27 / 48
使用 AI 学习一切
我叫韩先凯，也叫离谱。很多人先通过英语学习认识我，后来读到我做软件、开餐饮、经历公司失败、身体失序，又重新回到技术和 AI 的故事。今天我更愿意把 AI 当成一套学习基础设施，而不是一个替我思考的按钮。
这套方法来自一个不太体面的事实：回答可以很完整，产品却可能没有用户；代码可以运行，数据和安全却可能没有地基；一个人可以在聊天里显得很聪明，关闭对话后却不能独立完成任务。真正的学习结果必须在 AI 退出之后仍然存在：你能解释、判断、完成、迁移，并留下别人可以检查的证据。
需要把一次 AI 协作变成重复任务时，继续读AI 工作流实操；准备比较版本或对外交付时，用AI 评测记录保留失败、人工修改与成本。
面对不断出现的新工具，可以先读 AI 趋势与学习路线：区分已经观察到的能力、供应商的陈述和自己的预测，再选一个值得验证的变化。你不需要追上每次发布，需要的是逐渐形成自己的选择标准。
本章速览
- 先定义真实结果，再决定 AI 介入哪一步；
- 用无 AI 基线、辅助版本和延迟独立复测区分学习与代做；
- 把来源、权限、隐私、成本和责任写进任务边界；
- 会话结束时保存状态，让下一次工作不依赖聊天记忆。
先看清这套方法从哪里来
下面的内容是作者个人记录，不是研究结论，也不是给所有人的成功保证。每个案例都按四步阅读：发生了什么、当时哪里判断错了、形成什么原则、今天可以做什么练习。
如果你要分析一篇公开报道、一次 AI 项目经历或自己的失败记录，可以先复制AI 经历案例复盘模板，把来源、事实、判断、结果和可迁移原则分开。模板不能替你证明结果，但能防止叙事在不知不觉中变成结论。
2015–2016：从无处可去到真实用户
我曾因为实习和毕业手续受挫回到老家。2016 年开始折腾电影网站 bt0.com，后来接网站设计的单子。它不是什么宏大产品，却有真实用户、真实反馈和真实的使用痕迹。
当时最容易犯的错，是把“我能写出来”当成“别人需要它”。真正改变判断的不是又学了一门技术，而是有人使用、评价，甚至因为某个细节离开。
原则：学习从真实问题开始，作品比收藏的答案更能暴露缺口。
今天的练习：选一个身边人确实遇到的问题，先不用 AI 写一页解决方案，写下受众、动作、完成标准和你不知道的三件事。
2017–2022：从前端重构到组织与产品约束
2017 年我进入一家为律师和律所服务的软件公司，从普通前端开发做到部门负责人、总经理和合伙人。早期产品来自外包，需求反复变化；后来我主导 Vue 重构，但产品发版后很长时间没有开单。
这段经历让我知道，努力、重构和功能数量都不能替代需求治理、用户验证和团队协作。一个人学会写代码，不代表组织已经学会交付。
原则：学习目标要写成真实任务，而不是“了解某主题”；每一步都要有受众和验收标准。
今天的练习：把“学习产品经理”改写成“在 45 分钟内为一个真实用户写出一页需求简报，并让对方指出一个不成立的假设”。
2022：把搜索和预设结果误认为 AI
2022 年软件销量断崖式下降。高中同桌加入后，我们才看见项目结构老旧、性能和安全存在问题，所谓“大数据”和“AI”能力也没有真正的数据集和训练基础，部分功能本质上只是搜索与预设结果。
我们把很多精力放在 UI、多端适配和功能堆叠上，却没有先确认核心能力和数据是否真实存在。公司最终解散，亏损和歉疚都不能靠更漂亮的演示消失。
原则：演示效果不等于能力，模型回答不等于事实，生成速度不等于交付质量。关键结论必须回到来源、测试、用户和责任人。
今天的练习：让 AI 对一个熟悉主题生成解释；然后不用聊天记录，自己写出来源、反例、未知项和一个能推翻它的测试。不能写出的部分就是学习缺口。
2023：失败以后先恢复可行动性
