夜雨聆风过去一个多月，忙忙碌碌干了不少事，AI产品经理共学营、FDE共学营、新模型体验测评、个人独立产品迭代了百来版，但是始终没有找到一个「线头」，牵引我提起劲输出。
但昨天，这个「线头」出现了，我报名了小山学堂的学AI课程，它Push我——要想学到，就得输出。
我就想，既然要输出，那不如就在公众号记录一下体验感受和学习感悟吧，所以如果我能坚持下来的话，就至少会有7篇连载。
为什么是7篇呢？因为，课程的8月限定“伴学计划”：投入 800 米粒，坚持学习 7 天后可获得 2800 米粒。所以，为了赚这一笔！我必须学满7天！
小山学堂是什么：学AI的公益课堂，由兼具技术实力、创新精神和体验掌控力的AI产品经理--洛小山，精心打磨出品，他的代表作品是Alice。米粒是什么：米粒是米羊家族产品里的交易货币，主要用来支付调用模型的花销。
第一天，学了什么？
事先声明：个人学习体会记录，可能存在偏颇。
第一天学了10个小节，主要覆盖两个部分：「入门与定位」和「零基础入门」。
不论你是不是刚接触 AI，都不建议跳过前面的简单内容，首先是如果基础内容有认知错误的话，可以通过学习这部分内容得到修正，其次是因为现在所有用 AI 的人，身边都会有 AI 小白，这些内容，能帮助你跟刚接触 AI 的人更好地交流。
「入门与定位」的第一节课是「先选一条适合你的路」。
这节课给出了五条路线，涵盖了从“会用 AI”、“把 AI 用到专业”，再到“做产品 ”、“独立搭建”，甚至是“全都要”吃透硬核技术。
这节课解决的核心问题是：帮用户明确——你来学习，是想要用 AI 做什么？
在看到这节课之前，我其实是没有目标的，只是觉得课程看着挺好，学到就是赚到。而看到这节课之后，我认真地想了，我是学来要去做产品的，而且是独立搭建。所以我选择了第四条路线。
第一节课的这五条路线的选择，很有巧思，一方面让用户明确自己的学习目标，另一方面可以通过简单的课程裁剪提供更贴近分层用户真实需求的服务，避免让用户盲目all in学习他们实际上用不到的那些艰深技术知识，从而保持学习热情。
启发了我对产品设计的思考：在面对多样化的用户群体时，不能扁平化地提供全量功能。我们需要识别不同分层用户的诉求，从而提供个性化、差异化的服务。
第二节课是「认清自己目前的定位」。
这节课用"达克效应"来说明，人在学习时，最开始很容易知道一点就觉得自己懂了，快速进入"愚昧之巅"，而在真正应用时又会因为眼高手低而快速跌入"绝望之谷"，只有理解底层逻辑并刻意练习，才能抵达"平稳高原"。
这节课解决的核心问题是：摆正学习心态——无论过去知道多少，傲慢都是最大的障碍。来学习，必须放下“我已经懂了”的念头。
在看到这一课之前，我确实觉得自己在 AI 工具的使用场景上已经积累了不少经验，甚至有些自负。通过这一小节，我找准了学习的心态和定位——用空杯心态来学习。
启发了我对产品设计的思考：每个用户使用产品时都有自己的想法，好的产品设计，是能够通过产品体验过程引导，对用户的心智和预期做好管理。
第三节课是「怎么学，知识才能“过脑子”」。
我目前在写的这些东西，其实就是在应用这一篇章的方法。
这节课指出了一个常见的学习误区：看到了≠学到了。如果来学习，只是把课程从头看到尾，大概率三天后就忘光。只有停下来回到自己的应用场景下去反思，输出自己的内容，知识才真正过脑。
如果不知道输出什么，那就尝试回答这三个问题：
1、这节课说了什么内容？2、它想解决的问题是什么？3、不知道这些的时候，我是怎么做的？现在知道了，我的做法会有什么改变？
输出门槛很低，也没有对错，只要能说说：“我今天学到的知识点是什么，我以前以为是什么，学完之后发现实际上是什么。”就好了。
这节课想解决的问题是：矫正错误学习方式，给出“输入、反思、迁移、输出”的四步法，让学习者知道怎么完成真正的学习转化。
在看到这门课之前，我的学习计划其实只是每天看1-2小时课程并完成打卡。但现在我知道了，看过没有用，要逼自己说出学到什么，才能真正过脑子。所以我现在就在这样刻意练习。
第四节课「为什么要讲底层原理」，开始讲跟AI相关的内容了。
这节课，就在说一个事——现在AI圈流行的 harness，本质是对「message list」的处理。
之前我看AI博主们谈到 harness，都会先抛出一堆概念——context engineering、memory、mcp、plugin、skill、tools等等，但是我始终有疑问——这么多信息大模型到底怎么接收到呢？
学完这一课，我的理解是——开发者把各种正确的上下文信息精心编排成「message list」提供给大模型，大模型再基于这些信息来工作。
