从动手做一个能跑通的小任务开始，而不是先学名词和框架；Agent 的核心是围绕目标计划、行动、观察、再决定是否继续的循环。
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。
先跑通一个计划-行动-观察的循环
Agent 和普通对话 AI 的差别，是它会围绕目标自己计划、行动、看结果、再决定要不要继续1。学 Agent 最直接的入口，就是亲手让一个工具跑完这个循环，而不是先背 RAG、LangGraph 这类名词。比如让 Cursor 这类编程 agent 帮你完成一件小事：改一个文件、抓几条信息、整理成邮件。你观察它哪一步计划错了、哪一步没看结果就往下走，再调整。这样你学的是循环本身，换工具也带得走。
名词会过期，做事方法不会
学 AI 时容易把“学会了某个工具”当成进步，但工具几个月就换一轮，真正留下的是拿到模糊需求先拆成能检验的小步、结果不对先找原因而不是换工具这类习惯3。所以起点不必是选对某个框架，而是选一个你本来就想解决的小问题，用 agent 做一遍，记录你在哪一步卡住、怎么调整。这比先看完一套教程更能帮你判断自己缺的是工具熟练度还是做事方法。
材料没有给出针对零基础的具体课程顺序或工具清单；上面是学习路径的取舍，不是某门课的推荐。
出处
- 1用“AI产品的六个层次”，分类AI Architect学员项目，结果如何？
用几个真实项目说明 Agentic Core 的计划-行动-观察循环长什么样，适合先建立对 Agent 的直觉。
- 2AI的正确打开方式：不学概念，学动作
解释为什么被名词吸引会带来错误的进步感，适合校准学习方向。
- 3假学习的终结
讲清工具与做事方法的区别，适合判断该把时间花在学名词还是练方法上。
- 4正确的学习方法比大家想象中稀缺很多，那我们如何筛选人才？
给出从不会到会的学习过程该关注什么，适合复盘自己的学习方式。
你也有想问的？
卡住的时候，问问立正：回答只从立正讲过、写过的东西里来，每一段都能点回原文。
问类似的问题也可以接着问：
别人还问了
- 如何能快速在工作中使用多线程的AI工作？
“多线程”不是同时开很多对话窗口，而是把完整任务交给 AI 自己跑闭环，人只在收敛后介入；先迁移一个高频标准化的任务，跑通再迁移下一个。
- 怎么和女生聊天，如何轻松的做一个 party 上的自我介绍？
自我介绍不用面面俱到，讲清你是谁、正在做什么、关心什么就够了；聊天则先真心听和追问，别急着证明自己。
- Sora为什么不行
立正把 Sora 看作伪需求：生成视频本身炫酷，但替代不了抖音这类真实场景里的最佳选择，而且算力成本高到用不起。
- 在职场上应该给自己打什么样的标签
给自己打一个具体、可被验证的能力标签，比一个笼统的职位标签更容易让别人在有相关机会时想到你。
- AI 时代，数据分析的价值正在从"出数"转向决策、产品和判断力，但大多数从业者还停留在初级和中级水平。未来两年，普通数据从业者更应该往哪走：是留在企业内、练成用 AI 赋能决策的不可替代角色（这类的职位有限也需要能力），还是干脆转向独立、用 AI 做产品自己找需求（需要面对没有做过的分发以及极度的不稳定性）？如果只能二选一， 没有机会正职做着副业慢慢验证呢？
两条路都成立，但先决条件不同：企业内转型靠的是把判断力外化成可复用的系统，独立做产品靠的是能自己收口并解决分发。资料没有给出二选一的答案，反而指向先练判断力，再决定在哪用它。
- 我在做一个美股期权量化的交易系统，从Databento获取每日1m的快照，到处理bid ask报价的边界问题，到处理iv反解Greek，后完成了基础的本地回测系统，然后分别做了Iron Condor&Short put Spread的回测，最后实现了多期权腿组合策略回测，到对接IBKR TWS，完成后续的风控 包括用蒙特卡洛模拟极端情况Greek的Gamma Vega暴露最坏是多少，然后触发市价单强平，账户还增加了一个MM/权益的保证金安全线的全天监控。我想知道我还差什么？跟传统的对冲基金相比？
你的系统已经覆盖了工程实现和风控的很大一块，但和传统对冲基金相比，缺的主要不是代码，而是对市场有效性、信息优势来源和策略规模化后信息与管理复杂度的判断。