大家都在用AI,那我怎么在其中脱颖而出,拉开差距

提问

AI根据立正公开的文章和视频整理,不是他本人回复

真正的差距不在“有没有用 AI”,而在能否把它变成稳定、可复用、持续改进的工作系统,并用真实成果证明价值。

从比较工具,转向拆解和诊断任务

立正认为,初学者常问哪个模型最强,高手则先判断任务,再选择模型、工具和流程;结果不好时,不只抱怨 AI,而是定位上下文、指令或任务拆解哪里出了问题。他把关键动作概括为管理、拆解、判断、路由、诊断和沉淀⁠1,2。因此,同样使用 AI,差距会体现在能否稳定推进复杂项目,而不是会多少提示词或追了多少新工具⁠2,3。

把每次使用沉淀成自己的基础设施

AI推演

一次做得好不构成壁垒;可复用的上下文、模板和工作流程才可能产生复利。可把长期偏好与标准、项目资料、需要更新的信息分层保存,并为反复出现的任务建立经过验证的模板;每次使用后再修正⁠4。先选一个高频、较标准化的任务迁移给 AI,跑稳定后再扩展,比试图一次改造全部工作更可控⁠4。

用项目成果而不是“会用 AI”建立辨识度

AI推演

立正明确说,把 AI 当搜索引擎、会提示词花活或会若干工具,本身不构成核心竞争力;更重要的是围绕真实需求做深项目,并能讲清遇到的技术挑战和解决过程⁠3。你可以选一个与本职工作直接相关的问题,记录基线、工作流、失败诊断和最终结果。若成果确实帮助了合作方,再让相关方把你的具体贡献反馈给主管;这是他在职场脱颖而出问题上给出的做法⁠5。

这些原文提供的是通用方法;具体该自动化什么、如何衡量优势,仍取决于你的岗位、评价标准和可使用的数据权限。

回到5份原文

在中国,尤其是当今AI剧烈发展下,企业招人似乎变成了学历筛选,他们认为简历可能有水分,但是第一学历是985却能精准证明这个人是聪明人,那在这种情况下,想要继续往上爬,但学历不好的人的出路在哪里?

追问

AI根据立正公开的文章和视频整理,不是他本人回复

学历筛选是真实存在的门槛,但它主要卡在入口;越往上走,判断标准越从“你被谁筛过”转向“你能做出什么、解决什么问题”。学历不好的人,出路不是硬补学历,而是绕到能积累真实成果的赛道上。

学历卡的是入口,不是天花板

立正把高校和大厂看成同一套“优绩主义游戏”:好好学习、做别人做不到的难题,就能获得认可和升职;但升到某个层级之后,规则换成“真实世界”的规则——价值、机会和不确定性,跟努力程度、事情难不难不再直接挂钩⁠1。他提到,很多人到天花板才开始抱怨社会,然后发现“学校那套东西是假的”⁠1。按这个框架,第一学历在简历筛选中确实好用,因为它是一个便宜、可核对的信号;但它证明的是“你曾经在考试游戏里赢过”,不是“你能在真实问题里创造价值”。这是 AI 对材料的综合,不是立正对学历问题的直接表态。

往上走,看的是识别价值和做出结果

立正说,识别价值的能力比努力的能力重要得多,穿透不确定性的能力比在确定环境里拿结果重要得多;社会机会不均匀,在有价值的机会上努力,收获会高很多⁠2。他还批评“怎么把过去学到的东西用上”这种思维:那是在做有约束的优化,而应该做无约束的优化,不要被过去的路径套死⁠2。对学历不占优的人,这直接意味着:与其纠结“我的背景配不配”,不如去找那些还在看作品、看结果、看你能不能解决问题的入口。

AI 时代可操作的绕行路径

AI推演

立正写道,拿到 offer 靠积累,不靠叙事框架;框架只能重组你已有的东西,没有真实项目,框架是空的。他建议没有机会做项目的人,用几个周末做一个真实、够深、能讲完整过程的小项目⁠3。他还说,拉开差距的不是“会不会用某个产品”,而是能否用 AI 做出更真实的结果、在新的协作方式里工作、把判断力沉淀成系统⁠3。另一篇里他强调,有效路径不是“先完全学会再使用”,而是先迁移一两个高频任务、沉淀第一次成功经验,再逐步升级⁠4。访谈中 Ethan 的判断被转述为:有 GitHub 且项目像样的应届生可能不到 3% 到 5%;立正补充说,认真按 job post 写申请的人可能已超过 98%,Ethan 认同这个判断⁠5。这些是嘉宾和作者的观察,不是对招聘市场的统计证明。

提供的材料没有讨论中国企业的学历筛选机制,也没有数据证明“第一学历 985 等于聪明人”这一招聘假设;以上是把立正关于优绩主义游戏、价值识别和项目积累的论述用于这个问题,属于 AI 的推演。

回到5份原文