夜雨聆风一个 AI 零基础的人，怎么快速学到能真正干活
你不是要学习 AI，你是要训练一个 AI 工作系统。
很多人一上来就问，我要不要买 MacBook Pro Max，要不要订 ChatGPT、Claude、Gemini、Grok 全家桶，要不要学 Python，要不要研究大模型原理。这个问法本身就像一个从没跑过步的人，上来问奥运会穿什么鞋。
鞋当然重要，但你的心肺、动作、训练计划、恢复、比赛策略，比鞋重要十倍。
AI 也是一样。电脑是工作台，模型是员工，API 是管道，代码代理是施工队。真正的核心是你这个老板会不会下任务、验收、追责、迭代。
TL;DR
零基础最快路线不是学理论，而是每天用 AI 完成真实任务。
第一周，学会问。第二周，学会查。第三周，学会让 AI 写代码和改东西。第四周，学会用 API 做自动化。90 天内，做出一个别人愿意使用的小工具、小服务或者小内容系统。
Mac 不是绝对必备，但非常适合。 对零基础学 AI 来说，大多数计算都在云端，真正需要的是稳定、流畅、少折腾。优先级不是 Max 芯片，而是内存、屏幕、续航、稳定终端环境。MacBook Air 24GB 内存已经是非常好的起点；Mac mini 适合固定桌面；MacBook Pro/Max 是重度本地模型、视频、多屏、专业开发才需要。Apple 当前 MacBook Air、MacBook Pro、Mac mini、Mac Studio 已经覆盖从轻量学习到重度本地创作的不同档位，但 Apple Intelligence 也有设备、系统、语言和地区限制，不要把它当成买设备的唯一理由。(苹果支持)
手机不是关键瓶颈。 iPhone 适合 Apple 生态、快捷指令、拍摄和移动办公；Android，尤其 Pixel/Samsung，更适合体验 Google/Gemini 深度系统集成。Gemini 已经有 Android 和 iOS 移动应用，Google 也在把 Gemini Intelligence 推进 Android 设备生态。(谷歌帮助)
模型不要全订。 一开始只需要一个主力模型，加两个备用模型。ChatGPT 适合总控、学习、产品、写作、代码和 OpenAI API；Claude 适合长文、严谨修改、代码库理解和 Claude Code；Gemini 适合 Google 生态、搜索、多模态和 Gemini API；Grok 适合实时/X 语境、xAI API、语音、图像、视频等场景。(OpenAI Help Center)
最重要的一句话：别收藏教程，别迷信工具，别假装学习。每天交付一个东西。
Cheat Sheet：零基础 AI 学习速查表
一、先说硬件：苹果电脑是不是必备？
不是必备，但我会很直接地说：如果预算允许，Mac 是零基础学 AI 的低摩擦选择。
原因不是苹果有多神，而是它把很多脏活藏起来了。系统稳定，终端好用，开发生态成熟，续航强，屏幕好，Unix-like 环境对开发友好。你要学 Codex、Claude Code、Cursor、Git、Node、Python、Docker、API，Mac 的阻力比很多 Windows 环境小。
但你别犯一个低级错误：以为买了 MacBook Pro Max，自己就变成 AI 创业者。
你真正需要的是这几个东西：
我给你一个非常实用的购买判断：
内存比芯片级别更重要。
16GB 能学，但会比较紧。24GB 是舒服起点。32GB 更稳。64GB 以上是专业工作流。存储最低 512GB，最好 1TB，因为你后面会装开发环境、模型、素材、数据库、项目文件。
下面这些是比较现实的选项，不是越贵越好，而是看你是不是会真的每天用它交付。
MacBook Air 13-inch M5 24GB/512GB
默认推荐
US$1,299.00
MacBook Air 13-inch M5 24GB/1TB
