1. 先承认一件挺尴尬的事AI很博学但它经常说“正确的废话”我身边不少朋友开始用AI学习的时候第一步几乎都是同一个动作打开对话框敲一句“给我讲讲XX概念”然后AI秒回一大段结构工整、术语密集的说明。读的时候觉得每一句都对合上屏幕一想什么也没留下。过了两天再遇到同样的词脑子里只剩一团雾。为什么会这样我自己的体会是AI默认情况下给出的答案是“标准答案”标准答案的特点是完整、准确、面面俱到但恰恰缺少了人类学习最需要的东西——脚手架。我们学一个新知识靠的是先搭一个粗糙的、能落地的直觉框架再慢慢往里填细节。而AI一上来就把所有细节都倒给你信息密度太高大脑直接过载。所以我后来很少问“给我讲讲XX”这种问题了。我开始把提示词当成一种对话方式逐渐沉淀出6个我自己每天都在用的Skills。它们的共同目标只有一个让AI不说标准答案而是说人话真正帮我碎片化地、可检验地把知识学明白。这6个Skills分别是Skill 1 费曼入门式让AI把知识点降到小学水平。Skill 2 生活打比方把抽象概念搬进你熟悉的场景。Skill 3 拆沙袋式追问把大块头知识切成小粒度。Skill 4 正反样例对比用例子和反例划清边界。Skill 5 身份扮演让老师讲、学生问、评委判。Skill 6 费曼检验你来讲AI来挑刺。你可以把这六招当成一套完整的学习协议也可以单独拿出来用。接下来我会逐个拆解并且给出可以直接复制的提示词模板。为了让你看得更直观本文所有示例统一用“递归”这个概念做演示因为它足够经典、也足够抽象最能看出这几个Skill之间的差别。2. 6个Skills逐个拆解每个都能直接上手2.1 Skill 1 费曼入门式开局先请一个“完全没概念的小朋友”先讲原理。费曼技巧的核心是如果你不能用简单的语言把一个概念讲清楚你其实并没有真正理解它。放到AI对话里这个技巧可以反过来用——不是你给AI讲而是让AI用“最简版本”讲给你听。很多知识你之所以学不明白不是因为AI讲得不够多而是因为AI默认用同领域专家的口吻跟你说话。术语套术语形成了一堵你看得见字、却看不见意思的墙。所以Skill 1的要点就一句话在提示词里显式地指定“听众”的认知水平。注意这个“听众”不能写“用通俗的语言”那样太模糊AI不知道通俗到什么程度。要写具体的人设比如“八岁小孩”“完全没接触过编程的朋友”“刚上高中的学生”。人设越具体AI的降维程度越可预期。直接给一个可以复制的模板请用给一个完全没接触过编程的小白讲课的口吻向我解释“递归”。 规则 1. 每一步解释都先给一个生活直觉不急着下定义 2. 只能用不超过10个专业术语每个术语第一次出现时都要立刻用一句话解释 3. 讲完后用3句话做一次总结这3句话里不准出现任何专业术语。这个模板看起来简单但有两个容易被忽略的细节。第一它没有让AI省略内容只让AI换一种表达顺序——先直觉后定义。第二它额外限制了“总结句不能有术语”这一步会迫使AI把整段话重新压缩一遍压缩过程中常常会把最核心的直觉提炼出来而这恰恰是你真正需要记住的东西。我实测下来的感觉是比起“给我通俗地讲讲递归”这个模板得到的回答基本上可以直接当口头复述的素材用。如果你时间紧张只打算用这6个Skills里的一个那就用这一个。2.2 Skill 2 生活打比方把抽象概念搬进你熟悉的场景但别忽略边界第二种情况是你其实已经听懂了字面意思但大脑里没有画面知识像悬在半空。这时候需要的就是类比。人类学习新知识最本能的方式就是“这个像什么”——把新概念嫁接在已经理解的东西上。Skill 2的用法是在Skill 1之后追加一条类比指令。关键是不要只让AI“打个比方”要让AI主动交代这个类比的边界。这一点我踩过很深的坑因为类比的危险在于看似严丝合缝实际上总有一两个关键特性对不上。如果AI不说清楚哪里不像你很容易把错误的地方也记下来。实用模板请为“递归”设计两个不同的生活化类比。要求 1. 第一个类比给出正面效果第二个类比考验某个极端情况 2. 对每个类比明确指出在这个类比里哪些部分和递归的真实特性是对应的哪些部分是不对应的 3. 最后告诉我如果只记住这个类比最容易产生哪种误解。拿递归来说常见的类比如“俄罗斯套娃”。AI会说打开一个娃娃发现里面还有一个更小的娃娃这个过程和递归的“函数调用自身”很像。