复盘 workflow 的关键不是记流水账,而是把“方法有没有用”和“工程细节哪里出错”分开看,并把验证与生产分开;日常则靠文件把每次经验存下来,形成可复用的流程。
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。
复盘先问四个问题,而不是记流水账
立正在一次用 CLI Agent 批量翻译 SRT 的复盘里,把复盘目标拆成四问:方法本身有没有用;放到真实大规模任务里最容易踩什么坑;自己犯了哪些错、浪费了哪些时间;这条流水线现在到什么水平、还差什么1。他还强调,写复盘不是为了证明方法“先进”,也不是甩锅给模型不稳定1。这给出一个可迁移的框架:把“方法有效性”“工程细节”“个人失误”“当前成熟度”分开评估,避免用一个笼统结论盖住不同性质的问题。这是 AI 对原文四问的归纳,不是原文逐字表述。
决定成败的是边界和验证,不是照抄方法
AI推演同一篇复盘里,立正的判断是:这套方法有价值,但不是“照着抄就会成功”的魔法;真正决定成败的是对任务的理解、worker 的边界,以及有没有把验证和生产分开1。所以复盘自己的 workflow 时,可以重点检查三处:任务是否被拆到每个执行单元都清楚;每个环节的输入输出边界是否明确;哪些步骤是试错验证、哪些已经进入正式产出。原文没有展开具体如何划分验证与生产,这一步属于 AI 的应用建议。
用文件把经验沉淀成可复用的流程
在另一场对话里,立正提到多做好文件管理:让 AI 把做完的东西总结成 Markdown,再总结成一个 Skill 存下来,乱了就让 AI 去组织2。他把这视为 agent 相比 Chat 能“积累复利”的重要实现方式,就是通过文件2。他还以做 PPT 为例,说第一次和第十次效率差别很大,因为第十次本地已经存下了工具、审美模板、素材库和 talking points2。这提示 workflow 复盘可以落成可查的文件资产,而不只是脑子里的印象;不过这是从 PPT 场景推出来的做法,是否适用于你的任务要看具体环节。
提供的材料主要围绕 AI 辅助的翻译与 PPT 流程,没有给出通用的 workflow 定义模板或分行业步骤;上述步骤是从这些个案中归纳的应用框架,不是原文的完整方法论。
出处
- 1一个对“结果确定性”方法的实践和踩坑
提供一次完整复盘的四问框架,以及方法有效性与工程细节、验证与生产分开的核心判断。
- 2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】
说明用 Markdown、Skill 和素材库沉淀经验,让流程随使用次数积累复利。
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。