存储更稳
US$1,499.00
MacBook Air 15-inch M5 24GB/512GB
大屏轻办公
US$1,499.00
Mac mini M4 Pro 24GB/512GB
桌面高性能
US$1,399.00
MacBook Air 13-inch M5 16GB/512GB
预算入门
US$1,099.00
MacBook Air 15-inch M5 16GB/512GB
大屏预算
US$1,299.00
MacBook Air 13-inch M4 24GB/512GB
M4性价比
US$1,115.00
MacBook Air 15-inch M4 24GB/512GB
大屏M4性价比
US$1,301.00
我的建议很简单：
默认买 MacBook Air 13 寸 24GB/512GB。
你要长期做项目，选 24GB/1TB。
你只在家工作，选 Mac mini 24GB，外接大屏。
你要剪视频、本地模型、多屏开发，再考虑 Pro/Max。
别做平庸之辈最爱做的事：用购买行为伪装成长。 设备只能帮你降低摩擦，不能替你思考，不能替你坚持，更不能替你找到用户。
二、手机：Android 还是 iPhone？
手机不决定你能不能学会 AI。
iPhone 的优势是生态完整，拍照、备忘录、快捷指令、Mac 协同、隐私体验很好。Apple Intelligence 也在系统层接入，但它不是所有 iPhone、所有语言、所有地区都完整可用，而且 Apple 自己也提醒重要信息要检查。(苹果支持)
Android 的优势是 Google/Gemini 会更贴近系统层。Google 已经在 Android、搜索、Chrome、Workspace 里持续推进 Gemini，Gemini App 也覆盖 Android 和 iOS。(谷歌帮助)
所以答案是：
只学习 AI，用现有手机就行。
做移动产品，最后 iPhone 和 Android 都要测试。
做 Google 生态，Android 更方便。
做 Apple 生态，iPhone 更方便。
你现在最该花钱的地方，不是第二台手机，而是一个稳定的主力电脑、一套好用的模型订阅、一个能长期沉淀的工作流。
三、零基础到底要学什么？
不是先学 Transformer，不是先学矩阵，不是先学机器学习课程。
那些都重要，但不是第一阶段。第一阶段你要学的是六种能力。
1. 提问能力
你要能把脑子里的混沌，变成 AI 能执行的任务。
差问题是：
帮我做个产品。
好问题是：
我是零基础独立开发者，目标是 30 天内做出一个能收集邮件、生成报告、每周自动发送给用户的 AI 小工具。请先问我 10 个澄清问题，然后给我 MVP 范围、技术方案、页面结构、数据库字段、开发步骤、风险清单和第一版验收标准。
AI 不怕你不会，它怕你模糊。
2. 搜索能力
AI 会胡说。搜索不是装饰，是保险。
你要学会让 AI 做三件事：
第一，找一手来源。
第二，比较多个来源。
第三，告诉你哪些地方不确定。
BCG 和哈佛的研究里有一个特别重要的发现：AI 对某些任务能显著提升表现，但在超出能力边界的任务上，反而会让人更容易犯错。HBS 研究 758 名知识工作者发现，在适合 AI 的任务里，用 GPT-4 的人完成任务更多、更快、质量更高；但在 AI 边界外的任务里，表现会下降。BCG 也把这种现象叫做 jagged frontier，锯齿状前沿。(Harvard Business School)
这就是 AI 学习的第一性原理：AI 不是神，它是一把锋利但有缺口的刀。你要知道哪里能切，哪里会割到自己。
3. 验证能力
AI 输出之后，你必须会问：
这是真的，还是像真的？
这有来源吗？
这个日期对吗？
这个代码能跑吗？
这个方案有人愿意买吗？
这个回答有没有遗漏反例？