公司失败后，我关闭 GitHub，退出许多群，沉迷游戏，身体和生活都失去边界。回老家以后，真正的第一步不是再开一家公司，而是重新吃饭、睡觉、出门、面对过去，并把事情缩小到今天能完成的尺度。
原则：学习系统必须考虑精力、健康和现实责任。连续执行比短期用力重要，低谷中也不应把“完成宏大逆转”当成验收标准。
今天的练习：只安排 5–15 分钟，完成一项可保存的动作：整理一页笔记、运行一个测试、听一段材料或写三句话，然后记录实际完成情况，不用计划掩盖没有行动。
2026：重新进入 AI 与实体产业
2026 年我以中国词元云计算有限公司董事长的身份重新进入技术、企业服务和实体产业的实践，探索把 AI 接入农、林、牧、渔等真实场景，并计划为农村合作社提供免费的基础培训。这是实践方向和个人计划，不是已经证明的收入、客户数量或效果。
原则：AI 最终要进入真实流程，接受成本、权限、隐私、用户反馈、故障和回滚的约束。
今天的练习：选择一个真实组织的问题，写出数据从哪里来、谁能看、什么结果算通过、失败如何停止，以及你愿意承担的人工责任。
七步闭环：先做事，再谈提示词
- 定义真实结果：写清场景、受众、动作、截止时间和验收标准。
- 保存无 AI 基线：先独立做一次，暴露知识缺口和判断盲点。
- 准备可信材料：优先官方文档、教材、论文、数据、现有代码和真实案例。
- 设计引导练习：让 AI 提问、解释、比较、提示和生成平行题，不代替关键步骤。
- 主动产出：关闭材料后解释、编码、写作、计算、演示或做决定。
- 通过多源反馈：AI 只是一个意见；来源、测试、专家、用户和安全审查共同判断。
- 更新状态：保存作品、错误、成本、未决问题和下一项最小任务。
缺少第 1 步，AI 会把愿望包装成答案；缺少第 2 步，你不知道能力是否增长；缺少第 6、7 步，错误会在下一次对话里重复。
学习 AI，先弄懂五个层次
“使用 AI 学习”和“学习怎样构建 AI 应用”可以相互促进，却需要不同的练习。前者先保护自己的回忆、理解和表达；后者还要解释数据怎样进入系统、工具怎样执行、结果怎样被验证。可以用下面的层次定位问题，不必一开始就训练模型。
| 层次 | 要能用自己的话解释 | 一项能留下证据的练习 |
|---|---|---|
| 模型与输出 | 回答受输入与生成过程影响；流畅不等于真实 | 找出一个熟悉问题的错误答案，保存反证 |
| 上下文与检索 | 上下文是本次提供的材料；检索是找出相关材料再交给模型 | 用三页公开文档回答问题，每条结论标到原文位置 |
| 结构与工具 | 输出符合字段格式，不代表字段真实；提出工具调用，不代表动作已完成 | 检查缺字段、错误数字和工具失败三种情况 |
| 工作流与评测 | 步骤、权限、失败处理和验收共同决定系统是否可用 | 比较人工与 AI 流程，并保留失败和总耗时 |
| 学习与迁移 | 有工具时的成品质量，与自己的独立能力要分别衡量 | 三到七天后换一个条件，不看旧答案重做 |
检索增强生成（RAG）通常在回答前引入检索到的材料；微调则通过训练改变模型参数。它们解决的问题不同。资料更新、缺少出处或检索范围错误，应先检查材料与检索；不能指望微调自动赋予最新事实、引用真实性或操作权限。先能说明失败在哪一层，再决定需要什么技术。
上述概念区别可参见 IBM 的 RAG 与微调说明（2024-08-14 发布，2026-10-03 核验）。表中的练习和排查顺序是本指南的教学设计，不是该来源对学习效果的保证。
不写代码的读者也可以完成这些练习：材料用文件夹管理，过程用表格记录，检查由自己或真实读者完成。准备进入开发时，再学习接口、结构化输出、工具调用和测试；每增加一个概念，就让它解决一个已经遇到的问题。
