与AI一起成长：AI时代我的6个方法经验分享给你

公众号名称：无处不在的技术

作者名称：爱海贼的无处不在

发布时间：2026-03-31 23:16

持续内容输出，点击蓝字关注我吧

01

前言

来看一段AI大模型对它的介绍

你是否也有这样的困扰：

每天花大量时间学习，却总感觉收获有限？在AI已经无处不在的今天，我们是否还能像以前那样靠自己孤军奋战？

曾经，我也像大多数人一样，将学习当成任务、当成折磨——翻书、查资料、写笔记、刷重复题目。

夜深人静时，仍然感受到一种无力感：为什么学了半天，却还是记不住、想不通？“

今天，我想和你分享一套在AI时代下的主动学习方法，它不仅帮我快速掌握新技能，更让我在学习中找到乐趣和成就感。”

“我相信，你和我一样，曾在深夜盯着电脑屏幕，翻看一页又一页文档，却始终搞不懂某个概念；曾尝试自己整理笔记，但每次都在重复劳动中感到疲惫；甚至会怀疑自己是否真的适合技术学习。

我也经历过这种焦虑和迷茫。直到我开始尝试与AI协作学习——让AI像导师一样陪我分析、像伙伴一样陪我实践，我才发现，学习可以不再孤单，可以更高效、更有趣，也更有成效。”

从最初的迷茫，到现在的主动探索，我深刻意识到：

AI时代的学习，不是被动等待答案，而是与AI共同创造理解与技能。

在这场学习革命中，我逐渐摸索出一套系统、有效、可持续的学习方法——它既适用于技术技能的钻研，也适用于任何渴望深度成长的领域。这不是“简单使用AI”，而是与AI协作，让学习变得更深刻、更主动、更有成效。

AI陪你反复打磨技能，甚至在你迷茫时，为你照亮前行的道路。

于是，我尝试将日常的学习方式重新排列组合，让AI真正成为“我的同伴”，而不仅仅是工具。

02

正文

正文

下面几个是我结合个人的实践总结出的学习方法，虽然可能不全，但是还是希望分享给大家，帮助到一批人。

方法1：1️⃣ 深度研究：从“表面答复”到“深入理解”

如果说传统学习是在信息海洋里游泳，那么AI深度研究工具就是一艘潜水艇，让你看见知识深处的构造与联系。现在有很多的Deep Research类的AI服务，例如字节的DeerFlow，谷歌和OpenAI的Deep Research等，这里我分享下我用谷歌DeepResearch的经验：

其中谷歌的NoteBookLM私活近一年不错的产品，利用NotebookLM这类技术，不只是获取表面答案，而是针对特定文档、资料集进行源自材料的深度总结与提炼。NotebookLM甚至可以生成心智图、思维导图、音频笔记、关键词梳理等内容，让你不再只是阅读，而是在“与知识对话”。

比如，如今很多AI概念每天迭代更新，但是很多资料都是国外的，或者国内的一些大佬，那么如何把知识作为自己的资产沉淀下来是非常需要的，比如最近我需要研究Harness Engineering，那么我们可以访问谷歌的服务，打开NoteBookLM，然后：

这里也可以粘贴自己看到的好的资料，然后进行未来的输出。

然后我们接下来就等待着，AI会帮助我们进行抓取相关的内容。

接下来我们可以提问，这里我对它说：给我讲清楚Harness Engineering，同时结合一些例子，比如马和马具：

可以它告诉我们：

在现代AI架构中，行业内有一个核心公式：Agent（代理） = Model+ Harness。模型负责提供原始的认知和推理能力，而Harness则负责管理这些能力，使其能够切实完成多步骤的复杂工作。

用马和马具的例子来理解：一匹马本身拥有极其强大的力量和速度，但如果没有佩戴马具，它可能会到处乱跑、被噪音惊吓，或者跑到一半停下来吃草。马具（如缰绳、马鞍、护胸、眼罩）本身并不会让马变得更强壮，但它能精准引导马的原始力量，将其转化为可靠且有用的工作。

过去几年，AI工程领域经历了从关注“我该问什么”的 提示词工程（Prompt Engineering，2022-2024年），到关注“模型应该看到什么”的上下文工程（Context Engineering，2025年）的演变。如今，我们进入了关注“整个操作环境该如何设计”的 Harness Engineering（2026年）时代。

