AI 时代的学习策略:用模型做知识索引,用实践做深度内化
一、ChatGPT 让我变懒了,然后我开始反思
坦白一件事:去年有段时间,我写代码已经完全离不开 ChatGPT 了。不是"辅助",是"依赖"。定义一个 struct 要问 AI,写个 match 要问 AI,连 cargo build 报错都不自己看了,直接截图丢给模型。
直到有一次,面试官让我在白板上手写一个简单的链表反转,我脑子一片空白。明明上周刚用 AI 写过三遍。
这件事让我开始认真思考:在 AI 能回答任何问题的时代,人类学习的价值在哪里? 如果所有知识都可以随时查,那"记住知识"还有什么意义?
半年的摸索和实践,我慢慢形成了一套自己的方法论。核心就八个字:模型索引,实践内化。
二、两阶段学习模型
这套方法论具体分为两个循序渐进的阶段,前者侧重借助 AI 搭建知识骨架,后者侧重脱离 AI 进行独立实践。
阶段一:知识索引(与 AI 协作)
首先确定学习目标,利用 AI 生成知识大纲,随后逐点追问“为什么是这样”,并通过对比多个来源进行交叉验证,最终建立心理索引,明确知道去哪里查找所需信息。
阶段二:深度内化(脱离 AI)
通过限时完成最小可用项目,在写代码时强制不看 AI,遇到错误先自己调试 15 分钟,完成后复盘总结到底学到了什么,最后通过写博客或讲给别人听来巩固知识。
这两个阶段环环相扣,从借助 AI 搭建骨架到独立实践内化,构成了完整的学习闭环。
三、阶段一:把 AI 当"超级图书馆员"
传统学习的第一步是"找资料",AI 时代应该变成"让 AI 帮你搭知识骨架"。
具体操作流程
第 1 步:让 AI 生成知识索引
当我决定学 Tokio 的内部调度机制时,我的第一条 prompt 是:
“我希望理解 Tokio 的 work-stealing 调度器是怎么工作的。请给我一个从宏观到微观的学习路径,列出核心概念和它们之间的关系。不要讲具体实现,先给我一个知识地图。”
AI 给了我 7 个核心概念:Task、Runtime、Scheduler、Worker、Local Queue、Global Queue、Waker,以及它们之间的关系。
第 2 步:逐点追问"为什么"
拿到知识地图后,不要从头学,而是对着每个概念问"为什么":
“为什么 Tokio 要用 work-stealing 而不是简单的线程池?”
“为什么每个 Worker 有自己的 Local Queue,而不是只有一个全局队列?”
“Waker 为什么要设计成可唤醒的?解决了什么问题?”
每一轮追问都只聚焦一个点。不是为了记住答案,而是训练自己"知道从哪开始思考"的能力。
第 3 步:交叉验证
AI 可能出错,所以至少从两个来源交叉验证。我用 Perplexity 做搜索验证,用 GitHub 上的源码直接读注释。
// 这是我从 Tokio 源码中读到的核心调度逻辑(简化版)
// 位置:tokio/src/runtime/scheduler/multi_thread/handle.rs
/// 多线程调度器的 handle
/// 每个 Worker 线程通过这个 handle 访问调度器
pub(crate) struct Handle {
/// 共享的调度器状态
pub(super) shared: worker::Shared,
}
impl Handle {
/// 将一个 task 调度到某个 worker 上运行
pub(crate) fn schedule_task(&self, task: task::Notified<T>) {
// 获取当前 worker 的 ID
let current = self.shared.worker_id();
// 尝试把 task 放到当前 worker 的本地队列
// 如果本地队列满了,就放到全局注入队列
if !self.shared.schedule_local(current, task) {
// 全局队列是共享的,需要同步访问
self.shared.inject_queue.push(task);
// 通知一个空闲的 worker 来取任务
self.shared.signal_work();
}
}
}
读源码时做这事:用自己的话重写注释。为什么是中文?因为翻译的过程会强迫你真正理解,而不是"看过了就算懂"。
四、阶段二:限时实践的"戒断训练"
知识索引进阶到一定程度后,必须强制自己做"戒断训练"——在特定时间段内完全不看 AI。
我的"周末戒断法"
每周六上午 9:00-12:00,三个小时,给自己一个编程任务:
- 手机放另一个房间
