kangarooking Source Metadata
Original cangjie-skill frontmatter from the distillation run:
id: f22
title: "从小处着手+寻找伙伴 — AI入门的行动原则"
book: "AI for Everyone"
author: "Andrew Ng（吴恩达）"
source: p25
tags: [getting-started, action-principle, learning, collaboration]
related_skills:
- slug: pilot-momentum-flywheel, relation: composes-with
- slug: iterate-not-perfect, relation: composes-with
R — Reading（原文引用）
"项目不必太大...与工程师朋友组队...邀请同事一起学习...第二个项目会比第一个好" — p25
I — Interpretation（用自己的话重新阐述）
对于AI入门者，最常见的陷阱是"等待完美计划"或"试图一步到位"。Andrew Ng给出的行动原则是：
- 从小处着手：第一个AI项目不需要很大、很有价值，只需要你能完成。一个小项目能帮你建立信心、理解流程、发现自己的知识盲区。
- 寻找伙伴：不要孤军奋战。找一个懂技术的同事、工程师朋友或志同道合的学习者一起做。协作能互补技能、互相激励、减少放弃的概率。
- 先动起来：不要等"准备好了"才开始。第二个项目会比第一个好，第三个会比第二个好——关键是开始做。
为什么有效？
- AI学习是"做中学"——听课看书无法替代亲手做一个项目
- 小项目失败成本低，成功能建立信心
- 伙伴提供技术支持和情感支持，大幅降低入门门槛
A1 — Past Application（过去应用案例）
- 个人学习者：一个产品经理想学AI，没有等到"学完所有数学基础"，而是直接找一个工程师朋友，用两周时间做了一个简单的客户反馈分类小项目。项目不大，但让他理解了完整的AI项目流程，为后续更大的项目打下基础。
A2 — Future Trigger（未来触发条件）
触发场景：
- 个人想入门AI，但不知从哪开始
- 团队刚接触AI，还在"学习阶段"没有行动
- 有人担心"我能力不够做AI"
- 个人学习AI感到孤单或遇到困难容易放弃
语言信号：
- "我想学AI但不知道从哪开始"
- "AI太难了，我怕做不了"
- "等我把基础学完了再开始做项目"
- "想找人一起学AI"
- "第一个项目做什么比较好"
区分要点：
- 用户是个人入门还是组织转型？本skill面向个人入门场景。
- 用户是寻求知识还是寻求行动？本skill强调"做中学"。
E — Execution（执行步骤）
找一个伙伴：
- 优先找懂AI技术的同事或朋友（工程师、数据科学家）
- 如果没有，找同样想入门的同伴一起学习
- 可以在公司内组建AI学习小组
选一个小项目：
- 选择能在1-2周内完成的项目
- 选择你有数据或能获取数据的场景
- 不要追求"有价值"，追求"能完成"
快速执行：
- 不要花大量时间学习理论，边做边学
- 遇到问题及时找伙伴讨论
- 完成比完美重要
复盘并做第二个项目：
- 总结第一个项目的经验教训
- 第二个项目可以稍大一些、更有价值
- 逐步提升难度和影响力
完成标准：完成第一个AI项目（无论大小），并找到至少一个AI学习伙伴。
B — Boundary（使用边界）
不适用场景：
- 组织级的AI转型（需要用ai-transformation-playbook）
- 已有AI经验的团队做正式项目
- 需要战略决策的企业级场景
失败模式：
- 选了一个远超当前能力的项目，导致中途放弃
- 试图一个人搞定所有事，遇到技术困难无人帮助
- 永远在"准备"阶段，迟迟不动手
作者盲区：
- Andrew Ng假设你能找到"工程师朋友"——但如果你在完全不懂技术的传统行业，可能找不到伙伴。此时可以考虑：参加AI社群、找外部顾问、或从在线课程的项目开始。
- "从小处着手"不等于"只做小事"——入门后需要快速过渡到有影响力的项目。
相关 skills
- pilot-momentum-flywheel — composes-with：个人层面的"从小处着手"与组织层面的"先求成功再求价值"理念一致——都强调通过小成功建立信心和信誉，逐步升级。
- iterate-not-perfect — composes-with："从小处着手"与"不期望一次完美"相辅相成——第一个项目不需要完美，重要的是开始做并在迭代中学习。