与 AI 协作的方法论
3 notes in this collection.
课程定位
前面那些课讲的是怎么把 AI 接进工程流程——工具、记忆、多智能体、可靠性。这门课换一个层面:同样的工具在你手里,能发挥多大作用。
原片从一个很扎人的对照开始:
同样的 AI、同样的模型、同样的月费,你能用 AI 做出什么东西,完全取决于你的野心和认知有多大。
学习路线
- 两极分化 —— 一小群人在做惊人的事,大多数人还在当搜索引擎用
- 四个维度 —— 速度、高度、深度、广度
- 高度 —— 退后一步问「我真正要的结果是什么」,用「然后呢」一层层往上抬
- 深度 —— 角色扮演只换口音,四问法才换方法
- 广度 —— 把名词换成动词,撕掉行业标签
- 自我设限 —— 最难的一关在开口之前
第 2 讲 · 实现交给 Agent 之后
- 两条方向 —— 用 Agent 做产品,和做 Agent 产品,是两件事
- 换学习顺序 —— 先问它解决什么问题、有什么等价方案、有什么限制
- 状态管理 —— 先分清数据由谁维护,再选工具
- 类型与运行时 —— 断言让编译通过,不代表数据真的对
- 交互与验收 —— 截图证明不了连续操作的行为
- 规则与工具 —— 规则表达要求,工具负责落实
- 测试的源头 —— 不能由当前实现反向决定
- 学习的重新分配 —— 少背写法,多懂取舍与验证
第 3 讲 · 提示词与信任金字塔
- 逼它想清楚 —— 找根因、先对齐、别把我的问题当成正确的问题、推演二三级影响
- 逼它别迎合 —— 假设自己错了、定场规则、越聊越不对时怎么归拢
- 逼它做验证 —— 深层推演、以及「哪项核验是独立的」
- 让它做清理 —— 读历史找遗产、换人接手测试、清掉过程记录
- 信任倒金字塔 —— 五层按确定性排序,重心压在最底层
- 那个关键动作 —— 先问能不能变成确定性检查,而不是加一行规则
- 内外双循环 —— 内循环不稳,外循环只会更快产出垃圾
阅读提示
- 本篇是字幕整理稿,不是逐字记录
- 文中的案例、人名、研究结论沿用原片口述,未做外部核验
- 四个维度里的「速度」原片着墨最少(作者说这是最直觉的做法),本篇也相应从简
- 第 2 讲的招聘观察是原作者的样本整理,不代表整体市场
- 第 3 讲中那位工程师的团队数据(月合入 PR 数与回滚率)沿用原述,未做外部核验
同样一个月费,决定产出的是你的野心和认知
一份关于「怎么把 AI 用得更有野心」的方法论整理。作者转述了一位工程主管的爆款文章,核心判断是:限制大家的早就不是模型智商,而是旧的做事习惯。文章给出四个维度的自问自答——速度(更快)、高度(直接要结果,而不是拆小步骤)、深度(用顶尖专家的方法论,而不是角色扮演)、广度(把名词换成动词,撕掉行业标签)。其中「一层一层往上问『然后呢』」和「先问 AI 这四个问题再让它动手」是两套可以直接照做的动作。收尾讲的是最难的一关:动手之前,你就已经认定它做不到了。
2026-11-18实现交给 Agent 之后,前端还该学什么
一份关于「AI 时代怎么学技术」的长文整理。作者的判断很稳:前端没死,但学习方式得换——从「记住怎么写」换成「知道它能干什么、什么时候用、怎么验证」。他给了九个领域的分界线,每一条都落在同一个句式上:哪部分不必背,哪部分必须懂。几个判断我觉得最经得起检验:状态管理要先分清数据由谁维护再选工具;类型断言不等于运行时校验;「规则表达要求,工具负责落实」;以及测试不能由实现反向决定。
2026-11-18十九条提示词与一座信任倒金字塔
一份关于「怎么指挥 Agent」的素材整理。前半是十九段可直接用的提示词,按用途分成五类:逼它想清楚、逼它别迎合、逼它做验证、让它做清理、给它定场。其中几条我觉得最狠——「不要默认我的问题定义就是正确的」「先假设你认为最合理的方案是错的」「如果其他几方都错了,你哪项独立核验能发现」。后半是另一位工程师的信任倒金字塔:把精力按确定性从高到低投放,代码库与架构在最底、人工审查在最顶,而关键动作是「每次纠正 Agent,先问能不能变成一条确定性检查」。
2026-11-18