- 关闭所有 AI 工具(包括 Copilot 的 inline completion)
- 只允许查官方文档和源码
这个习惯坚持了四个月,效果超乎预期。
第一次戒断训练,我花了三个小时才写完一个 async 文件读取函数——平时有 Copilot 的话大概 10 分钟。但那个上午之后,我对 tokio::fs 和 AsyncRead 的理解发生了质变。
/// 戒断训练时手写的异步文件搜索工具
/// 没有 AI 辅助,全靠记忆和文档
/// 写完后发现以前靠 Copilot 能写出来,
/// 但从来没真正理解每一行在干什么
use tokio::fs;
use tokio::io::{self, AsyncBufReadExt, BufReader};
use regex::Regex;
use std::path::PathBuf;
/// 递归搜索目录下匹配正则的文件
pub async fn search_files(dir: &PathBuf, pattern: &Regex) -> io::Result<Vec<PathBuf>> {
let mut results = Vec::new();
// 异步读取目录条目
let mut entries = fs::read_dir(dir).await?;
while let Some(entry) = entries.next_entry().await? {
let path = entry.path();
if path.is_dir() {
// 递归搜索子目录
let mut sub_results = Box::pin(search_files(&path, pattern)).await?;
results.append(&mut sub_results);
} else if let Some(name) = path.file_name().and_then(|n| n.to_str()) {
// 文件名匹配正则
if pattern.is_match(name) {
results.push(path);
}
}
}
Ok(results)
}
/// 对搜索结果中的文件做内容搜索
pub async fn search_content(
files: &[PathBuf],
content_pattern: &Regex,
) -> io::Result<Vec<(PathBuf, Vec<String>)>> {
let mut results = Vec::new();
for file in files {
// 异步打开文件
let f = fs::File::open(file).await?;
let reader = BufReader::new(f);
let mut lines = reader.lines();
let mut matched_lines = Vec::new();
// 逐行读取并匹配
while let Some(line) = lines.next_line().await? {
if content_pattern.is_match(&line) {
matched_lines.push(line);
}
}
if !matched_lines.is_empty() {
results.push((file.clone(), matched_lines));
}
}
Ok(results)
}
为什么"限时"很重要
不限时的话,人会在遇到第一个困难点时就打开 AI。限时的压力会迫使你使用最原始但最有效的学习方法:试错 + 查文档。
这个过程建立的不是"知识",而是"判断力"——你知道一个概念大概在文档的哪个位置,知道一段代码大概会出什么问题。这种判断力才是 AI 无法替代的东西。
五、总结
AI 时代的学习,核心变化是:知识获取成本趋近于零,但知识内化的难度没变。
用经济学的类比:AI 让"信息"变成了公用品,无限供应,边际成本为零。但"技能"仍然是稀缺品,需要时间、实践和刻意练习来获得。
我的策略总结起来就是:
- AI 负责广度:帮我快速建立知识地图,知道"有什么"和"去哪找"
- 自己负责深度:通过戒断训练把地图上的点变成脑中的肌肉记忆
- 输出是最好的输入:每学一个概念就写一篇博客或录一期视频(这就是我开这个号的初衷)
如果你也在思考 AI 时代的个人成长,我的建议是:别焦虑 AI 会取代你,焦虑自己没有在 AI 到来之前建立不可替代的深度技能。而建立深度技能的方法,几千年来没变过——刻意练习、延迟满足、持续输出。
834



被折叠的 条评论
为什么被折叠?



