AI优先的解决方案(二)利用AI进行技术验证

我爱免费

作者：微信文章








大家好，上一篇介绍了如何利用AI生成原型，这一篇继续介绍如何利用AI进行技术可行性验证。

一起来探索AI优先的解决方案！

今天我会介绍下如何利用 AI Coding Agent（如Codex Antigravity、cursor等）高效学习陌生的项目、熟悉新的技术框架。

大到了解如何训练大模型，小到阅读API文档 都可以使用这套方法！

在大模型应用的设计过程中，常常需要产品经理自己做一些前期的技术可行性验证，比如验证自己的产品设想是否能够实现；了解某项新框架，以便更好的和技术人员合作。

对于像我这样的非技术出身的产品人员有一定的难度。

但是，我的最终目标不是成为某个领域的技术专家，而是：

1、希望能够根据相关信息做出更符合实际的决策和判断

2、为产品或项目定义更合理的目标和测试要求

3、在和技术人员交流时更加高效，明确自己作为需求提出方需要为他们提供哪些材料和信息，以更好的配合他们的工作。

那么完全可以借助AI的帮助来快速验证一些信息，实现以上目标。

AI 是一个有问必答的耐心的老师

不要只把 编程Agent 当作开发工具，而要把它当作一个精通任何技术领域的资深导师，而且可以对你进行1对1的指导。通过交互式对话，让 Agent 为你定制专属的学习路径

明确目标

在开始进行学习前，明确自己了解某个技术的目标。我是一个实用主义者，所以往往是为了解决眼前的问题，决定去了解对应的知识，并且有强烈的实践倾向，我希望学到后能够立刻应用与实践中。我也尝试过为了学而学，效果并不好，常常学完就忘了。

(忽然发现我可以用“学以致用”这个成语来解释上面这段话......)

接下来我会用自己探索提示词自动化框架的过程，来介绍如何利用AI进行技术验证和应用。

背景是最近为了将大量的提示词撰写修改的时间节省出来，我在探索提示词工程自动化的方法，我使用Antigravity（谷歌的coding agent产品)来帮我了解和应用一些提示词自动化的框架或技术。

第一步：探索与筛选

目标：在海量开源项目中找到最适合入门的资源。

操作方法：

说明自己的需求，然后让 Agent 搜索相关项目：

可以设定筛选条件（如"带前端UI"、"适合初学者"、"文档齐全"）。让 Agent 总结项目特点，辅助决策。

以DSPy为 例

DSPy（Declarative Self-improving Python）是由斯坦福大学开发的 Python 框架，用于帮助用户实现提示词的自动化撰写、测试、评估和改进，而不是手工调试。

指令：

"搜索关于 DSpy 的开源项目...看看有没有提供前端交互UI的。"

Agent 动作：

搜索并推荐了 `dspy-0to1-guide`（教程）和 `visual-dspy`（可视化），排除了过于复杂的 `STORM` 作为入门首选。



第二步：路径规划

目标：制定从零基础到进阶的学习路线。

操作方法：

询问 Agent："对于基础薄弱的初学者，推荐哪个项目？"

让 Agent 结合多个资源，设计循序渐进的教程。

DSPy 案例中Agent 的策略是：确立了 "官方文档 -> 0to1教程 -> 可视化体验 -> 简单示例 -> 复杂应用" 的学习路径。



第三步：概念解释和问题答疑

目标：针对不理解的概念进行深入提问

操作方法：

遇到不懂的术语，要求 Agent "用自然语言解释" 或 "打比方"。

使用生活中的类比来构建心理模型（Mental Model）。

在DSPy这个 案例中：

我问他：

"dspy是一家餐厅...我这样理解对吗？"

Agent 动作：

完善了"餐厅类比"

顾客 = 提供数据和要求

厨师= LLM（执行者）

品鉴师 = 优化器（反馈与改进）

GEPA = 会反思的大师级品鉴师





下图是让它用通俗易懂的语言解释代码：



第四步：脚手架搭建

目标：快速跑通第一个程序。

操作方法：

  让 Agent 生成环境配置指南（Setup Guide）。

  生成 "Hello World" 级别的最小可行性代码。

   代码必须包含详细的注释。

DSPy 案例中Agent做了如下动作：

*创建了 `setup_guide.md` 解决环境问题。

*编写 `01_hello_world.py` 和 `02_math_qa.py`，让用户直接运行看到结果。

第五步：实践应用

目标：将框架应用到自己的实际业务中，解决真实问题。

操作方法：

描述自己的业务场景。询问 Agent：

"这个项目适合我的场景吗？具体怎么做？"

让 Agent 生成针对该场景的完整代码示例。

DSPy 案例：

用户场景：材料审核。

Agent 动作：创建了 `05_material_auditor.py`，演示了如何定义审核规则、准备数据、定义评分标准，并进行自动优化。这是从"学"到"用"的关键跨越。





第六步：总结学习成果

目标：巩固知识体系。

操作方法：

让 Agent 生成网页、图表或流程图。

将抽象的逻辑转化为可视化的交互界面。

DSPy 案例：

生成了 `dspy_gepa_tutorial.html`，用可视化的方式展示了餐厅类比和 GEPA 的进化树，帮助用户直观理解算法原理。





一些技巧和建议

不断追问：

通过追问（"为什么？"、"举个例子"）来挖掘深度。

要求解释：

遇到代码看不懂，直接问 "解释这段代码的作用、是什么意思"。

动手实践：

让 Agent 生成代码后，一定要在本地运行。报错了直接把错误信息发给 Agent，让他改到通为止。

反问和追问：

主动尝试用自己的话总结相关概念，让 Agent 确认理解是否正确。或者主动思考自己对相关内容是否还存在不确定的疑问，让Agent直接回答问题。

总结

利用 AI Coding Agent 进行技术验证，将原本的技术学习路径极大的压缩了：

1、可以直接跳过复杂的理论沉淀，进入实践环节

2、让Agent将难懂的技术知识翻译成更加通俗易懂的解释

通过这种方法：我们可以用极快的速度了解和应用任何陌生的技术框架、也可以快速熟悉任何你感兴趣的开源项目。