但套娃的“结束条件”是固定的——最里面总有最后一个小娃娃而递归的结束条件是你自己写的写错了就可能永远套不完。这个差异如果不点出来你可能会误以为递归天然会终止其实恰恰相反。另一个我常用的类比方向是“照镜子”——两面镜子对着放里面会出现无限重影。这个类比的好处是能让人一下子感受到“无穷自相似”的直觉坏处是容易让人觉得递归很酷、很玄却不知道实际写代码时怎么收手。所以每次让AI打比方我都会强制追加一句“哪里不像”这句话才是这个Skill里真正值钱的部分。2.3 Skill 3 拆沙袋式追问把大块头知识切到一口能吃下去第三个Skill针对的是那种“每个字都认识但整体太大”的知识。越是抽象、体系庞大的概念越不适合一次性灌进来。比如递归它可以在一分钟之内讲完“自己调用自己”但真正要掌握的其实是三件事结构上怎么拆、结束条件怎么定、调用栈怎么回溯。这三件事混在一起讲新手必然晕。这个Skill的思路借鉴了一个笨办法如果知识是一袋50斤的沙子你先别想着一次性扛起来而是分成五小袋一袋一袋扛。对应到AI对话里就是让AI先把整个知识地图列出来再只选其中一个点深入讲完一个确认一个确认通过再进入下一个。我暂时理解不了“递归”的全部内容。请把它拆成3个台阶式的小步骤每步难度递增。 只做两件事 1. 先把这3个步骤的标题列出来 2. 只展开讲解第1步讲完停住。 每次我回复“继续”后你再讲下一步。每一步最后给我一道自测题我先口头回答你来判断是否达到进入下一步的水平。这个模板的关键变化是把讲解节奏的控制权从AI交回给你自己。你没有必要向AI证明你在某个进度上你只对自己负责。我通常会在第三步加上“如果我没有通过自测请你变一种方式再讲一遍”这样AI不会一味向前推进而是会在你卡住的地方自动循环。拆得够小才可能有针对性有针对性才不会出现“听了半小时发现自己从头就漏了”的挫败感。2.4 Skill 4 正反样例对比边界比定义更重要接下来这个Skill是我认为最容易拉开学习效果差距的一个。原因很简单定义描述的是“是什么”但你在实际场景里遇到最多的是“这算不算”——也就是判断边界。与其背定义不如多看几个正例和反例从例子反推规律再回到定义去验证。这个思路有点像学认蘑菇。如果你只看教科书上的“毒蘑菇长这样”到了野外还是会认错但如果你同时看过“看起来很像毒蘑菇但其实能吃”的那几种边界就一下子清晰了。递归学习里最经典的边界是“递归”和“迭代”的区别、或者“无限递归”和“普通递归”的区别。只看定义很容易混看两组成对例子就特别清晰。提示词模板请针对“递归”给我3组对比案例。要求 1. 每组包含一个正面例子和一个“长得像递归、但其实不是”的迷惑例子 2. 先不要告诉我任何结论只把6个案例摆出来让我自己试着概括规律 3. 我给出我的猜测后你再公布正确答案并逐条指出我猜对和猜错的地方。这个模板比“请给我举几个递归的例子”高级在什么地方它强制加入了一个“先说答案再揭晓”的环节。先让大脑参与一轮猜测之后再看到正确结论记忆留下的痕迹会深得多。而且AI纠正你的错误判断时它会非常具体地对比到底哪个特征才是判据。这种“以判断代替记忆”的学习方式换到任何一个知识领域都适用。2.5 Skill 5 身份扮演把AI轮流变成老师、学生和裁判第五个Skill比较有表演成分但效果很实在。同一段知识从不同身份的人的嘴里说出来信息筛选的粒度完全不同。老师会讲道理学生专挑毛病裁判只做仲裁——三个视角加起来基本能覆盖一个概念的大多数盲区。不客气地说很多人用角色扮演只是图个乐让AI扮演个“某某达人”然后照旧让它输出一大段这样其实浪费了这个功能。真正有效的角色扮演必须满足两个条件一是每个角色都有明确的“任务”二是整个过程中要有一个最终汇总的角色。我常用的三人组是老师负责把话说圆学生负责用最刁钻的问题找出话里的漏洞评委负责判定批评是否成立并输出结论。请用三个身份依次解读“递归” 身份1一位擅长用生活例子讲清概念的耐心老师 身份2一位学习很认真但特别喜欢抬杠的初学者学生会针对老师的每一句话提出质疑 身份3一位只认逻辑的评委负责判断学生的质疑是否成立。 请先让老师和学生对话三轮最后由评委用10句话以内总结哪些质疑有效哪些是误解正确理解应该是什么。我试过几次后最大的收获是AI扮演“抬杠学生”时经常会问出我自己根本没想到的问题。