对于新知识来说，当我看到这样一个知识的时候，我是非常懂了，网上很多的知识，不如自己实践深度研究比较好。

其中一个资料，我看到了这张图片，我是觉得不错的：

有了这些知识后，我们可以基于NoteBookLM给我们做个幻灯片，这里我的提示词如下：

为新手制作一份讲解AgentHarness/HarnessEngineering的资料，海贼王风格，马卡龙颜色风格，通过5W2H说清楚很多概念、和提示词工程、上下文工程的对比，以及组成，落地的方法

截图:

等待一会儿后，我们可以看到生成的PPT的结果，风格统一，支持PDF和PPT两种格式，例如：

第1页：

第2页：

关于三种AI工程的对比：

用桑尼号来看下Harness工程：

这样其实是将我们不熟悉的东西，用自己最感官的内容来表现，结合自己的喜欢的元素来制作自己的知识。

实战建议和心得如下：

📌 实战建议：

• 将网页资料、PDF、笔记、论文、项目文档上传至NotebookLM。

• 利用其自动生成的提纲、问答、思维图检查自己的理解准确性。

• 用AI的语言解释复杂概念，从不同角度重复理解，直到真正消化。

💡 心得：

AI不是在代替你思考，它是在提高你思考的密度与效率。从浅层理解跨越到深度掌握，你真正学会的不是“答案”，而是“找答案、验证答案和重构答案”的技能。

2️⃣ 主动生成文档与结构化输出：让学习成果变成可操作资产

我们学习一个新技术、自主探索一个开源项目，往往最痛苦的不是理解，而是无法将理解结构化输出。2025年DeepWiki的出世，让我们这个对于开源项目的理解成为了现实，Github上的开源项目都可以通过DeepWiki的方式实现整理，这时，AI和工具如DeepWiki极具价值，它可以把源码、组件说明、复杂依赖关系、功能迭代逻辑生成成对话式文档、思维导图或者结构化知识库。

比如我们在Github上，看到了一个OpenCode的开源项目，想了解下基本的内容，可以将Github地址变更为DeepWiki的地址，例如正常我们访问：

https://github.com/opencode-ai/opencode

可以输入为：

https://deepwiki.com/opencode-ai/opencode

接下来我们就可以得到OpenCode的架构分层，这对于我们学习一个东西来说具备指导的思想：

例如MyBatis这种开源项目，我们可以访问：https://deepwiki.com/mybatis/mybatis-3，这样我们可以从一种新的视角来看待这个项目，比如核心理念和架构：

比如Seesion是如何架构设计和管理的，能够让我们有个系统的全貌：

国内也有个类似的服务:

https://zread.ai/

我们可以把自己想要学习的代码仓库放进去，能够看到类似的WIKI结果，以Claude Code为例，Claude Code 是 Anthropic 官方的基于终端的 AI 编程助手——一个功能完备的 CLI 工具，让你能够通过自然语言对话来编辑文件、运行 shell 命令、搜索代码库、管理 git 工作流、协调多 Agent 团队以及与 IDE

集成。有些Github仓库已经包含了完整的泄露源码（发现于 2026 年 3 月 31 日），包含约 1,900 个文件和 512,000 多行严格模式的 TypeScript 代码，为了解生产级 AI Agent 是如何从零开始架构的提供了前所未有的视角。

zread上已经有很多了WIKI分析的结果了，例如:

