AI 时代,我们该如何更好地学习

一、写在前面

这两年，AI 的发展已经远超我们的预期，国内外各种大模型你追我赶，竞短争长。而到了今年，当我们还没有养好"龙虾"，各种 Agent 如春笋般冒出来。

不仅如此，还有各种名词的诞生，比如 Token、提示词、上下文、Agent、Harness、MCP、Skills 等，应接不暇。

在这样的大背景下，不可否认，我曾经一度也焦虑过，着急过，甚至有过短暂的慌乱。为何如此，就是因为发展太快了，要学的太多了，但又似乎跟不上发展的节奏。

然而，当逐步掌握了这些专有名词，自己真正开始下场用 Agent，并发现 Agent 慢慢成为自己的工作伙伴时，我也开始静下心来思考，在 AI 这个大时代下，我们该如何更好地学习。这也是今天要分享的内容。

二、先回答一个问题：我们要不要外包自己的大脑

在聊怎么学之前，我想先聊一个更根本的问题。

先说现象。自从有了 AI 之后，我们可以问问自己：有多久没有真正静下心来好好读一本书，有多久没有认认真真看完一篇文章了。

我自己也没能置身事外。实话说，某些时候我也变得懒惰了。拿到一本需要读的书，先让 AI 读一遍，给出核心内容和主要要点；看到一篇公众号文章，先让 AI 总结一下主要内容，再让它说说对项目经理有什么启示。诸如此类。

好像读得很快。可事后复盘、回忆的时候，却发现什么都没记住。

这背后其实是另一个问题：我们在不知不觉中，把自己的大脑外包出去了吗？

在我看来，这是一个非常严肃的问题。人的大脑之所以区别于其他生物，就在于它会思考、会判断、会做出选择。所以从我自己目前的认知来说，我不想，也不会把大脑外包出去，让 AI 来替我决策和判断：我需要什么知识，什么技能。

那是不是就不用 AI 了？当然不是。

这半年来推进 AI 一体化工作流，我有一个越来越强烈的感受：有了 AI 之后，对人的要求不是变低了，是变高了。过去我们自己找资料、自己写初稿，这些力气活现在 AI 能干；可剩下的这三样，思辨力、判断力、审核力，反而成了更硬的门槛，而且没有一样是 AI 能替你扛的。

而这三样能力，没有一样是能靠看几篇 AI 总结长出来的。都得学。

于是就回到了今天要聊的话题：AI 时代，我们到底该怎么学。

三、那我们该如何更好地学习呢

移动互联网时代，已经让我们的学习碎片化了。有了 AI 之后，碎片化似乎更加速了，但仅仅只是提升了学习的速度，并没有或者很少转化成真正的成果。在这个大环境下，系统的闭环学习飞轮就显得非常的重要了。

这个闭环的学习飞轮就是：

再问回到问，闭环转起来，才是飞轮

第一步：问

前面说的那三样能力，我在很多场合都提过，对项目经理来说就是：Prompt 能力、判断力和审核力。其中 Prompt 排在首位。

Prompt，是指我们对 AI 说的每一句话，都是一次"下指令"，是我们交给模型的输入指令，即你想让它做什么、以什么角色、按什么格式输出，都写在提示词里。同样一个模型，提示词写得好不好，结果可能天差地别。

那翻译过来，其实是提问的能力。所以，更好地学习，第一步是问。能提出一个好问题，是这个学习飞轮的首位。

第二步：辨

Prompt 之后就是判断力。当我们能提出一个更好的问题，AI 会给出很多答案，这里有没有我们想要的，我们要认真地思辨，即判断哪些是符合自己所需要的。判断力解决的是"适不适合"。

我们要知道 AI 的产出特点：看起来都很专业。一份风险清单、一份技术方案、一份需求文档，AI 给的版本，表面上都有条有理，格式规范、措辞讲究，但真正能用的，往往只有 2-3 个。剩下的不是"错"，而是不适合自己提出的问题，或者当前的场景。要么偏离实际场景、要么纸上谈兵、要么套不上真实的情况。