比如“递归的结束条件如果永远不满足程序会怎样”“每一层调用的时候中间变量都放在哪了”。这些问题虽然刁钻但每一个都指向真实理解中的缺口。把疑虑暴露出来再让评委收口你会发现自己对知识点的掌握比单纯听讲要扎实很多。2.6 Skill 6 费曼检验把话筒递给你让AI当最严格的听众最后这个Skill是整个流程里最不能省的一步。前面五个Skills都是在让AI把知识喂给你喂得再香也不等于你消化了。真正的“学明白”是你能够用自己的语言、没有任何参考地讲出来而且听的人还能听懂。这一步在认知科学里叫“输出式学习”在实践里就是费曼技巧本尊。具体做法是你把自己对某个概念的理解输入给AI要求AI不要做任何无意义的夸奖只做“挑刺”。这个设定的关键点在于绝大多数人不敢把解释发给别人听怕露怯。但AI没有面子问题你可以安心地让它碾压你。碾压之后你只需要重构解释再发给它挑刺两三轮之后你对这块知识的掌握会有一个非常直观的提升。下面是我对“递归”的理解我会按我的方式讲一遍。请你扮演严格的检验员 1. 第一步先指出我解释里所有逻辑跳跃、术语使用错误或例子不恰当的地方 2. 第二步给我的解释清晰度打分0到10并说明扣分点 3. 第三步告诉我如果换作你来讲你会怎么修改我的表达顺序。 注意禁止说“理解得不错”“很棒”这类客套话你的唯一任务是让我讲得更好。我习惯把它放在每天学习的最后。如果一段知识没法解释到让AI挑不出大毛病我基本可以断定自己还没真正弄懂。很多人问我用什么标准判断“学会了”我的标准就是能不能在三十秒内用大白话把这个概念讲给一个不看提示的人听。AI检验员只是把这个标准流程化、严格化了。3. 组合打法把6个Skills串成一次完整的知识学习单独会用每个Skill当然很好但这六者组合起来威力更大。我举个例子完整走一遍从零开始学“递归”的流程你可以把它替换成任何你正在学的陌生概念。我先说整体框架总时长控制在30分钟到40分钟。前十分钟用Skill 1和Skill 2建立直觉中间十分钟用Skill 3和Skill 4细化结构和边界最后十分钟用Skill 5和Skill 6完成多视角检验和输出。第一轮我会直接发Skill 1模板。AI会给我一个不带术语的基本印象比如“递归就是函数在执行过程中调用自己”还会用“排队时后面的人要等前面的人先处理完”这种生活例子。此时我不急着记笔记反而要求它再给一个一句话总结这句话就是我后面所有理解的锚点。第二轮我对基本印象满意之后接着发Skill 2模板。让AI给出“俄罗斯套娃”和“照镜子”两个类比同时明确说出边界。这个时候我的脑子里开始有画面了一个函数像套娃一样一层层打开每一层都在等着下一层的结果回来。这里我会特别注意AI说的“终止条件”部分因为在任何类比里终止条件都是最容易失真的一环。第三轮开始拆结构。发Skill 3模板让AI把“递归”拆成三个台阶“理解函数如何调用自己”“理解结束条件为什么必须有”“理解一次完整调用的执行顺序”。我只深入第一步确认自己能用语言说出来再回复“继续”。这样一步步走基本上不会出现“整节课听完但中间某个关键点压根没跟上”的情况。第四轮用Skill 4来验证边界。我让AI给我三组对比案例故意先猜规则再由它揭晓。这一步通常会让我发现一个误解我之前以为所有循环结构都算递归经过正反例对比后才发现递归强调的是“调用自身”而普通循环强调的只是“重复执行”两者在实现机制上差别很大。这个认知如果没有这一步是不会凭空长出来的。第五轮进入多视角对话。用Skill 5让AI扮演“老师、学生、评委”三人组。听它“抬杠”的过程我会特别注意学生提出的每一个质疑因为这些质疑很可能正是我心里模糊的地方。等到评委总结完之后我会把评委的结论跟前面几轮的笔记对照一遍看看有没有矛盾或需要补充的点。第六轮也是我认为最关键的收尾环节用Skill 6做一次费曼检验。我关掉前面所有的长回答自己凭记忆写一段对“递归”的解释然后让AI当严格检验员。我第一轮解释经常会被指出“没说清楚递归时每一层正在等待返回值”这个问题。这个缺口解释得越具体说明我学到的东西越深入。最后我还会做一个小动作把这一轮对话中AI给出的“一句话总结”复制到备忘录里隔两天再看一眼试着用这句话重新展开整个概念。你能展开多少基本就代表你真正内化了多少。