当信息随手可得，单纯「知道」的回报在下降。真正稀缺的是能判断学什么、怎么用，以及在真实反馈里修正自己的能力。立正把学习拆成行动、思考、求知三个环节，认为现实中的比例大约是6:3:1，要用行动引领思考、用思考引领求知，遇到瓶颈再针对性补知识⁠1。他还指出，网上不缺资料，缺的是能让人从旁观者变成行动者的实践场，看到别人怎么做、怎么踩坑、怎么复盘⁠2。所以学习的重心从「先学完再做事」变成「边做边学、按需学」。

学到的知识如果只停在投入和产出层面，市场未必买单。立正区分了投入、产出和成果：成果是市场认可的「好」，从产出到成果的关键是走向市场⁠3。他举过求职的例子，有人盲目学英语、编程、考证，用人单位反而觉得不够专注；而先弄清目标岗位真正需要什么、再针对性积累的人，成功率高出很多⁠4。这意味着学习目的不只是「我会了」，而是「我能用它解决谁的问题、被谁认可」。

如果资源更值钱，那能持续创造价值的手艺就更值钱。立正把手艺看成可以无限精进的游戏：研究越深，能力越强，发现的问题也越多，靠精通一门手艺既能获得成就感，也能养家糊口⁠1。他还提到，真正改变一个人的往往是认知上的「开悟」，而不是赚到多少钱；如果只盯着数字，反而会丢掉最初的方向⁠5。对个人来说，可以先选一件能立刻动手的小事去做，观察它是否带来真实反馈和别人的认可，再决定下一步学什么。

RAG（检索增强生成）解决的是模型不能只依赖训练数据的问题：它需要接入材料、文档、数据库、业务规则和用户上下文。典型结构是用户提问，经过查询改写或意图识别，从知识库或数据库检索，再重排、过滤、拼装上下文，最后由大模型生成答案并做引用追踪⁠1。公司知识库问答、课程助教、客服 FAQ、法律文档助手都属于这一类。这一层的技术重点不是「写好提示词」，而是切分、向量化、混合检索、重排、元数据过滤、权限感知检索、引用与新鲜度控制、幻觉抑制⁠1。它的能力边界也在这里：AI 知道得更多，但主要还是在回答，不一定替你干活⁠1。

把 RAG 当名词学，关心的是流程里有哪些零件；当动词学，关心的是系统怎么在真实工作环境里稳定运行⁠2。实际会遇到的问题包括：用户换个说法问同一件事，检索命中率就下降；文档过期了系统还返回旧内容；不同部门有不同权限；答案的引用到底准不准、什么才算 ground truth；一次回答错了，到底是检索错、生成错、提示词错、流程错还是意图理解错⁠2。这些问题和流水线本身关系不大，用流水线去套反而南辕北辙⁠2。所以判断一个 RAG 做得好不好，先看它在换问法、文档更新、权限隔离这些情况下还稳不稳，而不是看用了多少组件。

在 AI 产品的分层里，RAG 属于第二层「带知识的 AI 应用」，比简单的模型套壳强，但主要仍是「回答型 AI」，不一定替你把活干完⁠1。社区项目里也能看到这个特点：产假小助手最初想用 RAG 从政策文档提取信息，最后转向规则引擎直接算天数，因为政策会变、算错代价高⁠3。这说明 RAG 适合「从材料里找依据再作答」的场景，一旦要求精确计算或稳定执行，往往要配合规则或其他机制。想判断自己该不该用 RAG，可以先问：我的问题是不是「基于一批文档给出有出处的回答」，还是「必须算出唯一正确结果」。