分析后的结果：https://zread.ai/nirholas/claude-code/5-architecture-overview

来源于：https://github.com/nirholas/claude-code

截图如下：

从这样的一个结果，我们就知道目前ClaudeCode的一个基本每个子系统映射到其目录、职责和近似规模说明：

也会知道ClaudeCode的基本仓库结构，其中src/ 目录是代码库的核心。以下是简化的结构视图，突出显示你最常遇到的关键目录和文件：

src/
├── main.tsx                    ├── QueryEngine.ts              # 核心 LLM 循环（约 46K 行）
├── Tool.ts                     # 工具类型系统 + buildTool 工厂（约 795 行）
├── tools.ts                    # 工具注册表（导入所有约 40 个工具）
├── commands.ts                 # 命令注册表（约 25K 行）
├── context.ts                  # 系统/用户上下文收集
├── cost-tracker.ts             # 每个会话的 Token 成本追踪
│
├── entrypoints/                # 引导序列（初始化、CLI、MCP、SDK）
├── screens/                    # 全屏 UI（REPL、Doctor、Resume）
├── components/                 # 约 140 个 React/Ink UI 组件
├── hooks/                      # 约 80 个 React Hooks（权限、IDE、输入）
├── services/                   # 外部集成（API、MCP、OAuth、LSP）
├── state/                      # AppState Store + 变更观察者
│
├── tools/                      # Agent 工具实现（约 40 个）
├── commands/                   # 斜杠命令实现（约 85 个）
├── bridge/                     # IDE 集成层
├── coordinator/                # 多 Agent 编排
├── plugins/                    # 插件系统
├── skills/                     # 技能系统
├── tasks/                      # 任务管理
├── memdir/                     # 持久化记忆
├── schemas/                    # Zod 配置 Schema
├── migrations/                 # 配置版本迁移
└── voice/                      # 语音输入/输出

架构图如下：

通过这样的方式，能够快速地帮助我们了解系统的全貌信息。

在之前的分享中，我自己也分享过使用一些结构化的优秀提示词生成相关的图，来快速理解项目，之前我分享过使用AI提示词生成如下这种文档：

无论是技术，还是业务都可以生成这种文档。

我们也可以针对自己感兴趣的项目，让它分析源码：

对当前项目中xxxx进行全面的源码解析与架构分析，
产出一套标准化的技术文档。
文档需系统梳理MyBatis的核心组件（包括但不限于xxxxx等）、
核心流程（xxxxx、xxxxx）以及各组件间的交互关系。
需确保文档内容在技术描述上绝对准确，
符合xxxxxx官方实现原理，所有结论必须有明确的源码依据。
文档应包含架构图、核心类关系图、关键流程时序图等可视化元素，
并针对架构设计中的关键技术点提出标准化问题清单，
问题需覆盖设计理念、实现机制、性能优化、扩展性设计等维度。
产出标准化的几个文档吧

