跟朋友解释时，不必先争论PPT、汇报、开会算不算假工作，因为形式什么都决定不了。真正要问的是：这件事做完之后，接下来会发生什么不同？如果它改变了下一步决策，就是有用的；如果只是让老板知道团队在推进，那它只是工作证据。fake work就是用容易衡量的动作，替代难以衡量的价值⁠1。可以让他拿手上最占时间的一件事试一遍：一直追问“然后呢”，看最后碰到的是现实里的用户或结果，还是停在组织的记分牌里⁠2。

他的观点里有一半成立：位置越高，能调动的资源确实越多。但资源多不会自动变成价值，因为fake work是结构性的，不是个别人偷懒或文化不好⁠1。白领贡献很难被准确计量，管理者只能借助替代指标，人再围绕指标优化升职加薪；团队扩大后又需要更多协调和汇报，内部评价可以一直运转，却不保证新增工作创造外部价值⁠3。所以“先爬上去，到时候再做有用的东西”这个顺序，可能让他一路上练的是让打分的人满意，而不是判断什么真的好⁠4。

比较有力的反驳不是说他现在做的是假工作，而是指出：如果一路用代理信号换晋升，到了高层他手里拿到的仍是同一套记分牌，资源只会让这套动作规模更大。反过来，高价值工作往往伴随高难度，做出别人解决不了的成果，机会会自己找上来，形成复利⁠5。所以更值得问的是：他现在能不能先闭合一个小循环——做出改动、让真实用户使用、看发生了什么、再改一次，练的是从判断一路负责到结果⁠6。这比等到高层再补，代价小得多。

AI 让写方案、做汇报、整理信息这些过去费时、也因此被当成能力证明的事变得几分钟就能完成，于是“看起来做了很多事”的证明不再稀缺⁠1。真正稀缺的是能判断 AI 结果好坏、给反馈、把事情收口的人；没有专业深度，AI 反而会放大盲区，因为你说不清两个答案哪个更好、错在哪里⁠2。所以“AI 取代不了的东西”不是某个具体职业，而是撤掉帮助以后你还剩下的判断、取舍和负责能力⁠3。

如果收入明天停止，你有多少个月可以不做错误决定，这决定了你说“不”的价格⁠4。所以更稳的顺序是保留稳定工作这一端，另一端用一小笔不经过老板结算的现金信号、一个外部项目或一次真实用户接触来试探，而不是先想清终点再行动⁠4。对 AI Engineer 来说，可以试着把手上一个模糊需求从判断一路负责到真实用户反馈，观察结果是否真的改变了谁的决策；这比换赛道更能告诉你自己缺的是判断还是执行⁠5。

对一件具体工作往下追问：这份产出完成后，下游会作出什么不同的决定或行动？如果多生产十份，真实结果会更近吗？报告、方案、汇报本身不是假工作，它们可以是价值的代理信号；问题在于代理信号取代了价值本身。一个可以试的做法：挑过去一周最占时间的一件事，写下“如果它有用，少做一轮会在什么时候造成什么后果”，到期什么都没发生，就说明它更靠近记分牌而不是现实⁠1,2。

每交接一次，原本的结果就被翻译成更容易验收的交付物：用户问题变成需求，需求变成功能，功能变成上线。所有交付物按时完成，最初的问题可能原封不动。所以判断时可以看：定义问题的人有没有跟到结果出现，结果不好时责任能不能一路回到最初的判断。暂时改不了组织，就先闭合一个小循环——做出改动，让真实用户使用，观察发生了什么，再改一次；练的是从判断一路负责到结果，而不是多做一个项目⁠1,3。

写方案、做汇报、整理信息、对齐流程这些过去费时间、也被当成能力证明的事，AI 几分钟就能出，于是不再稀缺。被压缩的是执行动作，不是判断力。对 AI Engineer 来说，一个可迁移的方向是：把点击、复制、同步、检查交给 agent，把目标、例外、验收和最终批准留给自己。如果你说不清这项工作最后要改变什么，agent 只会更快地生产代理信号⁠4,5。

面试里区分人的方式，是看对方能不能从“这个东西叫什么”进入“它怎么改变我的行为”：面对一份材料，能指出最关键的设计、它解决的是哪个底层问题、迁移到自己项目会先改哪几件事、有什么风险⁠1。同样，判断力也体现在能分清事实描述和价值判断——数据涨了3%是事实，这个数字对业务意味着什么才是判断，而后者要建立在前者被定义清楚之上⁠2。所以讲判断力时，先说清你面对的是什么信息、你排除了哪些选项、依据是什么，再说结果。只复述名词和流程，听的人无法判断你的取舍水平。

讲判断力时容易犯的错是把知道的都倒出来。一个具体的负面信号是：被问一个问题却讲了六到十分钟，说明不知道信息粒度该怎么控制；列出十个点，不如讲清两三个点⁠3。晋升场景下，判断力还表现为不再把“亲自检查每一步”当成对结果负责的唯一方式，而是定义工作、分配任务、判断风险、建立验收，把注意力留给架构和风险⁠4。面试叙事可以按这个结构：原来在什么场景、积累了哪些领域经验，通过一个项目学会了什么新的工作方式，回到原业务会怎么做得更好⁠5。