一页任务简报
先复制完整的AI 任务简报到自己的私有项目目录。下面是最小字段；敏感资料先脱敏，不把密码、证件、客户记录或第三方隐私直接交给通用模型。
# AI Task Brief
真实场景：
使用者/受众：
要完成的决策或动作：
截止时间：
已知事实与来源：
允许使用的文件：
数据敏感等级：公开 / 内部 / 机密 / 受限
明确不提供的材料：
最终交付物：
格式与长度：
验收标准：
必须由人确认的事项：
AI 可以做：
AI 不可以做：
人工审阅者：
失败时如何回滚或停止：“体验好”“架构先进”“学会 AI”都不是验收标准。把它写成可观察的动作，例如“用户能在 10 分钟内完成一次导入，并看到一份可以解释的错误报告”。
一次会话的最小协议
开始前，让 AI 只做边界复述：
请用不超过 8 条要点复述目标、受众、输入、验收标准、限制、未知项和你无法确认的内容。
列出准备使用的来源。没有来源的事实标记为待核验。
先不要生成最终交付，先指出最可能导致返工的 3 个风险。进行中，每次只推进一个可检查的切片：
把任务拆成最小可验证切片。每次只推进一个切片，并说明输入、假设、改动、检查方式和下一步。
如果前提冲突，暂停并提问，不要悄悄替换需求。保留失败方案和原因。结束时生成状态更新，而不是一篇漂亮总结：
根据本次实际完成内容输出：
1. 已完成与证据位置；
2. 已被来源、测试或人工确认的判断；
3. 仍会重复的错误、风险和未决问题；
4. 下一项最小任务、完成标准和需要的材料。
不要声称记得其他会话，也不要把推断写成事实。不同输出需要不同证据
| 输出 | 最低证据 | 更强证据 |
|---|---|---|
| 解释 | 原始来源、关键术语、不确定项 | 闭卷复述、反例、迁移题 |
| 代码 | 运行结果、基本测试 | 边界测试、静态检查、安全审查、真实样例 |
| 研究 | 重要事实的原始链接 | 多源核验、数据口径、发布日期、反例 |
| 文稿 | 受众、目的、事实、结构 | 真实读者反馈、修订记录、版本比较 |
| 决策 | 选项、假设、成本、风险 | 小规模试验、决策日志、事后复盘 |
| 教学 | 学习目标、练习结果 | 独立迁移、延迟复测、错误变化 |
对高风险内容，写“尚未确认”比把流畅猜测写成事实更专业。
三次对照：证明 AI 帮了什么
用AI 学习记录为同一个任务至少留下三份样本：
- 无 AI 基线：先独立完成，记录用时、质量、卡点和信心；
- AI 辅助版：只让 AI 做约定的工作，记录提示、来源、采纳与拒绝的建议，以及返工；
- 延迟独立版：间隔 3–7 天，关闭聊天和答案，换一个相近条件重新完成。
| 对照结果 | 更谨慎的解释 |
|---|---|
| 辅助版与独立版都变好 | AI 可能提供了有效脚手架，能力有机会留下 |
| 辅助版变好，独立版退步 | 成品改善了，但关键步骤可能被外包 |
| 时间变短，返工和错误变多 | 获得了速度，却积累了“速度债” |
| 信心变高，事实准确度不变或下降 | 需要先校准信心，再增加工具权限 |
至少记录任务完成、质量、独立表现、返工、成本和迁移五项。一次对照不能证明因果，但比“感觉 AI 很有用”更接近可复查的判断。
常见失控与交接
| 失控点 | 现场信号 | 立即动作 |
|---|---|---|
| 编造事实 | 找不到原文、版本或数据位置 | 暂停传播，回到一手来源并标记未核验 |
| 需求漂移 | 回答越来越完整，却不再回答原任务 | 重新粘贴任务简报，要求列出冲突和未知项 |
| 隐私泄露 | 输入包含客户、身份、医疗或密钥信息 | 停止上传，脱敏或改用获批准的环境 |
