“一句话效率提升10倍”“一晚上做出一个App”“这条Prompt价值十万”——我们看到的，通常只是第十次成功，看不到前面九次失败。AI生成一个“看起来不错”的结果，门槛正在快速下降。真正拉开差距的，是一个人能不能判断：结果哪里可信；哪些事实必须核验；哪些错误只是表达问题；哪些已经超出模型能力边界。所以面试需要深度使用AI的岗位时，我会问：你最近遇到过什么AI Badcase？ 你最早怎么发现它有问题？你判断问题出在哪里？ 你后来调整和验证了什么？ 这次失败改变了你之后的什么做法？我想确认的是，他有没有完整走过：发现异常 → 分析原因 → 对照尝试 → 更新方法。一个人能讲清Badcase，通常意味着五件事：第一，他真的用得足够多。 高质量Badcase来自真实任务和高频试错。偶尔使用AI，只会得到“好用”或“不好用”的模糊感受。第二，他对“好”有验收标准。 一个结果需要先被识别为有问题，才会成为Badcase。 你可以外包思考，但不能外包理解。 Agent可以执行，人仍然负责目标、判断和边界。第三，他会归因。 “这模型不行”是一句评价。真正有价值的问题是：目标是否清楚、Context是否完整、任务是否拆对、模型是否匹配、人工Review漏了什么。 归因，才是学习的起点。第四，他愿意更新方法。 AI迭代太快，今天熟练的流程，几个月后可能已经过时。长期生产力取决于： 方法更新的速度，能不能超过保护旧方法的欲望。第五，他能把失败变成规则。 一次Badcase最终应该留下Prompt规则、输入模板、检查项、Eval样本，或者明确的人工接管节点。成功抄不来，坑是通用的。 成功经验告诉人一种可能，Badcase帮助人建立边界。当然，Badcase只是叠加信号。失败多不等于能力强，讲得好也不代表真的做过。需要继续追问具体输入、时间线、对照尝试和最终变化。我问失败，是为了看见一个人的学习过程：他能不能发现错误、解释错误，并让同一种错误下一次更难发生。成功案例证明能力曾经发生过，Badcase证明能力正在持续增长。你最近一次印象最深的AI Badcase是什么？
发布于 北京
分享
评论
2
未登录
友善发言
评论
加载中