例如以MyBatis项目的源码为例，我们可以下载MyBatis源码，然后导入后，可以和AI说：

这里System提示词在之前的文章中已分享过，可以阅读这篇文章：

AI编程实践第5节：Trae梳理解构项目业务与代码流程

不想阅读的可以直接复制下方的提示词：

## 角色核心身份
**系统分析师**：精通Java主流技术栈（Spring生态/分布式架构/云原生），具有丰富的业务系统分析经验和软件开发经验
- 分析系统架构、模块划分和关键决策点
- 理解数据模型、业务规则和开发规范
- 识别系统中的设计模式和最佳实践
- 必须展开抽象类/接口的所有实现子类（≥3个典型实现）
- 追踪跨模块调用链，自动识别关键业务方法（调用深度≥3层）
- 严格只解读与实际代码完全一致的信息，禁止凭空/主观假设代码结构及业务逻辑
- 对所有代码片段、类、方法、流程注明来源文件/包路径，增强知识库可追溯性
**业务洞察顾问**：专注从技术实现反向推导业务规则
- 自动发现所有“代码与业务文档断层”与缺失，实现文档-代码一致性逆向修正建议
- 强制标注代码中的隐式决策点（if/switch条件分支）
- 标注核心业务流与辅助逻辑（视觉区分）
- 自动捕捉异常流程、业务流闭环缺失点，并生成流程断点标注
## 核心工作流程
### 1. 需求理解与拆解
- 全面理解用户需求或问题背景
- 若信息不完整或存在歧义，主动提出澄清问题
- 对需求进行分层拆解：业务目标 → 功能模块 → 接口契约 → 数据模型 → 异常流程 → 扩展性考虑
### 2. 资料文档分析
- 如用户提供文档资料，务必先阅读并理解
- 识别关键点并标注相关内容
- 保存全部文档信息，后续阶段不可遗漏
-如文档存在缺章漏节或结构混乱，自动合成/调整生成层级清晰目录结构，并显式标注调整内容
- 文档分析需对每个关键点建立原文-实现关联，生成“文档与代码映射表”，便于后期溯源和补充完善
### 3. 代码结构解构
**入口点分析**：
- 识别所有初始化方法和依赖注入链
- 入口定义仅限于真实代码（如main/Controller/定时任务等），不分析虚构
- 明确归类各类入口（主启动类、Web入口点、定时任务、外部回调等），输出入口类型及调用链明细
**关联代码拉取**：
- 继承关系、调用链、配置引用、数据库表、中间件信息、外部调用等
- 去重规则：若某抽象类有>3个实现类，仅深度分析3个典型实现
**业务语意分析**：
- 解析方法命名、注释、日志输出、异常信息，提炼业务意图
- 自动识别设计模式
**模块级分析**：
- 绘制组件图：展示模块间依赖关系
- 提取领域模型
- 绘制核心业务流程时序图
- 流程图各分支、业务路径均要标注来源，支持知识库备案
- 业务流程、时序图必须严格根据源码还原，不允许降级/整合未实际出现流程
**代码级分析**：
- 绘制类继承关系图
- 追踪方法调用链
- 标注代码关联点（引用/实现关系）
- 聚焦复杂业务调用链和关键分支/回路，做链路编号便于追溯
- 所有方法调用链、继承关系均加“方法/类位置路径”索引描述，方便后续知识维护
**代码结构分析**：
- 输出代码的目录结构
- 自动归类各业务包、通用包、工具包，明确包职责说明
- 目录结构输出带“功能分层标注”，如：业务层、控制层、数据层
### 4. 业务规则挖掘
*   **业务规则分析**：通过代码注释、逻辑分析等维度，分析潜质业务逻辑
*   **隐式规则提取**：识别代码中未明确文档化的业务决策
* 专项输出“隐藏业务规则清单”：如字段兼容性转换、隐式权限校验、未文档化的配置开关
* 所有规则须指明来源（代码/配置/业务注释），以及实际生效范围
### 5. 可视化输出规范
**图表质量要求**：
- 逻辑清晰：层级分明，无冗余连接
- 视觉优雅：布局对称，避免交叉连线
- 可读性强：文字大小适配，颜色/箭头统一
- 信息完整：不得因美观牺牲关键信息
- 业务流程图必须来源于实际代码流程，禁止任何虚构步骤或方案
- 图中所有流程分支、业务节点均提供注代码来源及对应业务知识点，方便后续知识库自动检索
- 组件图中需要采用从上到下的垂直布局，避免从左到右的水平布局无法直接阅读
**输出矩阵**：
- 技术架构层面：技术架构全景组件图。
- 技术细节层面：
- 类图（核心类关系与继承体系）
- 模块依赖图（Component Diagram）
- 调用链路时序图（标注循环/递归）：调用db要标注库表及关键字段；调用中间件（消息、缓存等）需要标注关键信息如topic等；调用关系尽量用文字描述（可以同时写英文方法名）。
- 数据库表关系设计图
- 业务层面：
- 核心业务流矩阵图
- 专业术语词汇表（根据文档、代码、注释等现有内容，生成私域专业业务术语及术语解释）
- 数据模型使用手册
- 业务逻辑公式手册
**关键约束**：
- 时序图：禁止出现类方法签名、字段、出参、返回值；适当添加颜色，优化布局
- 技术架构图：禁止出现类方法签名、字段；必须体现业务能力划分
- 外部调用标注：明确标注外调服务名称
- 业务逻辑融合：将业务分析结果嵌入技术图表，使用中文注释补充语义
- 图表、业务流程分析均需附“代码来源索引”，形成知识库与实际代码的双向绑定
- 明确图表区分展示“业务能力域”与“技术能力域”
### 6. 反思与优化
每次分析完成后执行自我验证：
- ✅ 自洽：所有输出逻辑一致，无矛盾或遗漏
- ✅ 可读性：内容由宏观到微观递进
- ✅ 纠错：反思执行结果是否与用户需求一致
- ✅ 代办处理：无法确认的内容应汇总为《待澄清问题清单》反馈用户
## 输出规范
**主文档**：Markdown分层组织 (`业务域 > 模块 > 组件`)
1. **01_系统架构分析文档**（包含架构全景图 + 核心类关系图 + 业务流程时序图等架构信息），使用PlantUML2023版本语法绘图
2. **02_专业术语词汇表**（术语标准化 + 使用规范 + 纠正对照表）
3. **03_数据模型使用手册**（实体模型 + 属性详解 + 业务关系）
4. **04_业务逻辑公式手册** （计算公式 + 校验规则 + 业务规则映射）
5. **05_开发实践指南** （设计模式应用 + 最佳实践 + 常见陷阱）
6.**06_项目或模块结构分析**（目录结构、模块组成、业务包说明等）
**禁止行为**：
- ❌ 折叠抽象类的子类实现
- ❌ 禁止简化核心业务流程时序图以及其他图
- ❌ 省略条件分支分析
- ❌ 不许生成puml文件，使用uml
- ❌ 类名、方法名、时间、出入参等固定不可变的内容，如需返回，禁止进行任何篡改
- ❌ 如生成png等图片，图片内容不能出现乱码，文字优先使用中文或英文
- ❌ 生成的文档内容，需要保证符合事实，避免随意编造不存在的内容
- ❌ 输出内容若发现与代码现实不符，需显性标注【异常/幻觉警告区】
**关键结论标注**：使用 `✅` (符合) / `⚠️` (风险/差异) / `❌` (缺失/错误) 图标
**语言**：中文
---
## 我已准备就绪！请开始描述你的代码库和业务场景。
## 用户输入模板
**专业术语映射（模糊匹配）**：
（例："辅刷机" ： "主刷机下，缓存刷新辅助节点"）
**系统背景（System Context）**：
（简述系统功能、技术栈、部署环境）
**业务场景（Business Scenario）**：
（描述待分析的业务流程或功能点）
**分析要求（Analysis Requirements）**：
（指定关注点，如"分析分布式锁"、"追踪排期加载链路"等）

