分享我这两年学习 AI 的方法和思考（上篇）

怎么学习 AI ？

我自己学习 AI 的核心方法就一条：Learning by Doing（干中学）。

我最开始更新 Cursor 系列视频的时候，就是边做小工具、小项目边学。因为只有放在真实的项目中，才会遇到真正的问题。遇到问题了，才有机会去解决问题。我 24 年学 AI Coding 时就遇到各种卡点，当时模型还没那么智能，Python、Node.js、Git 这些前置的开发环境都得自己去解决。我的编程基础知识就是那时候积累起来的。

学 AI 更像是像学骑马、游泳这类偏技能型的知识，而不是学语文、哲学这种偏陈述性的知识。你需要真的骑到马上去感受，真的泡在水里划拉。如果只是看网上的骑马、游泳教程，是永远学不会怎么在马上保持平稳，在水里做到不呛水的。

同样的，你在网上看各种 AI 教程，或者报各种 AI 课程—— UP 主/老师演示一遍，每一步都丝滑流畅，你觉得「我会了」。但那是 UP 主/老师的能力，不是你的。

而且他们演示的内容，很可能是他们试过很多遍之后给你的最终版，甚至是他们默认你已经了解前置条件后给出的简略版。你没自己实际动手去试，永远不知道真实情况到底是怎样的。

所以，看 AI 教程 ≠ 学会用 AI。 要让这条不等式变成等式的唯一方法，就是动手：看到一个 AI 工具、工作流技巧，就在自己的真实任务里跑一遍。跑通了，才是你的；没跑或者没跑通，就只是看过。

甚至现在都不需要看市面上 90% 的 AI 教程，因为 Claude Code、Codex、Grok Bot、Workbuddy 这些 AI 工具已经很强了，你完全可以边做边问 AI。这就是 Learning by Doing。

如果你还想把这种 Learning 做得更扎实，最好的方法就是 Learn in Public（公开学）。它可以说是费曼学习法在 AI 时代的升级版。

费曼学习法的核心，就是「以教为学」。你写一篇文章、录一条视频、发一个 Skill——这些东西要接触现实，要被人看、被人用，真问题才会出现：读者会问倒你，用户会用到你没想的场景，代码会在边缘情况崩给你看……

我自己这两年最大的转变，就是从「系统学习」切换到「干中学」、「公开学」——不再追求先把知识地图画全，而是让真实任务牵引着学，用到哪学到哪，学完就做沉淀和输出。

选哪个 AI 模块学？

有了 Learning by Doing 这条心法后，基本就能很自然找到自己的 AI 学习的方向或模块了。我会落到大家最常问的两个问题：

1. 需要先学基础知识再动手吗？

如果你已经 get 到了 Learning by Doing 的精髓，那答案是显而易见的：不需要。

先上项目，卡住了，再精准补基础。

传统的学习顺序（包括现在不少学校里也还是这样）是「先打地基再盖楼」。这个顺序在 AI 时代有两个致命问题：第一，基础知识的范围无限大，你永远觉得「还没准备好」，于是一直没开始。第二，脱离项目学的基础，没有应用场景挂着，学完就忘，等于白学。

我见过太多人卡在这一步：想学 AI 编程，然后先预设和加强了自己「不是程序员」、「不是开发出身」的标签，然后就迟迟没动手；还有的是先去看 Python 教程，从数据结构看到操作系统，几个月过去，课看了一半，项目一行代码没写。

这不是学习，是用「学习的姿态」逃避「动手的恐惧」。

有圈友可能会问，你说不用现学基础知识，但你在知识星球更新的恰恰就有基础知识，这冲突吗？

不冲突。其实我在星球里几乎反复提过一个观点：AI 用的越深，基础知识的重要性就愈发凸显。

大家其实应该也有感觉，就是 AI 刚上手的时候，你觉得它咋这么能呢。但真拿它干活干久了，或者你想要用它实现更好的效果时，你就会发现：怎么自己指挥 AI 越来越费劲了。

这是因为需要个人判断的地方越来越多，而你，越来越难给出这些判断了。这些判断力，就是从基础知识来的。

举几个不同领域的例子，你一看就明白了。

先说编程。

举个很多 AI 编程新手都踩过的坑：让 AI 帮你接一个第三方 API，代码跑通了，功能没问题，你一高兴就上线了。结果没过几天，API 账单爆了——因为 AI 把密钥直接写在了前端代码里，而前端代码对所有人公开，密钥被人扫走拿去刷了。

而懂基础的人验收时会本能地检查：有没有硬编码密钥？这种安全常识，就是编程基础的一部分。所以我才在星球里开了「AI 编程-基础篇」专栏，其中一章写的就是“AI编程中的安全问题与最佳实践”。

编程的基础从来不是背语法，是数据怎么流动、状态存在哪、不同方案各有什么代价。AI 一般默认给你的是「能跑就行」的方案，demo 阶段当然无所谓，但真上线就是事故。

再说设计。

你让 AI 生成一个网页，它确实能几分钟给你好几个版本，好像每个都「能看」。但你分不出哪个好。而懂设计基础的人能一眼指出：这版标题层级没拉开，按钮和正文糊在一起，用户视线没有落点。

然后他能给出精确的指令：「主色换低饱和蓝，强调色只留给按钮」。而不懂的人可能只会说「再高级一点」——AI 收到这种反馈，只能随机再赌一把。

这里的设计基础，包括对齐、对比、层级、留白这些大的原则，也包括 Toast、Chips、Slider、Onboarding 这些小的专业术语。所以我才在星球里开了「AI 设计」专栏，分享在哪里找到好的设计参考，以及怎么让非设计师和 AI 快速建立“共同语言”？

