Source Metadata

Original cangjie-skill frontmatter from the distillation run:

name: three-stage-evolution
description: |
  评估个人或团队在 AI 工具使用上的进化阶段,给出下一步提升建议。
  当用户想判断"我现在 AI 用得怎么样"、"下一步该学什么"、或团队要做 AI 能力评估时使用。
  不适用于: 已经处于 Loop 阶段需要优化具体系统的场景。
  关键 trigger: "我现在在哪个阶段"、"AI 使用下一步"、"团队 AI 能力评估"。
source_book: "Loop Engineering 视频合集"
source_chapter: 视频3 (小木头) / 视频2 (Boris Cherny)
tags: [evolution, self-assessment, capability-model, growth]
related_skills: [loop-build-path, loop-worthiness-test, comprehension-gap]

三阶段进化模型 — 定位你的 AI 使用阶段

R — Reading (原文)

"第一阶段,逐行驾驶...你手写代码模型给你自动补全。第二个阶段,并行手动,你或许会同时开5个、10个对话,每个都在干活。但每次对话都是你亲手发起的...第三阶段你不再发起对话,你写了一个系统,让他自己去读你的仓库,读issue,读CI的失败,自己决定该用什么样的提示词驱动智能体工作。" — 小木头 (视频3)

I — Interpretation (自述)

个人与 AI 协作方式经历三个进化阶段:

1. 逐行驾驶 (Prompting): 手写代码/内容,AI 给自动补全。人是操作者,AI 是工具。
2. 并行手动 (Parallel): 同时开 5-10 个对话,每个都在干活。人是调度员,在多个窗口间切换。
3. Loop 系统 (Loop Engineering): 不再发起对话,设计一个系统让 AI 自主工作。人是系统设计者。

每个阶段的特征:

• Stage 1: 每次任务都是一次性的,AI 是"高级自动补全"
• Stage 2: 效率提升但人是瓶颈,所有对话都需亲手发起
• Stage 3: 系统自主运行,人只需要设计和监督

A1 — Past Application (书中案例)

案例1: Boris Cherny (视频2)

• 描述了从"逐行驾驶"到"写 loop"的进化
• 当前处于 Stage 3: 有一堆 loop 在跑,自己只写新的 loop

案例2: 小木头 (视频3)

• 自评处于 Stage 2 (并行手动)
• 正在向 Stage 3 过渡 (演示了选题 loop)

案例3: Adam Gillock (视频1)

• 非技术背景,但已经用 loop 做视频剪辑
• 说明 Stage 3 不限于技术人员

A2 — Future Trigger (未来触发)

1. 自我评估时: "我现在 AI 用得怎么样?"
2. 制定学习计划时: "下一步该学什么?"
3. 团队能力建设时: 评估团队整体 AI 使用阶段
4. 向他人解释 Loop Engineering 时: 用这个模型说明"为什么要升级到 Stage 3"

语言信号: "我现在在哪个阶段"、"AI 使用下一步"、"团队 AI 能力评估"、"从手动到自动"

与相邻 skill 的区别:

• loop-build-path: 升级到 Stage 3 后的构建指南 (本 skill 是定位和决策)
• loop-worthiness-test: Stage 3 中判断具体任务要不要做 loop (本 skill 是整体阶段评估)
• comprehension-gap: Stage 3 的风险 (本 skill 是 Stage 3 的进阶路径)

E — Execution (可执行步骤)

Step 1: 自评当前阶段

回答以下问题:

• 你每次用 AI 都是亲手发起对话吗? → Stage 1 或 2
• 你有多个 AI 对话同时运行吗? → Stage 2
• 你有定时/事件触发的 AI 任务吗? → 可能是 Stage 3
• 你设计过"让 AI 自主决定做什么"的系统吗? → Stage 3

Step 2: 对照特征定位

• 如果主要是"人发起→AI 执行→人反馈" → Stage 1
• 如果主要是"人同时管理多个 AI 任务" → Stage 2
• 如果主要是"系统自动运行,人设计系统" → Stage 3

Step 3: 给出下一步建议

• Stage 1 → Stage 2: 学习并行使用多个 AI 任务,用工作树隔离
• Stage 2 → Stage 3: 选择一个小任务,用 loop-build-path 做成第一个 loop
• Stage 3 → 优化: 用 loop-5plus1-architecture 审计现有系统

B — Boundary (边界)

不要使用这个 skill 的场景:

1. 已经处于 Stage 3 且运行良好: 需要的是优化,不是阶段评估
2. 纯技术问题: "这个 loop 为什么报错?" — 不是阶段定位
3. 非 AI 场景: 这个模型只适用于 AI 工具使用

作者的盲点与局限:

• 三阶段模型是线性假设,实际使用中可能混合多个阶段
• "Stage 3 最好"是隐含假设,但作者也承认"多数任务不需要 loop"
• 视频作者全部是 Stage 3 或正在升级,缺少"Stage 1 也很好"的视角

与之相邻但容易混淆的方法论:

• Dreyfus 模型: "新手→专家"五阶段; 本 skill 是 AI 使用的三阶段
• 技术采纳生命周期: "创新者→早期采纳者→..."; 本 skill 是个人能力模型