Air Canada 就吃过这个亏。它的聊天机器人给乘客 Jake Moffatt 提供了错误的丧亲票价信息，后来加拿大仲裁机构要求 Air Canada 赔偿并承担相关费用。公司试图说聊天机器人像一个独立实体，但这个说法被驳回。(卫报)
更严重的是法律场景。2026 年 6 月，Reuters 报道美国上诉法院制裁了提交含有虚构 AI 案例引用文件的律师。(Reuters)
所以你要记住一句话：AI 不是事实来源，AI 是事实处理器。
4. 代码代理能力
零基础也可以用 AI 写代码，但你不能当甩手掌柜。
OpenAI 的 Codex 是能帮助写代码、审查代码、处理代码任务的 AI agent，Codex CLI 支持 macOS、Linux 和 Windows；Codex IDE 扩展也可以读写代码、运行任务，并和 Codex Cloud 协作。(OpenAI Help Center)
Claude Code 也是类似的 agentic coding 工具，可以读取代码库、编辑文件、运行命令，并集成终端、IDE、桌面和浏览器工作流。(Claude API Docs)
这意味着什么？
以前不会代码的人，只能停在想法。现在不会代码的人，可以让 AI 先搭骨架、写页面、接 API、修 bug。门槛降低了，但责任没有消失。你仍然要学会看报错、跑测试、保护密钥、检查数据库、确认支付逻辑。
5. API 能力
API 你可以理解成：你不再手动打开 ChatGPT，而是让你的程序自动调用大模型。
OpenAI、Claude、Gemini、xAI 都提供 API。OpenAI 的官方 quickstart 覆盖创建 API key、发起第一次调用、文本生成、图像分析和 agent 构建；Claude API 文档提供账户、API key 和首次调用流程；Gemini API 可通过 AI Studio 管理 API key 和原型；xAI API 提供 Grok 的推理、实时搜索、语音、图像等能力。(OpenAI 开发者)
零基础学 API，只需要先懂五个词：
API key：你的钥匙。
Request：你发给模型的请求。
Response：模型返回的结果。
Token：模型计费和处理文本的基本单位。
Rate limit：调用频率限制。
不要上来研究复杂架构。你第一个 API 项目就做这个：
把一段用户反馈丢进去，让 AI 自动输出：
用户痛点
情绪等级
是否需要人工处理
建议回复
产品改进方向
这比你看十小时 API 教程有用。
6. 产品能力
最后，AI 学得快不快，看你有没有产品压力。
没有产品压力，你会学成工具收藏家。
有产品压力，你会逼自己知道什么该学，什么不用学。
产品能力不是多高级，它就是：
谁有痛苦？
这个痛苦发生得多频繁？
他现在怎么解决？
AI 能不能让它便宜 10 倍、快 10 倍、简单 10 倍？
他愿不愿意付钱？
你目标是日入十万刀，那更别自嗨。AI 本身不是商业模式，AI 是成本结构变化。你要抓的是成本结构变化后，原来做不了、做不起、做不快的事情。
四、四大模型怎么分工？
别把模型当宗教。你要把它们当员工。
ChatGPT / OpenAI
适合做总控、学习、产品规划、写作、数据分析、代码、API 自动化。Codex 适合代码任务，OpenAI API 适合把 AI 能力嵌进你自己的产品和工作流。OpenAI 还提供 Codex 的 CLI、IDE、GitHub code review 等开发工具。(OpenAI 开发者)
你可以把 ChatGPT 当成你的 Chief of Staff。
Claude / Anthropic
适合长上下文、严肃写作、代码库理解、改文章、审代码、做复杂文档。Claude Code 是它的强项之一，Anthropic 官方也把它定位为可以读代码库、编辑文件、运行命令的 agentic coding 工具。(Claude API Docs)
