如何从0开始提升自己的ai使用水平并找到一份ai领域的工作?

提问

AI根据立正公开的文章和视频整理,不是他本人回复

先用 Agent 工具把真实任务做完整,积累可复用的上下文和作品;同时保留一项专业深度,用它判断和收口 AI 的产出,再拿这些作品去有针对性地求职。

从聊天框换到 Agent 工具,是提升的第一步

立正给的具体起点是:停止只用 ChatGPT、豆包这类聊天框,改选 Claude Code、Codex、Cursor 中的一个,把日常任务都放进去做。他的理由是聊天式用法每次都要重新交代上下文、产出留不下来、能调用的工具有限,因此没有复利;Agent 工具能把资料、偏好、工具沉淀成下次可用的资产⁠1。他还把“高手”的用法概括为两点:总想着能为 AI 补充什么,以及大小事都交给 AI 做⁠1。这是 AI 对方法的转述,不是唯一路径;对非技术岗位,《AI 用得好的人与普通人的5个差距》⁠2的说法更宽:先从一两个高频任务迁移到 AI 上,把第一次成功经验沉淀下来,再去做更复杂的项目⁠2。

稀缺的不是会用工具,而是能判断和收口

Ethan 在访谈中的判断是:AI 能完成 80% 到 90% 的工作,最后 5% 到 10% 仍需人来 close loop——判断结果好坏、给反馈、修正并负责。他举法律 AI 为例,没有领域知识的人不知道两个答案哪个更好、错在哪里,因此收不了口⁠3。他把需要的人分成两类:domain-specific expert,以及能跨职能端到端解决问题的 AI generalist,比如 Forward Deployed Engineer⁠3。立正本人另有一个时间性判断:他在 2025 年初说接下来 18 个月是 Agentic AI 的机会窗口,2026 年初又说未来五年 AI architect 会更稀缺;这是他自己的判断,且他随即请对方点评供需失衡是否成立,片段中没有对方的回应⁠4。对转 AI 的人来说,含义是:只学 prompt 和工具,容易停在表层;把 AI 用在你有判断力的领域,才可能形成别人替代不了的位置。

求职:少而准,用作品说话

AI推演

立正在求职对话中提出的主张是海投失效,应对每个岗位更认真准备、提高有限几次申请的成功率;他同时提到提升简历、做 AI 项目、有针对性地申请⁠5。更早的一期里,他给 new grad 的建议是:针对想去的公司准备并用内推提高成功率;用相关工作本身提升技能,并讲清自己产生的 impact;保持心态、持续投递⁠6。这些是 2020 年和 2026 年不同时点的说法,招聘环境已变,不能直接照搬。可操作的做法是:选一个你已有专业背景的真实问题,用 Agent 工具端到端做完,留下过程记录和结果,再针对少数匹配岗位投递,并请对方反馈你卡在哪一步——这既是求职材料,也是检验自己能否 close loop 的证据。

关于 AI 领域岗位的供需数据,《AI时代,找工作的难度,远超你想象》⁠4中立正提出请对方点评,但片段里没有嘉宾的回应,无法据此判断市场缺口是否真实存在。《AI时代,找工作的难度,远超你想象》⁠5、《如何管理两百份海投? 找工作时候要注意什么心态和…》⁠6中大量嘉宾发言未确认归属,未用于回答。

回到6份原文

怎样判断自己的 AI 项目足以支撑求职,而不只是练手?

追问

AI根据立正公开的文章和视频整理,不是他本人回复

关键不在项目大小,而在它是否跑过真实流程、AI 在产品运行时真正承担任务,并且你能讲清判断和取舍。

先分清“用 AI 做出来”和“AI 在项目里干活”

材料里的观点

立正把两者分开:AI-assisted building 是开发时用 AI 帮你写代码;AI runtime 是用户使用时,AI 在系统内部理解、判断、行动。一个日历工具即使八成代码由 AI 生成,用户打开时 AI 不参与,就只是前者,不算 AI 产品⁠1。他给出的成熟度阶梯从“AI 只回答”到“基于上下文回答、调用工具、嵌入固定流程、决定下一步、循环执行并纠错、有记忆权限评估和人工交接、主动触发”⁠1。这是判断项目深度的可用标尺,不是求职门槛的官方标准。