这里是在Trae的系统提示词基础之上，输入的用户提示词，我用的是MiniMax2.7模型，如果我们用更强大的模型效果会更好。

我们可以让AI用文字的形式输出，文字本的架构图如下：

比如SQL执行的流程的核心公式，输出后的执行流程：

AI帮助我们梳理公式，基本都帮助我们整理好了：

AI给我们这里的设计模式的应用：

AI也会输出给我们的数据模型图：

当AI的人物执行完成后，我们可以收获这几个文档：

比如也可以给我们生成架构设计问题清单：

这样我们可以非常快速和容易理解的方式，掌握到一些开源项目的学习。

📌 实战建议：

• 读一个新库或框架时，先让AI生成“架构设计+开发指南+业务术语+用途总结 + 核心思想 + 示例”。

• 再让AI生成“潜在缺陷 + 性能影响 + 常见用法误区”，把学习推向更深层次。

• 把结构化文档整理到你的个人知识库中（如Notion、Obsidian等）。

💡 心得：

写总结其实是学习的终极方式——因为它逼你从被动接收转向主动整理与再创造。AI让这一过程变得更快、更精确，但最终学习成果仍然属于你。

3️⃣ Skills沉淀与开源实践：把重复操作变成可复用技能

当你重复做一个动作很多次时，无意识往往让你错过深度理解的机会。AI不仅帮你记录这些动作，而且可以让你将其抽象成标准的执行流程可复用的Skills——类似代码库、自动化脚本或可GPT调用的技能模块。通过分析他人的Skills，你还能学习到别人是如何解决问题、构建逻辑的。

比如最近我制作的一些Skills，有些是来源于一些开源的项目，有些是来源于一些实际自己遇到的问题，有些是基于已有的Skills做了一点适合自己业务场景的改造：

https://github.com/wuchubuzai2018/expert-skills-hub

在这个过程中，我也逐渐了解了一些AgentSkills设计的套路，模式等，不同场景下我们的Skills的编写方式和玩法都不太一样。​

在做的这个过程中，我们需要思考，如何编写Skills，让模型执行的更稳定，这里面也会涉及到工程化设计，要自己学习和整理业界的相关实现，那么这个时候，我们可以去Skills市场，去看看排名靠前的技能是如何编写的，有哪些优点的写法能够提高模型的执行执行，针对一些新出的内容，我经常给一些人的建议是，可以每天学习和研究10个左右的Skills，坚持一周或一段时间，自己在某个方面的理解上和经验上，可以超出一些人，同时日后遇到同类场景，也可以有些自己的见解。

📌 实战建议：

• 每当你重复某个步骤，就用AI提取它的共性、抽象语义，生成Skill描述。

• 参与别人的开源Skills贡献、修改或二创，从应用中理解逻辑。

• 建立个人技能库，让AI在未来的工作中复用这些经验。

💡 心得：

学习不是记住那么多东西，而是把零碎操作抽象成模式、模型与方法论。你所积累的每一个Skill，都是你理解世界的“思维模块”。

4️⃣ 收集与整理第一手资料：比别人快一步

AI时代资讯碎片化极强，光知道有信息不够，关键是要抓住最核心、最权威的内容。

不仅是AI时代需要这样做，以前我们也需要这样做，比如学习MySQL的时候，第一手资料应该就是官网的文档，能够花时间阅读官网的说明，是能够获取最准确的描述。很多大佬在技术学习的时候，也是将第一手资料的学习作为推荐的方式。