你可以把 Claude 当成你的高级编辑加高级工程师。
Gemini / Google
适合 Google 生态、搜索、多模态、AI Studio、Gemini API、Android/Workspace/Chrome 生态。Google 也在用 Gemini 推动 AI Search、AI Mode、Android 系统层智能。(Google AI for Developers)
你可以把 Gemini 当成你的搜索研究员和 Google 生态接口。
Grok / xAI
适合实时信息、X 语境、Grok API、语音、图像、视频，以及跟 xAI 生态相关的应用。xAI 官方 API 页面把 Grok API 描述为支持推理、语音、图像生成和实时搜索。(xAI)
你可以把 Grok 当成你的实时舆情观察员。
我的组合建议
零基础别一开始全订。你先这样：
主力：ChatGPT 或 Claude。
备用：Gemini。
实时/社媒：Grok。
开发：Codex 或 Claude Code，再配 Cursor/Replit。
等你真的每天在做项目了，再考虑增加订阅。
五、30 天快速学习路线
第 0 天：搭环境，不超过半天
你需要：
一个主力电脑。
一个主力 AI 账号。
一个备用 AI 账号。
一个 GitHub 账号。
一个代码编辑器，Cursor 或 VS Code。
一个笔记系统，Apple Notes、Notion、Obsidian 都行。
一个密码管理器。
一个项目文件夹。
然后建 5 个文件夹：
AI 学习
项目想法
Prompt 模板
代码项目
资料来源
别把桌面弄成垃圾场。一个人对文件的管理方式，往往就是他对人生的管理方式。
第 1 到 7 天：学会问 AI
每天做 3 件事。
第一件：拿一个真实问题问 AI。
比如：帮我分析一个 SaaS 点子。帮我写一个落地页。帮我拆解一个竞品。帮我写一个冷启动方案。
第二件：同一个问题问两个模型。
你会很快发现，每个模型的性格不同。这个过程比看测评有用。
第三件：把好答案变成模板。
你要建立自己的 prompt 库，不是收藏别人的神奇咒语，而是沉淀你的工作方式。
你每天都用这个公式：
背景
目标
约束
输入
输出格式
质量标准
反例
下一步行动
一个好 prompt 像一份好合同。双方责任清楚，交付标准清楚，验收方式清楚。
第 8 到 14 天：学会 AI 深度研究
这周你只练一件事：让 AI 帮你查清楚一个问题，而不是说爽一个问题。
比如你研究：
AI 客服创业机会
AI 代码代理市场
AI 搜索产品
AI 简历优化工具
AI 视频剪辑工具
AI 销售自动化
AI 教育陪练
每个研究必须输出：
市场背景
真实用户痛点
已有产品
价格
用户差评
机会空隙
风险
可做 MVP
你自己的结论
关键是，你要要求 AI：
优先找一手来源。
标注日期。
区分事实和推测。
列出反方证据。
最后给出不确定性。
这一步非常重要。因为大多数人用 AI，只是让它把自己想听的话说得更漂亮。那不是学习，那是精神按摩。
第 15 到 21 天：开始做东西
你可以不用会代码，但你要开始做项目。
推荐从 5 个项目里选一个：
个人知识库问答工具
用户反馈自动分类工具
自动生成行业日报工具
落地页生成器
小型客服 FAQ bot
用 Codex、Claude Code、Cursor、Replit 或 Lovable 让 AI 帮你搭。Replit 官方把自己定位成可以用自然语言构建 Web/移动应用、落地页、仪表盘等的工具；Cursor 则强调用 agents 把想法变成代码。(replit)
但你必须学会这几个基础：
什么是前端
什么是后端
什么是数据库
什么是 API
什么是环境变量
什么是 Git
什么是部署
什么是日志
什么是测试
不要怕这些词。你不需要一夜之间成为工程师，但你必须知道房子的水电管线在哪里。否则 AI 给你盖一栋纸房子，你还以为是别墅。