这套组合流程最大的优点是每一个环节都有明确的任务不会变成漫无目的的聊天。如果你觉得六步太多可以把第3步拆解和第5步多视角合并至少保留“建立直觉、判断边界、自我检验”这三件事。这三件事做完一个陌生知识就已经不是“刚认识”了而是“确实入了门”。4. 用AI学习最容易踩的6个坑顺便附上排查方法用了大半年时间我在这个领域踩过的坑不算少逐个整理出来希望对你有用。第一个坑类比跑偏。AI打的比方很生动但生动不代表准确。最常见的情况是类比只覆盖了概念的80%剩下20%恰好是关键部分。排查方法很简单任何类比出来之后一定追加一句“这个类比哪里不像真实的这个概念”。如果AI说不出来说明它在硬套换个角度重新打比方。第二个坑角色扮演太空洞。很多人会让AI扮演“一个老师”结果回复内容和普通问答几乎没区别。原因在于“老师”这个身份太宽AI只能按照角色模板泛泛而谈。排查方法是把身份改成带具体行为约束的角色比如“一个喜欢用生活例子、每讲一个术语必须立刻停下来的耐心老师”这样AI才会真的有行为上的变化。第三个坑提问太宽。“给我讲讲递归”这一句话能触发一大堆标准解释信息量大到你根本分不清重点。排查方法是先明确你的起点和终点比如“我还分不清递归和循环的区别请围绕这个差别展开”。问题越具体AI的答案越可能落在你的最近发展区里。第四个坑AI太自信。AI在讲到自己不熟悉的领域时依然习惯保持自信的语气偶尔还会给出看起来严谨但实际有瑕疵的细节。排查方法是交叉验证同一个知识点换两种方式问或者让AI自己列一个“最容易出错的地方”并且要求它指出自己刚才回答里可能不严谨之处。让AI做自检确实不是万能的但至少能增加一层保险。第五个坑对话上下文太长。一次会话从头聊到尾AI前面说过的话会影响后面的回答到第四五轮时它可能已经开始重复前面的说法甚至前后矛盾。排查方法是每完成一个阶段的主题就新建一个会话把这个阶段的“一句话总结”复制到下一轮提示词里作为新的锚点。这个习惯对长周期学习特别重要。第六个坑只学不练。哪怕把前五个坑全避开只让AI不停给你讲知识依然是别人的。这是我观察到的最大误区很多人误以为“我读懂了AI的回答”等于“我掌握了这个知识”。实际上读懂和能输出之间有巨大差距。排查方法就是第六个Skill每学完一个话题关掉聊天记录先自己讲一遍让AI检验。两三轮之后你会明显感觉到知识开始长在自己身上了。把这些坑整理成一张速查表方便你之后对照现象典型表现一句话解法类比跑偏比喻很生动关键特性对不上强制要求AI说明“哪里不像”角色空洞扮演老师但回答毫无差别给角色加具体行为约束和任务提问太宽答案面面俱到学完记不住先指明你的起点和想解决的具体差别自信幻觉AI说得头头是道细节可能出错换问法交叉验证或要求AI自检上下文污染聊到后面回答开始重复、前后矛盾按阶段新开会话用一句话总结做锚点只学不练眼睛会了一张嘴就卡壳关掉记录自己讲出来让AI挑刺5. 几个我后来一直在用的收尾习惯最后分享一些我自己的使用习惯这些不是标准答案只是我个人实践下来的感受。第一个习惯每个新知识一定以“给一个外行解释一遍”作为最终收尾动作。不管中间用了几种技巧只要最后没有完成这一步我心里就没底。这个习惯最开始很花时间后来速度越来越快因为知识有锚点之后重新展开非常快。第二个习惯永远不要把AI当成“唯一权威”。我会拿它当陪练、当检查员但遇到涉及事实细节的知识我依然会要求它补充信息来源或者换一种问法验证。它有时候像一位知识超级广博但偶尔也会糊涂的同伴和同伴交流跟查权威资料是两回事你得心里有数。第三个习惯善用“一句话总结”作为记忆钩子。无论对话多长我最后都会让AI强制输出三句话以内无术语的版本然后把它存在笔记里。隔两三天再看到那句话我会尝试不看记录地把整个知识展开。能展开说明还在脑子里展开不了就回炉再讲一轮。我经常跟朋友讲这6个Skills本质上不是提示词模板而是一种把学习主动权拿回来的思考方式。AI到底能不能说人话很大程度上取决于你有没有教会它怎么说人话。你越是具体地告诉它“我希望你现在站的位置、面对的听众、要达到的目的”它就越能真正服务于你的学习而不是甩给你一大堆看似正确、实则让人更迷茫的内容。把主动权握在自己手里剩下的就是一次次刻意练习了。 