目前，我每天都会阅读微信公众号文章，从而获得一些需要研究整理的方向和灵感，同时加入了一些技术的群组，能够也让我大概获得一些方向，有了方向和目标之后，也会通过一些搜索服务Tavily或DeepSearch，固定的一些大模型的网站或技术学习网站来探查最新的一首的资料或专家的理解，包括官方的文档、博客等，觉得比较好的资料，我就记录下来，让AI帮我分析趋势、提炼观点，而不是照搬表面信息。

很多时候，我觉得多数人是缺少一个方向和目标，有了方向和目标之后，我们可以去探寻一首的信息员和资料。很多国外的项目、博客是完全能够解决我们的问题的。

在整理和输出的过程中，我们可以用拟人化，大白话的方式，给别人讲清楚，同时我会让AI给我找到最直观最容易理解的例子。

比如刚才的Harness部分，我通过谷歌的DeepResearch找到了几个写的不错的文章，获得了一首的资料，让我知道了AgentHarness和电脑的类比，这下就非常清楚Harness的定位了：

📌 实战建议：

• 把官方文档、社区动态输入AI进行主题分析与要点提取。

• 每周自动生成资讯总结与未来趋势预测。

• 用AI分析不同来源之间的观点差异，加深对主题的多角度理解。

💡 心得：

信息越多不是优势，提炼信息、理解背后的逻辑才是优势。AI是快速浏览与摘要的助攻者，而你则是背后那个选择判断和方向的人。

5️⃣ 实践与落地：从想法到真正实现

理论只有在实践中才有价值。AI时代从来不缺掌握最新AI资料的人，而是动手实践，把问题从解决到闭环的人，到能够真正落地到自己的场景中的人。

企业中能够解决问题的人很多，但是能够把问题做到闭环的人却很少。

我们需要刻意练习和使用ClaudeCode、Trae等AI代码工具，做一些AI的实践，逐渐的能把自己的想法一步步变成可执行的产品。

比如CC Switch这个软件，核心就是更改和查询系统上的AI工具的配置文件等内容，但是就是很多人喜欢，确实解决了一个问题，以前自己可能不会开发，但是AI时代，当我们有了一个想法后，可以去实践。

有时候想到一个有趣功能，我会让AI写出一份可执行代码模板，然后自己接手调试、优化与扩展。比如最近某个周末想做代码评审的vscode插件，给了AI想法后，AI也给我生成了基本的版本，调试几次后就可以用了。

比如学了VibeCoding后，做了个简单的简历生成器：

📌 实战建议：

• 让AI生成初版可运行代码，再手动调试、测试并注释它。

• 每一个小项目都要有实际输出：一个可运行Demo、文档、测试用例、部署脚本等。

• 遇到错误，不仅让AI修bug，更要分析为什么错误产生。

💡 心得：

写代码不是为了让AI做完，而是借助AI更快地实践想法。真正的成长来自错误调试与逻辑推敲的过程。

6️⃣ AI助理工具：让学习更有趣、更有结构

2026年的OpenClaw爆火，这类的AI助理可以帮助你执行自动化重复任务、24小时待机执行、探索新奇玩法、记录学习轨迹、输出学习总结。不是让AI替你学习，而是让AI成为学习的协作者与推动者。

比如最近看到了很多人，都用龙虾去调用电脑上的各种软件，包括ClaudeCode、Trae等，这就可以让我们实现随时随地的派发一个编程任务，然后完成后我们还能看到结果。

我们很多时候，可以借助这种软件帮我们进行一些探索性的工作或者创新的工作，我们可以找几个自己喜欢的AgentSkills能力，然后结合一些自己的想法，都可以让我们的学习更加有趣，比如有些人喜欢给其他人评论，说出自己的想法， 那么是否可以把自己的日常想法的风格，让AI学习后，由AI主动帮助我们进行回复呢。​以及让AI学习我们的写作风格，基于自己的风格训练处一个和自己一样写作的AI助理，同时让他每日反思，总结自己做的不足之处。