第 22 到 30 天：接 API，做自动化
这周你的目标是：做一个不用你手动打开聊天窗口的 AI 流程。
例子：
表单收到用户需求后，自动总结并打标签。
每天抓取 5 个来源，生成行业简报。
用户上传文档后，自动提取重点和行动项。
把客服聊天记录自动归类。
把销售线索自动评分。
API 学习顺序：
先用官方 quickstart 跑通一次调用。
再把固定 prompt 写进程序。
再把用户输入接进去。
再把结果保存到表格或数据库。
最后加日志、错误处理和成本上限。
你第一次跑通 API 的时候，会突然明白：原来 AI 不只是聊天框，它是一个可以嵌进任何业务流程的大脑接口。
六、真实案例：别人怎么用 AI 改变工作
案例 1：新手反而最受益
Stanford 和 MIT 研究了 5,179 名客服人员使用生成式 AI 的效果，发现平均生产率提升 14%，低技能或新员工提升更大，达到 34%。研究还发现 AI 有助于把优秀员工的做法扩散给新员工。(斯坦福经济政策研究所)
这对零基础的人很重要。
AI 最先改变的不是天才，而是普通人的起跑线。以前你不懂写作、不懂代码、不懂调研，你就卡住。现在 AI 可以把你快速拉到及格线以上。
但及格线不是终点。你真正要做的是：用 AI 把自己从新手拉到中级，再从中级逼到高手。
案例 2：BCG 顾问也会被 AI 带沟里
HBS 的研究里，使用 GPT-4 的知识工作者在适合 AI 的任务上完成更多任务、速度更快、质量也更高；但在超出 AI 能力边界的任务里，表现反而下降。BCG 的分析也强调，AI 对创意类任务帮助很大，但对一些需要严密判断的商业问题可能让人更差。(Harvard Business School)
这就是所谓 jagged frontier，锯齿状前沿。
它给你的启示是：
AI 很强，但不是均匀地强。
它有些地方像天才，有些地方像自信的骗子。
你不能因为它前一句惊艳，就相信它后一句也正确。
案例 3：Morgan Stanley 把 AI 放进顾问工作流
Morgan Stanley 推出了 OpenAI 驱动的 Debrief 工具，在客户同意的情况下，能生成会议笔记、总结关键点、列行动项、起草邮件，并把记录保存到 Salesforce。Morgan Stanley 的材料还提到，顾问认为这类工具能显著节省会后整理时间。(Morgan Stanley)
这不是炫技，这是工作流重构。
以前顾问开完会，要靠人记、整理、录入、跟进。AI 进来之后，会议变成结构化数据，行动项自动浮出水面。
你要学的是这个思路：别只问 AI 能回答什么，要问 AI 能接管哪一段重复流程。
案例 4：Moderna 两个月做出 750 个 GPT
Moderna 和 OpenAI 的案例里，Moderna 在采用 ChatGPT Enterprise 后，几个月内部署了 750 多个 GPT；OpenAI 的客户故事还提到，两个月内有 40% 的周活跃用户创建了 GPT，平均每个用户每周有 120 次对话。(OpenAI)
这个故事非常值得你记住。
大公司不是只做一个万能 AI。它们是在每个部门、每个流程、每个角色里，做很多小 GPT、小 agent、小自动化。
未来真正赚钱的人，不一定是做最大模型的人，而是能把 AI 塞进具体业务缝隙的人。
案例 5：Klarna 的 AI 客服，既是胜利也是警告
Klarna 2024 年公布，它的 AI 助手第一个月处理了 230 万次对话，占客服聊天的三分之二，相当于 700 名全职客服的工作量，重复咨询下降 25%，平均解决时间从 11 分钟降到 2 分钟以内。(klarna.com)
听起来像神话。
但后来 Klarna 也强调要保留人工客服选项，因为客户在复杂、情绪化、例外情况里仍然需要人。Customer Experience Dive 报道中提到，Klarna CEO 后来承认客户应始终能和真人沟通。(客户体验潜水)