长河君 · 2026/10/13 20:20:17 · 阅读 1.2k 用AI学知识总记不住？6个提示词技能让AI不说废话只说人话
1. 先承认一件挺尴尬的事AI很博学但它经常说“正确的废话”我身边不少朋友开始用AI学习的时候第一步几乎都是同一个动作打开对话框敲一句“给我讲讲XX概念”然后AI秒回一大段结构工整、术语密集的说明。读的时候觉得每一句都对合上屏幕一想什么也没留下。过了两天再遇到同样的词脑子里只剩一团雾。为什么会这样我自己的体会是AI默认情况下给出的答案是“标准答案”标准答案的特点是完整、准确、面面俱到但恰恰缺少了人类学习最需要的东西——脚手架。我们学一个新知识靠的是先搭一个粗糙的、能落地的直觉框架再慢慢往里填细节。而AI一上来就把所有细节都倒给你信息密度太高大脑直接过载。所以我后来很少问“给我讲讲XX”这种问题了。我开始把提示词当成一种对话方式逐渐沉淀出6个我自己每天都在用的Skills。它们的共同目标只有一个让AI不说标准答案而是说人话真正帮我碎片化地、可检验地把知识学明白。这6个Skills分别是Skill 1 费曼入门式让AI把知识点降到小学水平。Skill 2 生活打比方把抽象概念搬进你熟悉的场景。Skill 3 拆沙袋式追问把大块头知识切成小粒度。Skill 4 正反样例对比用例子和反例划清边界。Skill 5 身份扮演让老师讲、学生问、评委判。Skill 6 费曼检验你来讲AI来挑刺。你可以把这六招当成一套完整的学习协议也可以单独拿出来用。接下来我会逐个拆解并且给出可以直接复制的提示词模板。为了让你看得更直观本文所有示例统一用“递归”这个概念做演示因为它足够经典、也足够抽象最能看出这几个Skill之间的差别。2. 6个Skills逐个拆解每个都能直接上手2.1 Skill 1 费曼入门式开局先请一个“完全没概念的小朋友”先讲原理。费曼技巧的核心是如果你不能用简单的语言把一个概念讲清楚你其实并没有真正理解它。放到AI对话里这个技巧可以反过来用——不是你给AI讲而是让AI用“最简版本”讲给你听。很多知识你之所以学不明白不是因为AI讲得不够多而是因为AI默认用同领域专家的口吻跟你说话。术语套术语形成了一堵你看得见字、却看不见意思的墙。所以Skill 1的要点就一句话在提示词里显式地指定“听众”的认知水平。注意这个“听众”不能写“用通俗的语言”那样太模糊AI不知道通俗到什么程度。要写具体的人设比如“八岁小孩”“完全没接触过编程的朋友”“刚上高中的学生”。人设越具体AI的降维程度越可预期。直接给一个可以复制的模板请用给一个完全没接触过编程的小白讲课的口吻向我解释“递归”。 规则 1. 每一步解释都先给一个生活直觉不急着下定义 2. 只能用不超过10个专业术语每个术语第一次出现时都要立刻用一句话解释 3. 讲完后用3句话做一次总结这3句话里不准出现任何专业术语。这个模板看起来简单但有两个容易被忽略的细节。第一它没有让AI省略内容只让AI换一种表达顺序——先直觉后定义。第二它额外限制了“总结句不能有术语”这一步会迫使AI把整段话重新压缩一遍压缩过程中常常会把最核心的直觉提炼出来而这恰恰是你真正需要记住的东西。我实测下来的感觉是比起“给我通俗地讲讲递归”这个模板得到的回答基本上可以直接当口头复述的素材用。如果你时间紧张只打算用这6个Skills里的一个那就用这一个。2.2 Skill 2 生活打比方把抽象概念搬进你熟悉的场景但别忽略边界第二种情况是你其实已经听懂了字面意思但大脑里没有画面知识像悬在半空。这时候需要的就是类比。人类学习新知识最本能的方式就是“这个像什么”——把新概念嫁接在已经理解的东西上。Skill 2的用法是在Skill 1之后追加一条类比指令。关键是不要只让AI“打个比方”要让AI主动交代这个类比的边界。这一点我踩过很深的坑因为类比的危险在于看似严丝合缝实际上总有一两个关键特性对不上。如果AI不说清楚哪里不像你很容易把错误的地方也记下来。实用模板请为“递归”设计两个不同的生活化类比。要求 1. 第一个类比给出正面效果第二个类比考验某个极端情况 2. 对每个类比明确指出在这个类比里哪些部分和递归的真实特性是对应的哪些部分是不对应的 3. 最后告诉我如果只记住这个类比最容易产生哪种误解。拿递归来说常见的类比如“俄罗斯套娃”。