这节课想解决的问题是：传递课程核心理念——本课程会围绕「message list」的处理这个底层原理来开展，带大家认识和学习 harness。
之所以从底层原理来开展，没有钻研Prompt Engineering、RAG、Fine-tuning，Agent 工具调用这些"花活"（或者说工程化方案），是因为"花活"会越来越多，还会汰换，永远学不尽，只有抓住本质，才能一眼看穿它们都在做什么，为什么有效，局限在哪。
这节课，还提到了Fine-tuning / SFT，说它的本质是把大量理想的 message list 烧进模型权重，省去每次都要在 prompt 里说明的成本。
让我想到，最近有一个热点话题是：未来harness这层会越来越薄还是越来越厚？我之前一直都没有看懂这个话题，到底在说什么——为什么会厚，又为什么会薄？
但现在我有了一点浅薄的理解——harness就是需要传递给大模型的信息层，harness越完善，自然是越「厚」的，但是大量理想的 message list 又可以被烧进模型权重，所以很多信息可以不用再提供，又会越来越「薄」，怪不得会有争论。
再想到我自己之前做AI产品，其实是有问题的——我一直觉得我在成熟agent产品（如codex、workbuddy）把prompt或者skill优化的足够好了，就可以直接裸接大模型API接入产品中。
但我过去没有意识到——之所以在成熟agent产品中能出好结果，不是只因为我提供的那段prompt或者skill，可能更多是产品开发者精心构建的「message list」的功劳，里面有系统指令、角色定义、可调用的工具，从历史对话和记忆中沉淀的偏好信息等。而我自己做的AI产品里并没有这样精心编排「message list」，充其量只是一段很长的prompt要求，所以效果当然大打折扣。
第二部分是「零基础入门课程」，第一节是「AI能干哪些活」。
这一节课，讲了为什么 AI 是软件的分水岭，并通过六个使用案例（整理纪要、看懂报告、知识讲解、陪练面试、做小工具、生成海报），让 AI 小白直接看到 AI 能做哪些事情。
这节课想解决的问题是：AI 小白不是没有听说过 AI，而是听说过 AI 很厉害，也听说过 AI 有很多问题。这些「听说」，让人很混乱，所以这节课通过六个交互模拟，具象化的呈现，去达成初步的认知共识。
在看到这一课之前，我有模糊地感受到 AI 的出现让软件产品变得更好用了，但我说不出具体为什么。学完这一课，我明白了，因为之前都是人学软件用来干活，做事之前得学规矩，按规矩来操作，而现在人能直接叫软件干活了，少了学习和操作的过程摩擦。所以现在评价一个软件的好坏，不再是评价过程体验感受，而是在评价产出成果的好坏。
让我联想到用户研究方法论 JTBD：用户购买一个软件，本质是「雇佣」一个产品来帮他完成一个任务。
我之前其实不太理解，为什么是「雇佣」关系，因为我觉得真正干活的还是人，软件只是趁手的工具。而我知道我的问题在哪了——用户要的一直都是结果，虽然以前软件不能给最终结果，但是缩短了拿到结果的过程耗时，这就是产品「被雇佣」的意义。而 AI 出现之后，过程摩擦都被 AI 消化了，所以能直观地看到软件「被雇佣」去端到端地完成任务了。
第二节是「AI其实在“接话茬”」。
这节课在讲，AI在做的事情，其实一直只有一件事——接话茬。但它不是随便接的，是基于过往训练过的海量语料来接的。其实人也是这样，当我们听到有人说“祝你生日……”，第一反应就是接“快乐”，这是因为我们从小就是这么听的，所以也下意识这么接。
刚接触 AI 的人，很容易产生一个疑惑——为什么 AI 每次回答都不一样？现在就很好理解了——就像人接话一样，有好多种接话的方向，并没有固定的正确答案呀。
而 AI 也一样，它面临着很多选项，每个选项会让他走到不同的分岔路口上。
这也解释了为什么总说大语言模型数学不好：它从来没有在做真正的计算。对于训练数据里有的“1+1=2”这种高度明确的内容，它能顺嘴接出来；但对于复杂的数学运算，训练数据里没有，它就只能靠猜，他只管接的像不像，不管接的对不对。
这节课想解决的问题是：给刚接触 AI 的人解惑——大语言模型的能力本质是「接话茬」，而接什么话茬遵循海量文字里统计出来的语言规律，而众所周知，语言没有铁律。
在学这一课之前，我其实一直都被困在"模型的推理过程本质是在预测下一个token（词元）"这个学术话语里，不知道怎么说，能让没有了解过 AI 的人，知道生成式语言模型在做什么。而学完这一课之后，我终于知道怎么贴合中文日常语境，把这件事说清楚了。
第三节是「AI不是搜索引擎」。