这就是 AI 产品的真实世界：
简单问题交给 AI，复杂问题升级给人。
速度交给 AI，信任交给流程，情绪交给人。
别幼稚地以为 AI 可以一刀切。真正成熟的系统，是 AI 和人分工。
案例 6：YC 创业公司已经大量用 AI 写代码
TechCrunch 报道，Y Combinator 2025 年冬季批次里，约四分之一创业公司的代码库有 95% 由 AI 生成。(TechCrunch)
这个信号很猛。
以前写代码是护城河，现在会定义问题、会验收代码、会快速发布、会找用户，才是护城河。
但别误解。AI 生成 95% 代码，不等于你可以不懂产品、不懂工程、不懂用户。恰恰相反，代码便宜后，产品判断更贵了。
七、零基础最该建立的 AI 工作流
你每天就练这个闭环：
问题 → 拆解 → 搜索 → 生成 → 验证 → 修改 → 发布 → 反馈
比如你想做一个 AI 行业日报产品。
你不要问：
帮我做一个 AI 日报。
你要这样做：
第一步，让 AI 帮你定义用户。
谁需要？独立开发者、投资人、产品经理、营销人？
第二步，让 AI 帮你找信息源。
官方博客、论文、产品更新、融资新闻、GitHub trending、X 热点。
第三步，让 AI 帮你设计输出格式。
TL;DR、重要新闻、为什么重要、机会、风险、可执行动作。
第四步，让 AI 帮你写爬取和总结流程。
RSS、API、网页抓取、去重、摘要、打分。
第五步，让 AI 帮你部署。
每天自动运行，生成邮件，发给测试用户。
第六步，让真实用户反馈。
他们读了吗？转发了吗？愿意付钱吗？哪部分没价值？
这才叫学 AI。不是看 100 个教程，而是把一个想法磨成一个能运行的系统。
八、给零基础的 Prompt 模板
1. 学习新概念
请用零基础能懂的方式解释【概念】。
要求：
先用一句话定义。
再用生活类比。
再讲它解决什么问题。
再讲它的局限。
最后给我 3 个练习任务。
不要堆术语，除非你解释术语。
2. 深度研究
我要研究【主题】。
请先列出关键问题树。
然后基于最新资料做研究。
优先使用一手来源和权威来源。
每个重要事实标注来源和日期。
请区分事实、推测、观点。
最后给我：市场机会、风险、反方观点、可执行结论。
3. 代码代理任务
你是我的资深全栈工程师。
目标是实现【功能】。
请先阅读项目结构，不要直接改代码。
然后给出实现计划。
计划通过后再修改。
每次修改后说明改了哪些文件、为什么改、如何测试。
不要删除现有功能。
不要暴露 API key。
最后给我测试步骤和可能的 bug。
4. API 产品设计
我想做一个基于大模型 API 的小产品。
用户是【人群】。
痛点是【痛点】。
请帮我设计：
MVP 功能
用户流程
数据结构
API 调用流程
成本估算方式
失败处理
安全风险
上线前检查清单
5. 反驳自己
请反驳上面的方案。
从用户不需要、技术不可行、成本太高、竞争太强、转化太差、法律风险、数据安全这 7 个角度批判。
最后告诉我，如果还要继续做，最小验证实验是什么。
这个模板很重要。因为一个真正想赢的人，不只是让 AI 鼓励自己，而是让 AI 帮自己拆炸弹。
九、90 天之后，你应该变成什么样？
30 天能入门。90 天要做出结果。
第一个月：你会用 AI 做任务。
第二个月：你会用 AI 做流程。
第三个月：你会用 AI 做产品。
90 天后，你至少应该有：
一个自己的 prompt 库。
一个自己的资料库。
一个 GitHub 项目。
一个跑通的 API 自动化。
一个上线过的小产品。
一批真实用户反馈。
一个失败复盘文档。
一个新的迭代版本。
你不需要 90 天后成为 AI 专家。你需要成为一个能用 AI 交付结果的人。
这两个完全不同。
专家可能很懂模型原理，但没有用户。