真实、完整、能讲出过程,比规模重要

材料里的观点

立正强调项目经历在先、表达框架在后:能讲清三层内容,前提是真的做过一个深度项目,经历过那些过程,有具体案例和体会;没有真实经历,框架是空的⁠2。他建议用几个周末解决一个真实问题,不需要很大,但要真实、要深、能讲出完整过程⁠2。他还提到,面试越来越用试工、带回家题或埋了 bug 的代码库来考察,刷题和做项目本身越来越说明不了什么,比的是懂不懂原理、会不会用 AI 解决问题⁠3。所以“足以支撑求职”的信号不是项目数量,而是你能解释为什么这样做、哪里出过错、怎么判断 AI 做得对不对。

对照招聘端看,把基本动作做扎实就已稀缺

AI推演

Ethan 在访谈中说,公司想要能高强度使用 AI 工具、把 AI 放进真实工作流、用 AI close loop 的人;他估计有 GitHub 且上面有像样真实项目的应届生不到 3% 到 5%⁠4。立正补充的观察是,能按 job post 写出像样申请、有持续 commit 且项目讲得出来的 GitHub,可能已在 1% 以内,Ethan 认同这一判断⁠4。这是招聘端对基本动作稀缺程度的估计,不是对项目质量的评级。对读者来说,可检验的做法是:项目是否有真实用户或真实任务、是否有持续提交、你是否能当场讲清一次失败和修正。若三项都答不上来,更像练手;若能答上,再对照上面的 runtime 阶梯看深度。

材料没有给出“足以支撑求职”的统一判定标准,也没有具体岗位的招聘要求;上述标尺来自立正和 Ethan 的经验判断,需结合目标岗位核对。

回到4份原文

人如何提升与多agent协同的水平呢

追问

AI根据立正公开的文章和视频整理,不是他本人回复

提升多 agent 协同,重点不在多开几个 agent,而在先判断任务能否真正拆开,再设计好计划与执行的配合。

先问任务能不能拆,再决定要不要多 agent

材料里的观点

立正在一篇署名文章里指出,遇到复杂任务就多开 subagent,是把旧组织的做法搬进 AI:项目重要就多安排人,问题复杂就多开会。但 subagent 往往来自同一个模型,继承相似上下文和偏好,也容易犯相关性很高的错误。五个相似 agent 不等于五种独立判断,更像同一个平均值采样了五次。每多一个分支,还会多一份上下文、工具结果和协调成本。所以协同水平的第一关,是判断这件事能否被真正分解,而不是把并行本身当成质量⁠1。

用计划者和执行者两个角色,而不是堆角色名

材料里的观点

在一段课程介绍里,立正提到他们试过用 O1 Pro 做 Planner、用 Claude 做 Executor,两者相互配合、相互验证。他认为给 agent 安上设计师、程序员、分析师等一堆角色并不本质,本质是计划与执行两个角色。这个判断来自他们自己的任务比较,属于立正本人的说法,不是通用结论⁠2。对读者来说,可迁移的是:先有一个负责拆解和定标准的角色,再有一个负责动手的角色,并让两者互相检查。

协同成本会随复杂度上升,要主动交这笔税

杜磊在一期访谈里说,任务复杂度上升时,协同会增加,需要拆解,也需要把计划写出来、把 spec 描绘清楚,还要增加不同职能之间的对齐。他把它形容为一种“信息组织税”⁠3。这段话的说话人未逐段确认,只能作为该期内容的观点参考,不能当作立正立场。它和上面的判断可以互相印证:多 agent 的收益,取决于你愿不愿意先把计划和标准写清楚。

现有片段只提供了原则和零散案例,没有给出可直接照做的完整流程或评测方法。《杜磊》⁠3的说话人未确认,相关观点不能归给立正。

回到3份原文