因为搜索引擎能搜到很多东西帮人答疑解惑，AI 也能回答问题帮人答疑解惑，再加上搜索+AI回答的产品很早出现，所以就有一种误解是——「不就是个更聪明的搜索框吗？」
其实两者完全不同，搜索引擎就像是个图书管理员，你说要找什么，它就把相关的东西放在你面前，你要自己去读。而 AI 是读过了图书馆里所有书，但并非过目不忘的人，你问它问题，它靠消化后的记忆来接住你，但它可能会记串，把不同的事情混在一起，也可能用已经过时的知识回答你，而它并不知道，也无法回溯核查。
这节课想解决的问题是：帮刚接触 AI 的人区分 AI 和搜索引擎这两个容易混淆的概念。
在看到这一课之前，我知道 AI 跟搜索引擎不同，但是我一直默认 AI 产品都应该带有搜索能力，但看了这一课之后，我意识到，首先不是所有使用场景都需要用搜索，所以要求所有 AI 产品都应该带有搜索能力是不合理的，其次，即使给了 AI 联网搜索能力，也不等于回答就有事实依据，对于重要信息依然要做搜索核查。
第四节是「AI会一本正经的胡说」。
这一节课讲了用AI最需要警惕的一个事情——接得像，不等于接得对。AI会一本正经的胡说，它不是全部编造，而是真假参半；它不是故意说谎，而是它自己分不清真假；它很少说“我不知道/我记不清了”，因为它学习的语料里，很少会这么说，它也就没有学会这种接法。
这节课想解决的问题是：让刚接触 AI 的人知道，AI存在幻觉问题，对 AI 的回答，一定要做事实核查。
在看到这一课之前，我其实觉得 AI 编造的内容我可以一眼认出来，直到我玩了找茬游戏，我才发现，AI 编的内容看起来可信度也很高，不是领域的专家，根本做不到一眼看穿。之后用 AI 生成的材料，涉及事实依据的我都会要求 AI 给出来源，然后再多方核查才行了。
启发了我对产品设计的思考：AI 幻觉不可避免，所以，在做事实核查要求严格的产品时，一定要能追溯来源，才能让用户信任。
第五节是「把AI当不了解你的新同事」。
这一节课讲了：AI = 聪明但不了解你的新同事（每次新对话都是他入职第一天），想要这个聪明的新同事能做好事情，要跟它讲清楚三件事——背景（你是谁），要求（你要它做什么）和限制（验收标准是什么）。
这节课想解决的问题是：很多觉得自己用的 AI 效果平平，其实是因为不知道该跟 AI 说什么，没有给足 AI 信息。
在看到这一课之前，我看过很多「超强提示词」，都是把信息给的事无巨细，六七层信息，让人在下达指令这件事情上就已经要花很多时间。看了这节课之后，我才知道，虽然信息给的越全越好，但简化下来就三件事——背景，要求和限制。
第六节是「跟AI聊的万能开场白：先问我几个问题」。
这一节课讲了：当你想让 AI 帮你做事，但是不知道哪些信息要跟 AI 说的时候，要怎么办——只需要在你的任务目标后面加上一句："开始前，先问我几个问题。"就可以由AI来引导你补充信息，等它觉得信息补齐了，就会自己去做事了。
这节课想解决的问题是：AI 新人担忧自己说不清需求，不知道应该交代哪些信息的问题。
在看到这一课之前，我更多是自己尽可能把自己想到的所有背景信息提供给 AI，这样其实还是挺费劲的，每次都要绞尽脑汁。这节课让我知道，我不用那么辛苦，可以把提问权交给 AI，毕竟很多事情我是小白，它才是专家呀。
最后谈谈，我为什么会愿意留下来学
我认为学习类产品，用户真正支付的成本其实是时间和注意力而非金钱。
所以产品除了要让用户觉得有价值，更重要的能愿意持续投入精力去学。
因此怎么让用户“明天还能打开产品”至关重要。
那么为什么我留下来学呢，是因为这4点（排名不分先后）：
学习压力小：完整课程虽然多达 365 课，但内容切分得足够原子化，每节课在 10 分钟内就能学完（至少前面是），减轻了学习负担。 个性化学习：通过学习目标的选择，提供轻量个性化学习路线，能学到的都是自己真的用得上的。 交互式学习：课程不是纯文字阅读，而是有交互模拟，让人在体验中理解 AI 背后的运作机制，这种形式比单纯的文字说明直观得多。 游戏化设计：除了上述的交互参与感，做了很多游戏化设计，如打卡机制。它像游戏里的“签到领奖”一样，让人产生“明天还要继续来上课”的动力。
之前在读《AI工程:大模型应用开发实战》这本书时，有一句话给我留下很深的印象，让我一直想看到 AI 带来教育的变革。
而在小山学堂，我觉得我看到了AI时代应该有的交互式，游戏化，个性化，智能伴学的教育体验创新雏形。
我推荐想学 AI 的人都来看看，我体验下来的感受是，这里提供了更好的、独属于 AI 时代的全新教学形式。
也希望，未来能看到更多用 AI 带来教育变革的产品出现~
（本文封面配图由ChatGPT生成，纯纯人工低效写作哈哈）