评价 AI 方案的关键,是先写清“什么算对”,再让 AI 给出可核对的依据;工具选择往往不是重点,先判断问题值不值得做、验收标准是什么。
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 出方案
你试过才发现不好,通常是因为“好”的标准一直留在你脑子里,AI 只能猜。立正把这一点讲得很直接:决定输出质量的不是 prompt 写得多漂亮,而是 AI 执行时看到了什么信息;项目规范、验收标准、历史决策、约束条件都该写成 AI 能读的文档,读不到的信息对 AI 就等于不存在1。他也提到,很多人写这些文档时才发现,自己的“标准”其实从没被真正想清楚过2。所以评价方案前,先写下这次要满足的条件:输出长什么样、哪些维度必须比较、哪些边界不能碰。这就是他说的“结果导向指令”——规定做到什么算对,而不是逐步教它怎么做1。
技术细节不懂时,先问“这个问题值不值得解决”
关于工具选择,立正在视频里的判断是:先把问题非常清晰地描述出来,才能谈用什么工具解决;而且要先问这个问题值不值得被 AI 解决。他还说,Cursor、Claude Code、Codex 这些工具在基础能力上没有本质差距,那些断言某个工具特别强、另一个要死掉的人,往往举不出具体例子3。这是他的个人判断,不是对所有场景的定论。对你的技术细节困惑,可操作的用法是:让 AI 说明它选这个工具或方案的理由、适用条件和替代方案,再对照你的验收标准判断,而不是凭工具名气决定。
把评价变成看过程信息,而不是逐行审代码
AI推演立正提到,有效管理 AI 的方式是定义 evaluations、定义好还是不好,并通过一些过程信息判定结果,而不是审核 AI 的每一行代码,就像管理者不会盯着下属每一行代码4。应用到你的处境:让 AI 在给方案时附上关键取舍、假设和它自认为的风险点,你据此判断它是否满足你写下的标准。这样即使你不懂技术细节,也能评价“它有没有按约定条件做”。这是 AI 基于上述观点的应用建议,不是立正针对你问题的原话。
提供的片段没有给出具体技术工具的优劣对比,也没有针对“评价 AI 方案”的完整操作步骤;涉及工具能力的说法只是立正的个人判断,不能当作通用结论。
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
说明输出质量取决于 AI 看到的信息,以及验收标准、结果导向指令的作用。
- 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
补充个体场景下把隐性标准显性化的过程与价值。
- 3AI已经用得很好,为什么还是怕被淘汰?
直接谈工具选择:先清晰描述问题,工具基础能力差距不大。
- 4能用好AI的人一定是个好领导和好伴侣
提出用 evaluations 和过程信息判断结果,而非逐行审核。
追问2026年11月23日
目前最好的音频转写工具是什么?
现有材料没有给出“最好的音频转写工具”的横向评测,无法据此排名。可确认的是:立正实际用本地通义千问模型做转录,并强调转录后的文件要留在自己手里。
材料里能确认的只是具体用法,不是排名
材料里的观点立正描述自己的后期处理流程时提到,AI 先把视频转成音频,再调用本地的通义千问模型进行转录1。这能说明他在这个场景里用了什么,但没有比较准确率、语种、速度或价格,因此不能推出它是“最好”的工具。
选转写工具时,先看转录结果归谁
立正谈录音整理时,把“把上下文留在自己手里”当作重要选择:音频、转录和 Markdown 文件放在自己的目录里,可以搜索、修改、备份,也能换模型继续处理。他还提醒,买专门设备或软件前先问它具体改善了哪一段流程2。这是他对录音整理方案的判断,可以迁移到转写工具的选择上,但不是对某个转写产品的评测。
按你的用途定验收标准,再比较工具
AI推演如果转写结果之后要反复检索、编辑或交给 AI 加工,可以先确认导出格式是否完整、文件能否本地保存、换工具后能否继续使用,再用自己的一段真实录音试跑2。如果只是偶尔转一段音频,这些条件未必都重要。材料没有提供各工具在这些维度上的对比数据,具体选哪款仍需你自行核对。
提供的材料没有对音频转写工具做横向评测,也没有给出准确率、价格或语种支持等可比较数据,因此无法回答“目前最好”是哪一款。
出处
- 1用豆包还是Codex,正在加速两极分化…
立正描述自己用本地通义千问模型转录的实际流程。
- 2Intake Skill:用好苹果设备,把上下文留在自己手里
说明转录文件留在本地、可搜索可换模型这一选型判断。
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
- 从数据科学转去做AI产品,第一步应该做什么?
第一步不是先学某个工具,而是想清楚数据科学真正交付的是什么——更好的决策;然后把这个判断带进产品,用能跑起来的东西验证它。
- 想入职 agent 开发,解决过什么问题最硬
最硬的问题不是“我调通了 agent”,而是你解决过一个真实场景里 agent 不可靠、不可信或落不了地的问题,并能说清取舍和验证。
- 怎么样写好评判标准?
先写清“什么算成功”,再定可接受的错误阈值;标准要能随真实用户反馈迭代,而不是套现成模板。
- 你在AI上的支出和花销是多少?token是主要的支出吗?给出具体数字
嘉宾梁津晶说,若纯按 API 计价,她每月用量“好几万”美元;但她实际只买各家约 200 美元的订阅套餐,所以真实现金支出远低于这个数。片段没有给出精确总额,也没有把 token 单独列为支出项。
- 立正是open ai股東嗎
按这段公开转录,立正说自己持有的是换成OpenAI股票的那部分,不是说他另外买了OpenAI股份。
- 对于个人而言,怎样才叫真正的AI native,包括生活、工作和学习
真正的 AI native 不是会用多少工具,而是把一件具体的事重新做一遍:看清结果、改掉旧流程、用 AI 放大自己的判断,并拿出证据。