输入 context 的质量,同样模型给模糊指令和给清晰规格、历史数据、用户反馈,产出差别很大;他把这称为 Context Architecture,包含谁产生和维护 context、context 如何流转、用什么工具链三层3。在具体任务上,他主张确定性的事交给程序,模糊和需要上下文的事交给 AI,最终判断留给人,人的反馈再回到 skill 和评估里形成闭环4。因此培训内容的重心不是工具操作,而是教人怎么给背景、怎么把一次成功沉淀成可复用的 skill、怎么判断哪些环节该留给人。
案例要能积累复利,而不是一次性演示
AI推演立正提到,用 agent 的方式比聊天方式能积累复利,重要实现方式就是通过文件:让 AI 把做完的事总结成 Markdown 或 Skill 存下来,乱了再让 AI 整理5。他还说,这类 context 资产可以搬到任何新工具里,不绑定厂商或模型版本,别的培训投入会随员工流动和工具换代贬值,这种投入不会1。落到案例搭建上,可以要求每个案例都留下可复用的规则文件和成功/失败样例,而不是只留一份演示稿;这是 AI 的应用建议,原文只提供了资产化的理由。
材料主要讲个人成长和企业培训的理念,没有给出完整的培训排期、课时或考核方案;《从焦虑到上手》5是对话转录,部分段落说话人未确认,只采用了明确归属立正的片段。
出处
- 1你团队的 AI 效果不好,问题不在模型,在 Context
说明培训应交付可留在仓库里的 context 资产,以及资产不随人和工具贬值。
- 2AI 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
给出“先找一个任务做起来、在使用中升级”的起步方式。
- 3AI Native 的组织形态:当执行成本下降,组织必须重写
解释 context 质量为何决定 AI 效果,并给出 Context Architecture 的三层框架。
- 4不要一上来就让 AI 判断一百万条数据|AI与人协作的任务光谱
提供程序、AI、人三方分工和反馈闭环的具体案例,可用于设计案例内容。
- 5从焦虑到上手: 白领/投资者的AI实战第一课【串台课代表立正】
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
- 我是负责帮助公司内部 AI Native 转型的同学,最近有个项目是做 skill 沉淀并发布运维的培训。
主要面向研发,希望通过这些直接在业务流程的发布、运维等 skill 让大家真正用起来。但是在我看来这个是 top-down 的形式,在分享和真正使用、有效果之间其实是有 Gap 的,如果这个事情真的做好并对业务 outcome 有价值,课代表觉得里面最重要的环节和核心点是什么?
最关键的环节不是把 skill 讲清楚,而是让研发在真实发布、运维任务里亲手用一次并看到结果;核心是把散落的经验变成 AI 能调用的 context,再用同辈案例和正反馈把“会用”变成“愿意用”。
- 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。