所以，更好地学习第二步是辨，即能够做出好的判断。

第三步：学

学，不是收藏起来，不是画一条线，而是提出问题、做出判断之后，符合自己的，就快速地学习和吸收。

AI 知识库是一个大而全的百科全书，而且具备高智商，当我们提出一个好问题时，它往往会给出比我们实际思考要好很多的知识点。在判断是我们所需要的时候，就要快速地学习和吸收，而不是点个收藏、点个关注，下次再来。这样不仅学不到，而且等下次再来看的时候，当时的场景已然不一样了。

第四步：用

用这一步，我自己有切身的体会。3 月份养龙虾，看了不少文章、教程啥的，但没有下场切入到实际的场景，收效甚微。

当新的 Agent 出来之后，我在学习相关的操作之后，第一时间就是下场使用、练习，而且是不断地使用和练习。

知识本身就是这样了。学习学习，学的最终目的是习，学了之后不习，而且要有输出的习，才是真正的习。

所以，在实际使用的过程中，巩固学了之后的知识、方法，才是真正有效的。

第五步：传

AI 的记忆非常强大。我们在使用的过程中，有大量的流程、步骤和要求，这些都可以让 AI 整理输出，形成有效的复制。

这个有效的复制，是对所提的问题、所判断之后的要点、所学习的内容，以及使用后形成的阶段性复盘。而系统整理的过程本身，也是把零散学到的知识点，一条一条串起来的过程。

不过这两年我体会更深的是，"传"其实分两层。

第一层，是传给 AI。那些每次都要重复交代的背景、格式、步骤，别再一遍遍重说，让 AI 整理下来，变成下次能直接用的东西：一个模板、一份检查清单、一个可以反复调用的 skill。我自己这一年沉淀下来的书稿写作流水线、测试用例框架，最初都只是我在对话框里反复交代的几句话。

第二层，是传给人。这一步更重要，也最容易被跳过。你学明白了，和你说明白了，是两回事；你能说明白，和别人听完就能上手，又是两回事。我给自己定的检验标准很简单：我写下来的这份东西，团队里的人拿过去，能不能不问我就跑起来。能，说明这一步真的通了；不能，往往说明我自己也还没真弄懂。

传到最后，你会发现受益最大的还是自己。因为要讲清楚，你就必须先想清楚。

第六步：再问

最后又回到问，只不过这个问是再问。是通过整理和搭建系统的知识点，进一步提出更高阶的问题，从而形成进阶的判断、学习、使用和复制。

四、写在最后

回到最开始那个问题：我们要不要外包自己的大脑。

我的答案没变，不想，也不会。

这半年我养成了一个小习惯。每天收工前，我会问自己一句：今天这一天，是我带着 AI 在想，还是 AI 在替我想。

这两种状态，从外面看几乎一模一样。同样是对话框，同样在提问，同样拿到一份看起来很专业的答案。但时间一长，差别就藏不住了。前一种，我问的问题越来越刁，判断越来越准；后一种，我发现自己越来越少问"为什么"，只剩下"给我一个答案"。

问，辨，学，用，传，再回到问。这六个字写下来只花了十几分钟，可真正让它转起来，靠的不是背下这六个字，而是每一次都不肯偷懒：不肯把问题问得太省事，不肯拿到第一份答案就走人，不肯只收藏不动手，不肯用完就算完。

说到底，学习这件事没什么捷径。AI 能替你把路铺平一点，把灯开亮一点，但路还得你自己一步一步走。就像小孩学骑车，你可以给他装辅助轮，可以扶着跑一段，可撒手那一下，谁也替不了他。

今年 3 月我开始养龙虾的时候，也慌过。现在回过头看，慌的不是技术变得太快，是我自己站在岸上看得太久，一直没下水。后来让我真正静下来的，也不是终于把那些名词都搞懂了，是我下了水，开始扑腾。

还在岸边的朋友，不妨先下去试试。水没有想象中那么深。