好点子很少靠凭空想出来,更常见的是先带着一个假设去碰撞现实,再在反复修改中逼近真正的问题。
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。
先有假设,再去碰撞
立正在讲提问时提出,人不是空着脑子接收信息的,而是带着已有的认知去和经验碰撞,再形成新的知识;他把这称为人认知世界的一个很本质的方法1。按这个思路,找点子可以先写下一个你目前相信的假设,再拿它去接触用户、数据或实际场景,看哪里对不上。对不上的地方,往往比空想更接近一个真问题。这是 AI 基于该说法的推演,不是他针对“找点子”给出的原话。
第一个点子大概率要改
材料里的观点夏淳在对话里说,创业一开始想的点子“基本上我们可以打赌”会变,要反复调整;他举 Zoom 为例,最初是给 Facebook 做视频聊天工具,做了一年后发现不对,才转向企业用户2。这说明点子的价值不在第一版有多完整,而在于你能不能从反馈里看出该往哪改。梁津晶也提到,自己第一个项目增长和收入都不错,但用户留存差,增长只能靠不断拉新,于是判断它做不成大公司,转向第二个方向3。两人的例子都指向同一件事:用实际反馈筛掉不成立的点子。
判断点子好坏,看它是否贴合真实约束
材料里的观点立正在一篇署名文章里转述并评论 PG 关于好设计的原则,提出这些原则背后有一个共同点:好东西是形式对真实约束的高度贴合4。他据此把 taste 解释为感受一个东西是否贴合真实的能力,能看出哪里是必要的、哪里是装饰的、哪里在解决问题、哪里在逃避问题4。把这个标准用到点子上:不是问它听起来新不新,而是问它是否解决了正确的问题、是否去掉了不必要的复杂度。他也说,成熟的创造者关心的不是“这是不是我原创的”,而是“这是不是对的”,所以可以借用别人已经找到的部分答案4。
这些材料分别谈提问方法、创业经历和设计品味,没有一份直接给出“如何产生好点子”的完整步骤;上面的做法是 AI 把几处判断连起来后的应用,不是任何一位说话人的原话。
出处
- 1如何问出一针见血的好问题 | 有字幕
提供“带着假设去碰撞经验”的认知方法,可用来理解点子的形成过程。
- 2过度优化的人生,注定一塌糊涂|对谈硅谷资深投资人
夏淳以 Zoom 为例说明初始点子常要反复调整,并谈到创业者的内驱力。
- 3一个人管400个AI任务,已经是标配了?|对话GitHub七万星的Orca创始人津晶
梁津晶讲自己两个项目的取舍,展示如何用留存等实际反馈判断方向。
- 4Taste是你感受quality的能力,是可以提高的
立正署名文章把好设计归结为贴合真实约束,给出判断点子质量的标准。
追问2026年11月13日
我现在一个点子都没有怎么办
没有点子时,不必硬等灵感;可以从一件具体的小事或一个好奇点出发,先做起来,再在尝试中调整。
先接受“暂时没有想法”这个状态
材料里的观点Riley 说,她以前习惯从父母那里拿到要求再去完成,人生因此显得充实;到了快30岁,她发现需要建立自己的标准,却一时不知道什么对自己重要。她的做法是强迫自己去挑一个感兴趣的东西、问自己有没有好奇的点,哪怕只是点酒时试着乱点一次。她也承认乱点效率不高,后来更愿意让服务生推荐、自己再选,并把这理解为“我选择让别人推荐”,而不是放弃选择权1。这段是 Riley 的个人经验,不是对所有人的处方;它说明的是:没有点子可以先从很小的好奇开始,不必先有一套完整想法。
点子常来自具体问题,而不是凭空想
郑昌熙在回应一个用单片机和相机训练模型开车库门的例子时说,最酷的地方是那个人想到用这个办法,而不是后面用 AI 执行;他认为研究者的价值在于能想到这件事,执行成本变低之后,更值得想的是探索点子的方式会怎么变2。这支持一个判断:点子往往附着在一个具体、甚至很小的麻烦上。对“一个点子都没有”的人,可以先找身边一个让你觉得别扭的具体场景,而不是要求自己先想出宏大方向。这是 AI 基于该段对话的推演,不是郑昌熙对“如何找点子”的直接建议。
把“想点子”换成一次低成本尝试
AI推演如果你现在完全没有方向,可以先选一件你有一点好奇、又能在一两天内试一下的小事:比如记录一个你反复抱怨的日常麻烦,或按 Riley 的方式问自己“有没有什么想尝试的”。做完后看两个反馈:这件事有没有让你想继续追问,或者有没有暴露出一个更具体的问题。若都没有,也只是排除了一个方向,不等于你没有创造力。这个做法借用了 Riley 的“从小好奇开始”和郑昌熙对“具体问题先于执行”的强调,但具体选什么、做多久,需要你按自己的条件定1,2。
提供的片段里没有专门讨论“如何从零产生点子”的方法论;以上主要依据 Riley 的个人经验和一个具体案例作有条件推演,不能当作完整方案。
出处
- 1人生最大的真相|Riley 3/5
Riley 讲述自己从依赖外部要求到尝试建立个人标准、从小好奇开始的过程。
- 2李飞飞收购郑昌熙:有生之年,我们可能看不到通用机器人出现
郑昌熙区分“想到具体做法”和“执行”,说明点子常附着在具体问题上。
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。