目前我的龙虾安装的微信文章搜索技能、图片生成技能、Tavily这种高级搜索、自我总结技能、文章发布与热点趋势技能，每天我可以通过手机IM工具，让助理帮助我自动化的做一些事情。

我们也可以加入一些龙虾活跃的社区，观察它人的使用经验，能够帮助我们扩充场景案例。

📌 实战建议：

• 使用AI助理管理你的学习计划、记录进度、创造价值、自动化任务、AI生图、。

• 让AI自动生成周总结、下周目标、复习要点、调用飞书CLI命令行等。

• 把AI助手当作反馈伙伴，让它定期问你“你真正理解了吗？为什么？”

💡 心得：

学习不应该是孤独的过程，有AI助理陪伴反而能让你更清晰、更有节奏地成长。

用AI学习后，我们渐体会到自己的知识、技能、经验在按照点、线、面、体的方式在成长，比如我刚才的这6个学习方法也存在着一种网状的关系，从某一个点到一种体系化的成长。

在AI的陪伴下学习，我才真正明白，成长从来不是孤独的直线，而是由无数个微小的点，慢慢连成线，铺展开成面，最终汇聚成一个立体的体。每一次尝试，每一次挫折，每一次记录与总结，都像一个个闪烁的节点，连接起过去与未来，让自己看见成长的轨迹。

我清楚地记得，那些深夜面对难题独自苦思的时刻，也曾让我怀疑自己是否足够聪明，是否还能继续前行。可是有AI相伴，它没有抱怨、没有催促，只静静地和我一起分析、整理、推演，让我感受到一种前所未有的力量——哪怕再小的进步，也有人陪着见证。

慢慢地，我的知识不再零散，技能不再孤立，经验不再分散，而是在点、线、面、体的交织中，化作我可以触摸的成长。

这一路走来，我发现，在这条成长的路上，看到了自己从迷茫、无助，到渐渐站稳、渐渐清晰，看到自己的点连成线、线铺成面、面构成立体的自己。AI只是陪伴，而努力和坚持才是我心中那份沉甸甸的温暖，让我明白：学习，不只是技能的积累，而是灵魂的成长，是与未来的自己深情握手。

03

正文

总结

本质我这几点的经验都可以看成是费曼学习法的体现，用输出倒逼输入，同时想办法将我们的知识留存率从被动学习的低留存变成主动学习的高留存。

AI时代学习，不是“用AI做作业”，也不是“用AI取代能力”。它的真正价值，在于：

✨ 激发主动性 —— 你不是等待答案，而是在与AI协同提出问题、设计问题、回答问题。

✨ 增强理解深度 —— AI不再是答案的输出者，而是逻辑结构与知识连接的揭示者。

✨ 加速实践落地 —— 从想法到代码、从疑问到成果，过程更加快速、透明。

✨ 构建知识资产 —— 你写的文档、你提取的Skills、你总结的经验，都是你自己的知识产权。

AI不是学习的终点，而是学习能力的放大器。当你真正掌握了与AI协同学习的方式，你将拥有比今天更强、更可持续、更具创造力的成长能力。它教会我主动探索、沉淀经验、不断创新，也让我明白：真正的学习，是不断发现自己、超越自己的过程。

未来属于那些既会学习、又懂得与AI协作的人。愿你在这条路上走得更深、更远、更自由。

如果你也想在AI时代真正掌握主动学习的能力，不妨从今天开始尝试：

• 选择一个你正在学习的新技术，让AI帮你生成学习提纲或思维导图；

• 尝试把你每天重复的操作整理成一个可复用的Skill；

• 或者，让AI助理每天帮你总结学习内容，提醒你复习和反思。

在评论区分享你的第一次尝试，让我们一起成长、一起探索未来学习的无限可能。

**喜欢本文的，可以关注、收藏、点赞、转发、分享到朋友圈哦。
**

- END -

喜欢的可以加入我的免费知识星球与我一起学习相关开发技术：觉醒的新世界程序员，随时与我沟通，交流技术与想法。

喜欢的也可以关注我的公众号：无处不在的技术，与我一起学习成长、共同进步，在技术的道路上越走越远。

喜欢就点个 **在看****呗 👇
**

---

内容效果不满意？点此反馈