收藏！用AI提升百倍效率？Lee Robinson教你精准使用AI的秘诀！

本文探讨了AI作为工具的应用边界与成本。Lee Robinson分享了Cursor的Agent开发流程强调AI能放大产出的关键在于找到其适用场景并在AI不擅长的验证、异常恢复、全局组织等方面由人补充。通过角色分工、递归规划、隔离执行和强化验证Cursor实现了高效的AI应用。文章指出AI的价值瓶颈在于其局限性人类应专注于提升认知和标准而非担忧被取代。AI 会把生产力提高一百倍、一千倍…每次听到这种表达我都会疑惑要真是这样那人怎么办AI 把活全干了人去哪儿待着。后来想明白了说这种话的人多半是在故意制造焦虑。因为他漏掉了一条最朴素的物理定律——AI 是工具而工具都有自己的使用边界和使用成本。一把再趁手的锤子也得你知道哪儿该敲、哪儿不该敲。AI 能不能用出「百倍千倍」那个效果从来不取决于它本身有多强取决于两件事你能不能精确找到它真正发挥作用的场景以及在它不行的那些地方使用 AI 的人能不能用认知补齐。有从业者分享了一套完整的 Agent 开发流程彻底讲清楚了「Agent 开发的边界」这件事。●一、做了什么1、把 Cursor 官网从一套内容管理系统CMS整个迁成纯代码预估 1–2 周的工作仅花了 3 天花费 260.32 美元 / 2.974 亿 tokens还省下每月约 56,848 美元的 CDN 成本2、训练自研模型 Composer 时他们用了一套常驻系统——用一个 AI去管几百个 AI 跑实验。仅看这两件事表面的结果让 AI 干活确实已经快到、便宜到几乎不要钱。但该从业者回顾过程时说agent 自动干完了 80% 的工作剩下那 20%花掉了他的大部分时间。这 20% 不是写代码是他一页一页用截图比对、反复校准 agent 的输出结果——也就是「验证」。●二、这件事说明了什么回到开头那两件事——找对场景、补上弱势。该从业者做的恰好是这两件事的标准示范。第一他没把 AI 当万能而是精确挑了「它发挥得了的场景」。有从业者提出了一个说法叫「验证者法则」Verifier’s Law训练 AI 解决一个任务的难易正比于这个任务有多容易被验证。这也就是说AI 真正能放大的是那些「做得对不对一眼能查」的事——迁个网站对照原版就知道成没成训练实验有指标就能判好坏。Cursor 这套系统有个写死的前提只对「结果可验证、且多投算力能更好」的问题开工。场景挑对了AI 才放大产出场景挑错了放大的只是错误。第二在 AI 的弱势处他用人和系统补上。AI 弱在哪Cursor 自己承认最前沿的模型也「经常忘掉任务全局、跟丢自己在做什么、半截就停」。一个 agent 这样无所谓几百个并着跑小错不当场拦就层层累积、最后整盘塌。所以真正稀缺、真正要人补的不是执行是三件 AI 不擅长的事验证对错、异常恢复、全局组织。该从业者那花掉大部分时间的 20%补的就是这个缺口。AI 把「做」的成本压到了地板上于是价值和瓶颈一起挪到了它做不好的那一半——找对它能发挥的场景补上它发挥不了的地方。●三、具体怎么做的Cursor 把这套系统拆成了三种角色、两道关卡。五点拆开看每一点都在围着「补 AI 的弱势」打转。先拆角色不搞平摊Cursor 说得很直接与其要一个「每个 agent 啥都干」的扁平结构flat structure where every agent does everything他们改成了「职责分明的流水线」a pipeline with distinct responsibilities。为什么第一步是拆因为 AI 最容易栽的就是「啥都管、然后啥都跟丢」。所以不是先让它更强是先把活拆开——这套流水线分成会想的、会干的、会判断的三种 agent。规划能递归派生负责想的叫规划者持续翻代码库、不断生成任务continuously explore the codebase and create tasks而且关键一句——它能派生子规划者让规划本身并行、递归spawn sub-planners, making planning itself parallel and recursive。「递归 agent」的递归就在这儿一层想不完就派生下一层接着想。执行故意不给它全局负责干的工人只盯着把任务干完focus entirely on completing them而且不操心大局don’t worry about the big picture。这是有意为之AI 一管全局就容易迷路那就干脆把它的弱项隔离掉只用它最强的那一面——埋头执行。这正是开头那句「精确找到它发挥得了的场景」。判断单独立成一个角色这是最关键的一笔。每轮跑完有一个「裁判」agent 来决定要不要继续a judge agent determined whether to continue。判断对不对、该不该往下走这件 AI 最不擅长、最该被人补上的事Cursor 没顺手做做而是单拎出来做成了一个正式角色。在一个「让 AI 干活」的系统里被摆到最高位置的反而是「验证」。验证卡在两头光有裁判不够。开工前agent 要先交一份计划、等批准而不是上来就埋头干propose a plan and wait for approval跑起来后还要让多个 agent 互相检查对方的活multiple agents checking each other’s work。事前把关、事中互查——因为 Cursor 自己也承认最前沿的模型也会忘掉全局、跟丢进度、半截就停。不靠这两道关几百个 agent 各自的小错会累积成整盘的大塌方。就靠这套分工几百个 agent 能同时跑推到同一分支上几乎不打架。最后澄清一句这套系统的终点是让 agent 帮着改进下一代模型听上去像「AI 自己进化自己」。但它从头到尾是在人定好目标、人定好「验收标准」那个裁判的判据是人给的前提下的递归改进不是脱离人、自己失控的自我进化。前提失效系统不会更聪明只会更快放大错误——又绕回开头那句工具终究有它的边界。所以别再被「百倍千倍」等营销概念制造的焦虑影响自己。AI 是好工具但它有边界、有成本。执行能外包判断不能。与其担心被取代不如磨炼好那件 AI 替不了你的事看清方向守住标准。最后如果说程序员已经是高薪职业那么干AI的程序员就是高薪中的高薪。现在的市场已经用数据给程序员指明了方向学AI大模型就是冲刺高薪的最优解看着身边越来越多的同行转型大模型、拿到高薪offer很多人心里都动了心但真正的难题来了零基础小白不知道从哪入门有基础的程序员找不到系统学习路径实战项目练手无门面试不知道考什么别慌今天就给大家整理了一份【2026年最新版】AI大模型免费学习资源包覆盖从入门到实战、从理论到面试、从基础到进阶的全流程所有资料均已整理归档无冗余、无套路免费分享给每一位想抓住AI风口的程序员和小白扫码免费领取全部内容1、大模型系统化学习路线2、大模型学习书籍文档3、AI大模型最新行业报告4、大模型项目实战配套源码5、大模型大厂面试真题四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】