如果要把一段经历讲成判断力，可以先按这个方式整理：写清想达到什么结果、实际发生了什么、试过什么、有哪些限制，再单独写一句“我目前认为卡点是……”，把诊断暴露出来，让它成为可被检验的解释而不是结论⁠6。这样在面试或晋升沟通中，你讲的是一个可追问的判断过程，而不是一个包装过的成绩。

做“问问立正”的起因，是社区里有人希望能有一个“立正 Skill”，回答问题同时推荐讲过的文章和视频。当时把公开材料整理成立正 Open Context 放到 GitHub 上让大家自己做，但对大多数人来说，GitHub 仓库本身就是门槛。所以“问问立正”被定位成现成的入口：打开就能问，也能导出成图片或 PDF⁠1。这类工具的价值在于“低门槛直接可用”，把它塞进一个已经承载社区、会员、课程的空间里，入口反而会被稀释。

Superlinear Academy 由免费公共社区、Stay Superlinear 会员和 AI Builders 2027 学习计划三部分组成，它们可以独立使用，也可以围绕同一件事配合⁠2。社区调整时明确说过，不再按主题继续加分类，而是先把公共社区、会员服务和课程学习的边界分开，再按大家真正要做的事安排入口⁠3。在这个逻辑下，一个“随时打开就能问”的工具，和“看知识、问问题、展示项目、找机会、系统学一门课”是不同性质的事，单独放反而更清楚。

Stay Superlinear 主页迭代时提到，早期页面把大师课、答疑、课程、工具、Skills、Demo Day 等权益全列出来，每一项单看都值钱，放一起却像一堆赠品，解释越多越显得普通；问题不在措辞，而在于没讲清这些东西为什么同时存在⁠4。同样的取舍也适用于“问问立正”：如果它和 Academy 混在一起，用户会分不清它是会员权益、课程工具还是独立入口。分开做，是让每个产品先回答“我第一顺位服务谁、解决什么”，而不是靠堆功能解释自己。

面试官关心的不是你会不会用某个工具，而是你能不能把 AI 放进真实工作流、用 AI 把一件事从头做到尾。所以项目不必大，但要有真实问题、完整过程和可复述的判断。比如你现在的课程销售工作，如果把它当成一个真实业务问题——用户为什么买、卡在哪一步、你怎么用 AI 改进了某个环节——这本身就能变成一个有取舍、有结果的项目，而不是和 AI engineer 完全无关的经历。反过来，如果只是做一个 LLM Wrapper 的 demo，面试官看不出你的判断力，帮助有限⁠1,2。

真正有持续 commit、项目能拿出来讲的求职者比例很低，认真看岗位、认真写申请、维护一个像样的 GitHub 和 LinkedIn，就已经能从大部分申请者里跳出来。对 mid-to-senior 来说，重点不是数量，而是 relevance——你要清楚自己在哪个领域有优势，哪些岗位能放大这个优势，而不是只盯 title。三个月的工作时长本身不是问题，问题是你有没有一段能说清楚“我做了什么判断、结果怎么变了”的经历⁠3。

如果现在的工作给不了你机会，可以主动创造一个：用几个周末解决一个你真正遇到的问题，不需要很大，但要真实、要能讲出完整过程。比如你熟悉课程销售，可以试着做一个帮销售判断“这个用户值不值得跟进”的小工具，记录你用了什么信息、做了什么取舍、结果有没有变好。这个尝试的价值不在于项目多漂亮，而在于它能帮你验证：你到底是缺项目，还是缺把经历讲成判断链条的能力。观察反馈的方式也很直接——拿它去面试，看面试官追问的是技术细节还是你的判断过程⁠1,4。

简历被认真看的比例很低，原因往往不是经历差，而是申请方式没对准岗位需求。所以先弄清目标岗位要什么硬条件、日常做什么、在什么环境里做，再回头挑这段销售经历里能对上需求的部分。同一段经历，投 AI 工程师和投销售运营，该突出的东西完全不同。如果这段经历和目标岗位毫无交集，硬写反而暴露不匹配；如果它能证明沟通、推动、理解客户需求这类可迁移能力，就值得写，但要写成目标岗位看得懂的结果⁠1,2。

招聘方看的是你改变了什么，而不是你负责了什么。课程销售里可以问自己：我面对什么信息，做了什么判断，最后哪个数字或哪件事变了——比如转化、复购、某个渠道从没人管到跑通。这和“show don't tell”是一个道理：不说这件事很重要，而是直接显示它解决了什么问题、带来了什么变化。三个月本身不是硬伤，缺的是能讲清取舍链条的深度，所以宁可少写几条，也要每条都能被追问下去⁠3,4。