执行者可能不懂所有数学，但能做出产品、找到人用、收钱、迭代。
你现在要先当后者。
SOP：零基础 AI 快速学习标准流程
每日 SOP
打开一个真实任务，不准空学。
写清楚目标、输入、输出格式、验收标准。
先让 AI 拆解任务。
再让 AI 给出第一版结果。
让另一个模型批判第一版。
查证关键事实。
修改成可发布版本。
发布到一个地方：文档、GitHub、网站、社媒、邮件都行。
记录今天学到的 3 个模板或坑。
每周 SOP
选一个主题做深度研究。
做一个小自动化或小页面。
整理 5 条可复用 prompt。
复盘本周 AI 帮你省了什么时间。
复盘本周 AI 误导了你哪里。
找 3 个真实用户或朋友看你的输出。
删掉没用工具，强化有用流程。
每月 SOP
做一个完整项目。
必须有入口、有输出、有用户反馈。
至少一次接 API。
至少一次部署。
至少一次让代码代理修 bug。
至少一次写复盘。
决定继续、砍掉、还是转向。
Checking List：上线和使用 AI 前检查清单
买设备前
我现在的电脑是否真的卡住了我？
我是需要便携，还是固定桌面？
内存是否至少 24GB？
存储是否至少 512GB，最好 1TB？
我买的是生产力，还是情绪安慰？
买完以后第一周要交付什么项目？
使用 AI 答案前
有没有来源？
来源是不是一手？
日期是不是最新？
有没有反方证据？
AI 有没有把推测说成事实？
有没有数字、法律、金融、医疗、代码安全风险？
我能不能用另一个模型交叉检查？
我能不能自己抽样验证？
使用代码代理前
任务是否写清楚？
有没有备份或 Git commit？
是否禁止它删除重要文件？
API key 有没有放进环境变量？
它改了哪些文件？
能不能跑起来？
有没有测试步骤？
有没有安全风险？
有没有日志和错误处理？
接 API 前
API key 是否安全保存？
有没有设置预算上限？
有没有记录每次调用成本？
有没有失败重试？
有没有超时处理？
用户输入是否可能注入恶意内容？
模型输出是否需要人工审核？
隐私数据是否不该发送给第三方？
做产品前
用户是谁？
痛点是否高频？
现在替代方案是什么？
AI 是否让结果快 10 倍或便宜 10 倍？
用户愿不愿意付钱？
我能不能 7 天做出 MVP？
我能不能 30 天拿到真实反馈？
如果没人用，我准备砍掉什么？
5W2H：最终行动框架
Why：为什么学 AI？
不是为了追热点。
是为了把你的学习、研究、写作、开发、运营、销售、客服全部提速。
AI 的本质是降低知识工作的边际成本。谁能把这个成本变化转成产品，谁就有机会。
What：学什么？
学 AI 工作流，不是背模型名字。
核心是提问、搜索、验证、代码代理、API、产品化。
Who：谁来学？
零基础也能学。
但零基础不能懒。
AI 会奖励表达清楚、执行快、愿意验证的人；也会放大模糊、自嗨、逃避现实的人。
When：什么时候学？
现在。
第一天搭环境。
7 天形成 prompt 基础。
30 天跑通项目。
90 天拿真实反馈。
Where：在哪里学？
浏览器里学模型。
官方文档里学 API。
GitHub 里学项目。
终端里学执行。
真实用户那里学产品。
How：怎么学？
每天做一个真实任务。
每周做一个小项目。
每月做一个可发布产品。
让 AI 生成，让搜索验证，让用户审判。
How much：花多少钱？
一开始不要乱花。
一台稳定电脑。
一个主力 AI 订阅。
一个备用模型。
API 设置小额度预算。
等真实项目卡住你，再升级设备和工具。
最后给你一句很硬的话：
AI 时代真正的文盲，不是不会写代码的人，而是不会把目标拆成任务、把任务交给机器、把结果验收成产品的人。
你从零基础开始没关系。
但你不能用零基础当借口。
从今天开始，每天交付一个东西。三个月后，你会发现自己已经不是在学 AI，而是在用 AI 重建自己的生产系统。