动画也一样。

现在的 AI 视频工具，生成的东西第一眼惊艳，第二眼别扭。别扭在哪？

懂动画基础的人说得出来：这个运动没有缓入缓出，人物落地瞬间少了一帧停顿，所以看起来像瞬移。然后他知道是改提示词，还是这条素材只能裁掉前几秒用。不懂的人的感受只有三个字：「怪怪的」。

AI 时代最没用的反馈就是「怪怪的」，最值钱的能力是说出怪在哪。这里的动画基础，是时间曲线、节奏、预备动作这些快一百年没过时的东西。

所以即使到现在，AI 视频工具这么好用，好的 AI 视频作品依然很稀缺（这里夹带下私货，分享我最近非常喜欢的《我在现代当幽差》，作者是@红豆稀饭中 ）

看出来了吗？三个领域是同一个规律：基础知识不是让你徒手干活的，是让你给 AI 当甲方的——它是你的验收标准。 你看不出方案的问题，你就拦不住 AI；你说不清哪里不对，AI 就没法改对。

所以「不用先学基础」和「基础很重要」一点都不矛盾。顺序上，先动手，卡住了再补；深度上，基础决定你能用 AI 走多远。

2. 工具更新那么快，要怎么跟吗？

99% 的更新不值得跟。我的建议是跟「AI 范式」，不跟「AI 工具」。

OpenClaw 就是最好的反面案例。2026 年初爆火，很多人为了部署它折腾老久，甚至还有为了它去买 Mac Mini 的。而短短几个月，几乎没人提了，甚至 8 月发布 2.0 版本，一点水花都没有。

但死掉的知识 OpenClaw 这个工具本身，不是它代表的「范式」。它背后的东西：记忆、身份、权限、工具连接、持续运行和跨设备协作等，全都沉淀进了后来的工具，如 Hermes、Workbuddy、Codex、Claude Code、Grok Bot ……

会拆范式的人和不会拆的人，看到新产品的反应会完全不同。

OpenClaw 刚出来的时候，如果用 「新概念 = 不变的底层 + 变化的增量」 这条公式去拆，就会发现它的底层依然是 Agent + Tool use 的逻辑，这个很多工具都有了；最大的增量是「跨平台连接」。

拆清楚这个，那基本就知道值不值得自己去学（除非是出于 FOMO 心态）。不会拆的人，每个新模型、新 AI 工具的出现，都会变成一份全新的焦虑。

之前在《AI 越厉害，我怎么感觉自己越疲劳？》文章，以及给圈友的回复中，也分享过类似的判断和行动方案。我一般会问自己这么几个问题：

1、新工具的出现，有带来新的「能力范式」吗？（比如以前做不到的事）

如果有，并且自己也很感兴趣，那么就花 1-2 小时亲自体验。如果没有，那就下一步：

2、它和我正在做的事（主线）有关吗？

如果有关，可以扫一眼产品内容，标记待用。如果无关，那就划走，知道有这事就行。

3、我现在用的AI工具，足以覆盖我90%的工作需求吗？

如果是，那就够了。有余力再去学习新工具。

4、有没有可能，我从一开始就不需要那个“最新最强”的工具？

比如之前圈友问我的问题，我现在用 Claude Code + opus 4.6 就已经满足日常大部分场景，那就不需要折腾 OpenClaw。记住，使用任何 AI 工具的前提都是有场景。

5、如果我停下来一周不学AI，会失去什么？

答案往往是：nothing。这种心态不是躺平，而是把有限的心力留给真正重要的事情。毕竟，AI 是工具，而你，才是使用工具的主体。

前面的回答其实都指向一句话：工具会过时，范式会沉淀，品味会复利。

3. 学习顺序：Chatbot → Agent → Workflow/Skills → 专精

如果你是 AI 纯小白，按照上面的方法依然很困惑的话，也可以按照这个学习顺序：

第一阶段：先从 Chatbot 开始。目的是直观感受不同模型的风格、能力，以及 AI 擅长什么、不擅长什么。这种体感每个人会有所差别，最好靠大量真实提问喂出来。

第二阶段：但 Chatbot 只是问答工具，Agent 才是真正能帮你干活的工具。你可以试着把 Chatbot 使用阶段发现的问题（比如 AI 对事实信息搜索、小众内容回答不佳等）丢给 Agent，看它是怎么解决的，这个过程中你大概率可能会接触到 MCP、Skills 这些工具。学习 Agent 的过程中，可以时不时回来看看星球里的 Agent 专栏，对你理解 Agent 的运行会有一定帮助。

JOTO 企业落地观察

• 企业部署AI工具时，不应陷入“工具追逐战”，而需锚定自身业务主线，将工具更新决策纳入“范式适配度”评估框架——即该工具是否承载了可复用的架构模式（如记忆管理、跨系统调用、状态持久化），而非仅关注其短期热度。
• AI时代的企业知识工程，正从静态文档库转向动态“验收标准库”。团队需将设计规范、安全红线、动画原理等隐性知识显性化、结构化，作为RAG系统的校验层，确保AI输出符合专业底线。
• “Learning by Doing”在企业场景中对应FDE（Field Deployment Engineer）驻场共创模式：工程师不预设完整方案，而是与业务方共定义最小可行任务，在交付中迭代认知、沉淀可复用的Prompt模板与验证checklist。
• 当企业发现“AI越用越累”，往往不是模型能力不足，而是缺乏对AI输出的“甲方级判断力”。这要求团队在智能体工程中，前置构建领域专家参与的验收机制，而非仅依赖自动化测试。