构想够到“能验收、能说清对象和边界”就可以让 AI 先做一版;但别指望想全,很多正确决定要看到错误版本才出现。
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。
先做一版,是因为想法本来就不完整
材料里的观点立正写过,landing page 第一版很快就有了,但前后打磨了八十多版。他的解释是:很多正确的决定,在看到错误的版本之前根本不存在——必须先看到页面,才知道信息顺序不对;先用过 dashboard,才知道哪些数据不该占主位。他把这称为“名词是压缩算法”:计划发生在压缩后的世界里,真正的工作发生在解压后的现实里1。这正好支持你的直觉:前期构想不可能也不该过于详细,因为细节要靠实现结果来暴露。
够用的边界:目标、对象、验收标准说清楚
立正给的方法不是“想得多细”,而是“交代得够不够让 AI 自己判断”。他主张结果导向指令:告诉 AI“做到什么算对”,而不是教它“怎么做”,就像对聪明的新员工说清要一份含成本、时间、风险三维度的对比表,而不是遥控它先打开 Excel2。他还提到交付完整任务时要给目标、边界、标准、可用资源,让 AI 自己拆解、自检、修正;任务不熟时约束要密,模式稳定后再逐步撤掉脚手架3。按这个标准,可以试着让 AI 动手的信号大致是:你能说出这次要解决谁的问题、什么算做对了、哪些不能碰。这三样说不清,AI 就容易发散;说得清,剩下的细节交给第一版去暴露。这是 AI 对上述方法的综合,不是原文给出的判定清单。
一个真实的反面案例:目标丢了,加速只会放大偏差
材料里的观点《你赚哪份钱,决定了产品该怎么做》4里东海龙王的团队遇到过一个功能:原本为新手设计,做出来却更适合中高难度玩家。回查发现,大约半个月前的会议里服务对象被改了,更上层的设计目的没留下,后续就沿着新说法一直做。立正对此的评论是:AI 加速了执行,也加速了这个偏差变成成品;只记录“要做什么”,后面的人可以高效完成,却不知道是否还在解决最初的问题4。对你来说,这意味着“先做出来看看”之前,至少要留下目标、对象和理由;否则改起来会越改越偏。
提供的片段没有给出可直接套用的“到什么程度就该让 AI 动手”的量化门槛,也没有讨论不同任务类型(如一次性脚本与长期维护系统)的边界差异;上面的信号是从原文方法推出来的,需要结合你的具体任务检验。
出处
- 1Don't build: 看清demo和production之间的鸿沟
解释为什么第一版会暴露原构想的不完整,支持“先做出来看”。
- 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
给出结果导向指令与隐性标准显性化的具体做法。
- 3AI 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
说明交付完整任务需要目标、边界、标准,以及脚手架随熟练度调整。
- 4你赚哪份钱,决定了产品该怎么做|切问·立正02
用真实案例说明目标与对象没留下时,AI 会加速偏差。
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。