AI会说打开一个娃娃发现里面还有一个更小的娃娃这个过程和递归的“函数调用自身”很像。但套娃的“结束条件”是固定的——最里面总有最后一个小娃娃而递归的结束条件是你自己写的写错了就可能永远套不完。这个差异如果不点出来你可能会误以为递归天然会终止其实恰恰相反。另一个我常用的类比方向是“照镜子”——两面镜子对着放里面会出现无限重影。这个类比的好处是能让人一下子感受到“无穷自相似”的直觉坏处是容易让人觉得递归很酷、很玄却不知道实际写代码时怎么收手。所以每次让AI打比方我都会强制追加一句“哪里不像”这句话才是这个Skill里真正值钱的部分。2.3 Skill 3 拆沙袋式追问把大块头知识切到一口能吃下去第三个Skill针对的是那种“每个字都认识但整体太大”的知识。越是抽象、体系庞大的概念越不适合一次性灌进来。比如递归它可以在一分钟之内讲完“自己调用自己”但真正要掌握的其实是三件事结构上怎么拆、结束条件怎么定、调用栈怎么回溯。这三件事混在一起讲新手必然晕。这个Skill的思路借鉴了一个笨办法如果知识是一袋50斤的沙子你先别想着一次性扛起来而是分成五小袋一袋一袋扛。对应到AI对话里就是让AI先把整个知识地图列出来再只选其中一个点深入讲完一个确认一个确认通过再进入下一个。我暂时理解不了“递归”的全部内容。请把它拆成3个台阶式的小步骤每步难度递增。 只做两件事 1. 先把这3个步骤的标题列出来 2. 只展开讲解第1步讲完停住。 每次我回复“继续”后你再讲下一步。每一步最后给我一道自测题我先口头回答你来判断是否达到进入下一步的水平。这个模板的关键变化是把讲解节奏的控制权从AI交回给你自己。你没有必要向AI证明你在某个进度上你只对自己负责。我通常会在第三步加上“如果我没有通过自测请你变一种方式再讲一遍”这样AI不会一味向前推进而是会在你卡住的地方自动循环。拆得够小才可能有针对性有针对性才不会出现“听了半小时发现自己从头就漏了”的挫败感。2.4 Skill 4 正反样例对比边界比定义更重要接下来这个Skill是我认为最容易拉开学习效果差距的一个。原因很简单定义描述的是“是什么”但你在实际场景里遇到最多的是“这算不算”——也就是判断边界。与其背定义不如多看几个正例和反例从例子反推规律再回到定义去验证。这个思路有点像学认蘑菇。如果你只看教科书上的“毒蘑菇长这样”到了野外还是会认错但如果你同时看过“看起来很像毒蘑菇但其实能吃”的那几种边界就一下子清晰了。递归学习里最经典的边界是“递归”和“迭代”的区别、或者“无限递归”和“普通递归”的区别。只看定义很容易混看两组成对例子就特别清晰。提示词模板请针对“递归”给我3组对比案例。要求 1. 每组包含一个正面例子和一个“长得像递归、但其实不是”的迷惑例子 2. 先不要告诉我任何结论只把6个案例摆出来让我自己试着概括规律 3. 我给出我的猜测后你再公布正确答案并逐条指出我猜对和猜错的地方。这个模板比“请给我举几个递归的例子”高级在什么地方它强制加入了一个“先说答案再揭晓”的环节。先让大脑参与一轮猜测之后再看到正确结论记忆留下的痕迹会深得多。而且AI纠正你的错误判断时它会非常具体地对比到底哪个特征才是判据。这种“以判断代替记忆”的学习方式换到任何一个知识领域都适用。2.5 Skill 5 身份扮演把AI轮流变成老师、学生和裁判第五个Skill比较有表演成分但效果很实在。同一段知识从不同身份的人的嘴里说出来信息筛选的粒度完全不同。老师会讲道理学生专挑毛病裁判只做仲裁——三个视角加起来基本能覆盖一个概念的大多数盲区。不客气地说很多人用角色扮演只是图个乐让AI扮演个“某某达人”然后照旧让它输出一大段这样其实浪费了这个功能。真正有效的角色扮演必须满足两个条件一是每个角色都有明确的“任务”二是整个过程中要有一个最终汇总的角色。我常用的三人组是老师负责把话说圆学生负责用最刁钻的问题找出话里的漏洞评委负责判定批评是否成立并输出结论。请用三个身份依次解读“递归” 身份1一位擅长用生活例子讲清概念的耐心老师 身份2一位学习很认真但特别喜欢抬杠的初学者学生会针对老师的每一句话提出质疑 身份3一位只认逻辑的评委负责判断学生的质疑是否成立。 请先让老师和学生对话三轮最后由评委用10句话以内总结哪些质疑有效哪些是误解正确理解应该是什么。