把“判断代码质量”拆成可执行的验收标准和诊断步骤,让 AI 先自检、再暴露不确定处,你只审最值得看的部分;审美、沟通等标准也先写成文档,再逐步校准。
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。
先定验收标准,再让 AI 自检和诊断
立正把“系统性判断质量、诊断问题”列为 AI Builder 的关键差距:普通用户只觉得“差不多”,出问题就换 prompt 重试;Builder 有明确验收标准,能定位根因、针对性修复1。具体做法是 Evaluation Design——把“看起来还行”换成可执行条件,比如是否满足 X、是否避免 Y 类错误、是否覆盖关键边界、是否符合格式风格约束;标准清楚后,AI 可以在输出前先自检1。同时做 AI Debug:区分 context 缺失、context window 饱和、指令歧义、模型能力边界等不同失效原因,分别补信息、压缩拆分、改写目标或换模型降复杂度1。还要让中间过程可见——工具调用轨迹、阶段性产物、自检结果、失败原因,问题才能在早期暴露1。你不懂代码,可以先让 AI 按这些维度自评并列出不确定处,你只审它标出的高风险点;这是 AI 对上述方法的综合应用。
把隐性标准写成文档,AI 才知道你要什么
立正用“聪明新员工”打比方:你只说“帮我写个方案”,他改五轮还是不对,不是他不聪明,是你的审美偏好、判断原则、过去取舍、验收标准全在你脑子里,一条都没给他2。对应方法是 Document-First:把风格偏好、品牌调性、受众画像、写作原则、常用术语、过往案例变成 AI 能读的文档;这个过程本身会逼你把“标准”想清楚2。再加 Context Curation,为每个任务精选最相关背景,而不是把所有东西塞进去2。指令用结果导向:告诉 AI“做到什么算对”,而不是逐步遥控“怎么做”2。这套思路可以迁移到审美设计、认知系统和沟通方式:先写一份“好表述长什么样”的文档,附上你认可的范例和反例,再让 AI 按它自检。
反馈要回到可迭代的闭环,而不是一次性聊天
AI推演石扬在访谈里描述专业开发者的优势:能一眼识别问题、快速给反馈,再基于反馈重新迭代;他把这称为 human in the loop,并说“review 远比 typing 更重要”3。他也指出,没有代码经验的人面对 AI 出错时“两眼一抹黑”,不知道问题是什么3。立正在另一篇讲数据筛查的文章里给出可迁移的闭环:确定性的事用程序或规则做,模糊判断交给 AI,最终判断留给人,人的反馈再回去改进规则和评估4。他还提醒,用模型结果验证模型结果有风险,评估要回到具体问题本身,而不是套用现成“最佳实践”5。对你来说,每次你指出 AI 表述奇怪或代码有问题,都可以把这条反馈写进验收文档或范例库,下一轮让 AI 先对照检查;这是 AI 基于上述材料的应用建议。
现有材料没有专门讲“非程序员如何审代码”的操作细节;石扬的描述针对专业开发者,立正的评估方法多来自数据筛查和写作场景,迁移到代码需要你结合具体任务调整。
出处
- 1AI 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
直接讲验收标准、AI Debug 分类和可观测性,是判断质量的核心方法。
- 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
用“新员工”比喻说明隐性标准要写成文档,适合迁移到审美和沟通。
- 3AI编程下一站,会自动化哪些白领工作?|Trae产品负责人石扬访谈_上
石扬谈专业开发者如何识别错误、快速反馈和迭代,说明 review 比 typing 更重要。
- 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
给出程序、AI、人分工并形成反馈闭环的案例,可迁移到质量校准。
- 5EP77 Startup 选择、AI Evals 怎么做、Data Science 未来
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
- 最近在自己用AI开发游戏,之前是游戏策划出身,对技术了解相对比较少。但是感觉现在vibe coding出来的代码质量很差,我不确定问题到底出现在哪里,是我的提示词不对,还是我没有用比较好的skill?还是说有什么我没有意识到的方面在影响?核心还是应该如何提升自己vibe codeing的代码质量呢?
代码质量差,通常不只是提示词或 skill 的问题,而是任务拆得不够细、缺少可判断质量的评估能力,以及没有把“第一版”推进到“可靠系统”。
- 帮我搜一下你的那篇关于白领工作的文章
你要找的应是立正署名的社区文章《白领工作的诞生与消亡:第四次浪潮的前夜》,2025年11月22日发布,文中注明与 Gemini 合写。
- 对未来很迷茫,不知道该干嘛
迷茫时不必先逼自己找到一条“正确路线”,更实际的是先放下“别人在看我”和“难才算有价值”这两层压力,再从具体经历里找方向。
- bioinformatics degree 在ai时代有moat吗
现有材料没有直接讨论生物信息学学位,只能借 Terry 的工程师判断作类比:AI 时代稀缺的是把复杂问题拆开并持续解决的能力,而非会用某个工具。
- 我认为在ai时代下,“追求稳定性”这件事情是落后的,“拥抱不确定性”这件事情是先进的。
问题一:立正会如何看待上述这句话?同意or反对,有个理由。
基于这个认识,“考公考编”这个职业规划选择在我看来是不太能站得住脚的。我能同意,如果是“喜欢编制”or“找不到工作”or“想满足家人爱人的期待”等理由的话,选择“考公考编”是个科学的选择。但是,我身边的很多人是在“不喜欢目标岗位”“能找到一份一般性的工作”“不知道未来要做什么”的情况下去选择考公考编,甚至是在“放弃一份已有工作”“愿意为考公花30w走后门”的情况下选择考公考编,这就令我有些费解。甚至让我感到焦虑,我是否对这件事情的认知和理解不到位。如此多的人愿意为了“稳定”而投入如此多的成本,我不免产生疑问:
问题二:为了“稳定”而选择考公考编,是个好的决策吗?这个问题有两层,一层是要不要追求稳定,一层是考公考编是否真的意味着稳定。
问题三:作为应届毕业生,在身边人都采取这样的就业策略的情况下,我应该调整我的认知,还是调整我的心态?
立正没有直接评价“稳定落后、不确定先进”这句话,但他强调穿透不确定性比在确定性里拿结果更重要;同时他说这未必适合所有人。所以更准确的说法是:不确定性是值得练的能力,不是人人都该选的生活方式。
- Deepseek和Deepseek harness是什么关系啊?
现有片段没有直接解释 DeepSeek 与 DeepSeek Harness 的关系;只能确认立正把 DeepSeek Harness 列为一种可调用模型、使用任意上下文和工具的开放工具,并区分了狭义与广义的 harness。