拾光星程 AI 洞察与方法论文章

为什么我们不教背模板：AI 提示词的本质是「规格」而不是「咒语」

几乎每个 AI 培训都在教提示词，形式通常是给一句话模板，学员照抄。但现场一个普遍现象是：照抄的模板在自己的场景里不好用。

原因在于，模板解决的是「怎么措辞」，而真正决定产出质量的是「你怎么定义需求」。同一个「写一份周报」，不同的信息输入、口径、格式要求、读者对象，产出的东西天差地别。模板无法承载这些差异。

所以我们教五维规格法：布局、视觉、数据、交互、交付。五个维度各自回答一个问题——页面上放什么、看起来什么样、数据从哪来、怎么交互、交付成什么形态。这五个问题答完，AI 才有可能一次做对。

还有一个反直觉的经验：改提示词的正确做法是「Fix 而非 Regenerate」。如果你让 AI 重新生成，它会把已经达成的部分一起丢掉。正确做法是明确指出改哪一处，其余锁定不动。这一点和过去教「多试几次」的做法完全相反。

规格思维是唯一可迁移的能力。工具会换、模型会换、模板会过期，但「把模糊需求写成可执行规格」这件事，永远不会过期。这也是我们说「不教背模板」的真正原因。

满街的 AI 课都在教「记住这句话」。但真正决定产出质量的，从来不是句子本身，而是你有没有把需求写清楚。规格思维才是可迁移的能力。

AI 数字分身的三个部件：定义卡、可导出预设、个人沉淀

「造一个 AI 数字分身」听起来很虚，但如果你不知道验收标准，它就永远只是句口号。所以我们把它拆成三个可以被检查的部件。

第一个部件是「定义卡」：你把你的规矩写下来——模板长什么样、规格怎么定、口径是什么。这一步是让 AI 知道你的标准，而不是让 AI 猜。

第二个部件是「可导出预设」：把你的工作方式打包成可以导入导出的工作流。它的意义在于——这不只是你的工具，它变成了一件可以传给别人、也能被别人改造的物件。

第三个部件是「个人沉淀」：你在使用过程中积累的判断、模板、避坑经验。这部分别人拿不走，也是你的壁垒。

三件套缺任何一件，分身都不成立。只有定义卡，它只是一份规范；只有预设，它只是一个工具；只有沉淀，它只是你的私人笔记。三者合起来，才是一个能持续长大的分身。

我们把这三件套做成了结课的通过性门槛：不设权重、不打分，但三勾不全不发证。这个设计看起来有点狠，但它解决的是 AI 课程最常见的失败——学完觉得「好像会了」，回去一用还是回到原点。

「数字分身」不是一句宣传语，是一个可以被验收的三件套。讲清这三个部件分别是什么、怎么验收，以及为什么缺一件就不算建成。

从会问到会做：普通人的 AI 能力跃迁，发生在「敢定义」之后

观察过很多 AI 学习者，会发现一个共同的天花板：问得好，做不出。原因常常被误判为「提示词不够好」，实际原因是不敢定义。

不敢定义的人，本质上是不愿意把自己的工作方法说清楚。说清楚意味着承认「我的做法是有逻辑的」，也意味着如果做错了，是我的定义错了。这比问一句「帮我写个文案」要难得多。

但这恰恰是普通人的机会所在。当实现门槛被 AI 拉低之后，「定义得清楚」的价值反而在上升。AI 时代真正稀缺的能力，是知道自己要什么、知道怎么验收。

所以我们的课程结构把「会问」和「会做」分开训练：Day 1 上午解决「不会问」，让你能问出结构化的问题；Day 1 下午到 Day 2 解决「拿不到能用的东西」，练的是把答案沉淀成资产。

课程信条那句话——「把怎么做从 AI 手里，拿回到你手里」——说的就是这件事。让 AI 干活很容易，难的是让 AI 按你的方式干活。

大部分人的 AI 能力卡在「会问不会做」。而跨越这个坎的关键不是学更多技巧，是敢把自己的工作方式定义清楚。

为什么我们把「Skill」的教学交给 AI 本身来教

Skill 是把工作方法固化成可复用资产的机制。听起来是程序员的东西，但实测下来，没有任何编程经验的普通人都能掌握。

关键在于：不要让学员手写。最小可用 Skill 只有二十几行，但对不写代码的人来说，「打开编辑器写一个文件」这个动作本身就会劝退一大半人。

正确做法是让学员用自然语言告诉 AI「我需要一个技能，做 X，规则是 Y」，然后让 AI 生成它。这个教学设计和教元提示词是同构的：都是把「你要什么」写清楚，剩下的是执行。

实测数据：手写方式的完成率约 30%，AI 辅助方式的完成率约 85%。这个差距不是来自智力差异，而是认知负担差异。

这也是我们坚持「不教背模板」的一个副产品——当我们不教「怎么写代码」，而是教「怎么把需求定义清楚」，很多原本的技术门槛就自动消失了。

让学员手写 Skill，完成率只有 30%；让学员用「让 AI 帮我写 Skill」的方式，完成率 85%。差别在于认知负担，不在于难度。

AI 内训做完就忘？问题多半出在「派生工时」上

企业内训最常见的失败模式：交付得很辛苦，客户当场也满意，但过两周团队就回到原样。原因往往不在教学质量，而在交付方式。

如果每一场内训都需要为新行业从头设计内容，交付方会陷入「项目制」陷阱：永远在从零开始，永远无法积累。企业买到的是一次性的知识灌输，不是能力。

正确的做法是把课程拆成「不变的骨架」和「可变的插槽」。骨架是方法论，是跨行业通用的；插槽是行业参数，包括术语、数据口径、交付格式、合规红线。

于是交付就变成四步：内核拆解 → 行业参数收集 → 参数套用交付 → 参数回流。关键在第四步——每场交付收集到的行业参数必须回流到参数库，下次同行业交付成本直接下降。

这套机制只有一个检验指标：同行业复用交付工时是否随时间下降。如果不下降，说明参数没回流，或者插槽设计得不好，这个指标会诚实地告诉你答案。

我们把非派生工时占比低于 30% 设为硬指标。超过这个数，说明这个单子该收缩标准甚至不接。这听起来像自缚手脚，但比为了成交什么都接要健康得多。

如果一场内训有七成工时都在为新行业改内容，它就不该接。课程派生机制的硬指标应该是工时占比，不是客户满意度。

拾光星程这个名字：LUMORA 与 STELLA 从哪来

「拾光星程」这个名字，英文写作 LUMORA STELLA，两部分都有出处，不是随手拼的。

LUMORA 来自拉丁语词根 Lumen- / Luce-，意思就是「光、照亮」。它对应 slogan 里的「被 AI 点亮」。但 LUMORA 本身不是一个现成英文单词，是专门为品牌造出来的——把 Lum-（光）柔和变形为 LUMORA，发音温润，也更适合商标注册。中文的「拾」，是「拾起光」的拾。

STELLA 是正宗的拉丁语，原意就是「星星（Star）」。它对应「星程」——星轨、成长旅程，每个人自己的那颗星。

两个词合在一起，其实说清了整件事：光是被拾起来的，才会对别人产生照亮；成长是有轨迹的，才叫程。我们做的 AI 教育，指向的正是这件事——让每个人把自己的光拾起来，走出自己的星程。

品牌信条是这个名字的注脚：从会问，到会做；把「怎么做」从 AI 手里，拿回到你手里。工具是光，但方向得自己定。

一个从拉丁语词根造出来的品牌名，中文是「拾光星程」，英文是 LUMORA STELLA。讲清这两个词的来历，以及它们和课程信条的关系。