我试过几次后最大的收获是AI扮演“抬杠学生”时经常会问出我自己根本没想到的问题。比如“递归的结束条件如果永远不满足程序会怎样”“每一层调用的时候中间变量都放在哪了”。这些问题虽然刁钻但每一个都指向真实理解中的缺口。把疑虑暴露出来再让评委收口你会发现自己对知识点的掌握比单纯听讲要扎实很多。2.6 Skill 6 费曼检验把话筒递给你让AI当最严格的听众最后这个Skill是整个流程里最不能省的一步。前面五个Skills都是在让AI把知识喂给你喂得再香也不等于你消化了。真正的“学明白”是你能够用自己的语言、没有任何参考地讲出来而且听的人还能听懂。这一步在认知科学里叫“输出式学习”在实践里就是费曼技巧本尊。具体做法是你把自己对某个概念的理解输入给AI要求AI不要做任何无意义的夸奖只做“挑刺”。这个设定的关键点在于绝大多数人不敢把解释发给别人听怕露怯。但AI没有面子问题你可以安心地让它碾压你。碾压之后你只需要重构解释再发给它挑刺两三轮之后你对这块知识的掌握会有一个非常直观的提升。下面是我对“递归”的理解我会按我的方式讲一遍。请你扮演严格的检验员 1. 第一步先指出我解释里所有逻辑跳跃、术语使用错误或例子不恰当的地方 2. 第二步给我的解释清晰度打分0到10并说明扣分点 3. 第三步告诉我如果换作你来讲你会怎么修改我的表达顺序。 注意禁止说“理解得不错”“很棒”这类客套话你的唯一任务是让我讲得更好。我习惯把它放在每天学习的最后。如果一段知识没法解释到让AI挑不出大毛病我基本可以断定自己还没真正弄懂。很多人问我用什么标准判断“学会了”我的标准就是能不能在三十秒内用大白话把这个概念讲给一个不看提示的人听。AI检验员只是把这个标准流程化、严格化了。3. 组合打法把6个Skills串成一次完整的知识学习单独会用每个Skill当然很好但这六者组合起来威力更大。我举个例子完整走一遍从零开始学“递归”的流程你可以把它替换成任何你正在学的陌生概念。我先说整体框架总时长控制在30分钟到40分钟。前十分钟用Skill 1和Skill 2建立直觉中间十分钟用Skill 3和Skill 4细化结构和边界最后十分钟用Skill 5和Skill 6完成多视角检验和输出。第一轮我会直接发Skill 1模板。AI会给我一个不带术语的基本印象比如“递归就是函数在执行过程中调用自己”还会用“排队时后面的人要等前面的人先处理完”这种生活例子。此时我不急着记笔记反而要求它再给一个一句话总结这句话就是我后面所有理解的锚点。第二轮我对基本印象满意之后接着发Skill 2模板。让AI给出“俄罗斯套娃”和“照镜子”两个类比同时明确说出边界。这个时候我的脑子里开始有画面了一个函数像套娃一样一层层打开每一层都在等着下一层的结果回来。这里我会特别注意AI说的“终止条件”部分因为在任何类比里终止条件都是最容易失真的一环。第三轮开始拆结构。发Skill 3模板让AI把“递归”拆成三个台阶“理解函数如何调用自己”“理解结束条件为什么必须有”“理解一次完整调用的执行顺序”。我只深入第一步确认自己能用语言说出来再回复“继续”。这样一步步走基本上不会出现“整节课听完但中间某个关键点压根没跟上”的情况。第四轮用Skill 4来验证边界。我让AI给我三组对比案例故意先猜规则再由它揭晓。这一步通常会让我发现一个误解我之前以为所有循环结构都算递归经过正反例对比后才发现递归强调的是“调用自身”而普通循环强调的只是“重复执行”两者在实现机制上差别很大。这个认知如果没有这一步是不会凭空长出来的。第五轮进入多视角对话。用Skill 5让AI扮演“老师、学生、评委”三人组。听它“抬杠”的过程我会特别注意学生提出的每一个质疑因为这些质疑很可能正是我心里模糊的地方。等到评委总结完之后我会把评委的结论跟前面几轮的笔记对照一遍看看有没有矛盾或需要补充的点。第六轮也是我认为最关键的收尾环节用Skill 6做一次费曼检验。我关掉前面所有的长回答自己凭记忆写一段对“递归”的解释然后让AI当严格检验员。我第一轮解释经常会被指出“没说清楚递归时每一层正在等待返回值”这个问题。这个缺口解释得越具体说明我学到的东西越深入。最后我还会做一个小动作把这一轮对话中AI给出的“一句话总结”复制到备忘录里隔两天再看一眼试着用这句话重新展开整个概念。你能展开多少基本就代表你真正内化了多少。这套组合流程最大的优点是每一个环节都有明确的任务不会变成漫无目的的聊天。如果你觉得六步太多可以把第3步拆解和第5步多视角合并至少保留“建立直觉、判断边界、自我检验”这三件事。这三件事做完一个陌生知识就已经不是“刚认识”了而是“确实入了门”。4. 用AI学习最容易踩的6个坑顺便附上排查方法用了大半年时间我在这个领域踩过的坑不算少逐个整理出来希望对你有用。第一个坑类比跑偏。AI打的比方很生动但生动不代表准确。最常见的情况是类比只覆盖了概念的80%剩下20%恰好是关键部分。排查方法很简单任何类比出来之后一定追加一句“这个类比哪里不像真实的这个概念”。如果AI说不出来说明它在硬套换个角度重新打比方。第二个坑角色扮演太空洞。很多人会让AI扮演“一个老师”结果回复内容和普通问答几乎没区别。原因在于“老师”这个身份太宽AI只能按照角色模板泛泛而谈。排查方法是把身份改成带具体行为约束的角色比如“一个喜欢用生活例子、每讲一个术语必须立刻停下来的耐心老师”这样AI才会真的有行为上的变化。第三个坑提问太宽。“给我讲讲递归”这一句话能触发一大堆标准解释信息量大到你根本分不清重点。排查方法是先明确你的起点和终点比如“我还分不清递归和循环的区别请围绕这个差别展开”。问题越具体AI的答案越可能落在你的最近发展区里。第四个坑AI太自信。AI在讲到自己不熟悉的领域时依然习惯保持自信的语气偶尔还会给出看起来严谨但实际有瑕疵的细节。排查方法是交叉验证同一个知识点换两种方式问或者让AI自己列一个“最容易出错的地方”并且要求它指出自己刚才回答里可能不严谨之处。让AI做自检确实不是万能的但至少能增加一层保险。第五个坑对话上下文太长。一次会话从头聊到尾AI前面说过的话会影响后面的回答到第四五轮时它可能已经开始重复前面的说法甚至前后矛盾。排查方法是每完成一个阶段的主题就新建一个会话把这个阶段的“一句话总结”复制到下一轮提示词里作为新的锚点。这个习惯对长周期学习特别重要。第六个坑只学不练。哪怕把前五个坑全避开只让AI不停给你讲知识依然是别人的。这是我观察到的最大误区很多人误以为“我读懂了AI的回答”等于“我掌握了这个知识”。实际上读懂和能输出之间有巨大差距。排查方法就是第六个Skill每学完一个话题关掉聊天记录先自己讲一遍让AI检验。两三轮之后你会明显感觉到知识开始长在自己身上了。把这些坑整理成一张速查表方便你之后对照现象典型表现一句话解法类比跑偏比喻很生动关键特性对不上强制要求AI说明“哪里不像”角色空洞扮演老师但回答毫无差别给角色加具体行为约束和任务提问太宽答案面面俱到学完记不住先指明你的起点和想解决的具体差别自信幻觉AI说得头头是道细节可能出错换问法交叉验证或要求AI自检上下文污染聊到后面回答开始重复、前后矛盾按阶段新开会话用一句话总结做锚点只学不练眼睛会了一张嘴就卡壳关掉记录自己讲出来让AI挑刺5. 几个我后来一直在用的收尾习惯最后分享一些我自己的使用习惯这些不是标准答案只是我个人实践下来的感受。第一个习惯每个新知识一定以“给一个外行解释一遍”作为最终收尾动作。不管中间用了几种技巧只要最后没有完成这一步我心里就没底。这个习惯最开始很花时间后来速度越来越快因为知识有锚点之后重新展开非常快。第二个习惯永远不要把AI当成“唯一权威”。我会拿它当陪练、当检查员但遇到涉及事实细节的知识我依然会要求它补充信息来源或者换一种问法验证。它有时候像一位知识超级广博但偶尔也会糊涂的同伴和同伴交流跟查权威资料是两回事你得心里有数。第三个习惯善用“一句话总结”作为记忆钩子。无论对话多长我最后都会让AI强制输出三句话以内无术语的版本然后把它存在笔记里。隔两三天再看到那句话我会尝试不看记录地把整个知识展开。能展开说明还在脑子里展开不了就回炉再讲一轮。我经常跟朋友讲这6个Skills本质上不是提示词模板而是一种把学习主动权拿回来的思考方式。AI到底能不能说人话很大程度上取决于你有没有教会它怎么说人话。你越是具体地告诉它“我希望你现在站的位置、面对的听众、要达到的目的”它就越能真正服务于你的学习而不是甩给你一大堆看似正确、实则让人更迷茫的内容。把主动权握在自己手里剩下的就是一次次刻意练习了。