| 假完成 | 代码能运行但没有边界测试，文章能读但没有引用 | 按验收标准做最小测试，不接受流畅作为完成 |
| 会话依赖 | 离开聊天就无法解释下一步 | 把结果写入AI 学习记录和学习状态 |
交接时至少保存：当前目标、已完成与证据位置、仍未确认的事实、错误与风险、成本、下一项最小任务和停止/回滚条件。聊天窗口只是临时工作区，不是项目的唯一档案。
从学习到项目交付
当任务进入代码或团队项目，增加三道门：
- 能解释：没有聊天记录，负责人能说明关键决定和限制；
- 能测试：真实输入、边界情况、权限和失败路径都有检查；
- 能回滚：出现数据风险、供应商中断或质量下降时，知道谁暂停、如何通知、怎样恢复。
项目目录可以使用：
00-brief/ 任务简报和验收标准
01-baseline/ 无 AI 样本和初始测试
02-sources/ 原始资料、许可和来源索引
03-working/ 草稿、实验和提示词
04-output/ 可交付版本、录音或构建产物
05-feedback/ 用户反馈和错误分类
06-decisions/ 决策日志和未决问题
07-operations/ 权限、监控、部署和回滚
learning-state.md数据、隐私与版权
| 等级 | 示例 | 默认处理 |
|---|---|---|
| 公开 | 已发布文档、公开代码、公开数据 | 核对来源和许可证后使用 |
| 内部 | 未发布计划、流程、非敏感日志 | 只用组织批准的工具，限制成员和留存周期 |
| 机密 | 客户资料、合同、商业策略、未公开漏洞 | 未获明确批准不上传，优先本地处理或脱敏 |
| 受限 | 密钥、身份/医疗资料、儿童数据、第三方隐私 | 不进入通用模型，遵守组织政策和适用法律 |
删除文件不等于删除历史、共享链接、导出、缓存和备份。公开文章也可能包含个人信息；先确认授权、最少必要范围和删除期限。
7 天、30 天、12 周
7 天：完成一个可复现微交付
- 写任务简报和验收标准；
- 保存无 AI 基线；
- 用七步闭环完成一个 1–3 小时交付物；
- 保存来源、提示、测试、反馈和状态更新；
- 写下 AI 帮了什么、误导了什么、撤掉后还能做什么。
30 天：建立一套重复工作流
- 对同类任务完成四次闭环；
- 比较时间、质量、返工、成本和独立表现；
- 删除不能改善结果的步骤；
- 做一次失败复盘，而不只展示成功案例。
12 周：交付给真实用户或组织
- 每 2–4 周邀请真实受众反馈；
- 完成事实、测试、安全、隐私、版权、成本和交接检查；
- 导出材料与状态，写一页复盘和下一周期决策；
- 证据不足时缩小问题、改变对象或停止，不用更多提示词掩盖缺口。
把三次对照和周期结果放入九十日行动总表，下一周期只改变一个变量。
来源与核验说明
- 个人经历：主要来自 我的故事、创业篇 和 作者项目与现实实践，属于作者个人记录，不是普遍规律。
- 产品信息：使用 用 AI 学英语 中列出的官方帮助页；功能、地区和套餐会变化。
- 项目现状：中国词元云、
token.love、公开文章和实体产业计划均有利益关系或待验证范围，不能当作独立测评或收入证明。 - 上次核验日期：2026-10-03。产品功能和项目现状仍需在实际使用前重新检查；本次新增的 AI 概念来源见正文和归属登记。
结语：把能力留在人身上
AI 最容易制造的，不只是错误答案，还有一种过早的完成感。解释很流畅，代码能够运行，计划已经排好，我们便以为问题被真正理解了。可答案出现的速度，常常快过判断形成的速度。
一次学习如果值得继续，结束时应该留下聊天记录带不走的东西：一个更准确的问题，一条能够追溯的来源，一次失败的测试，一个被证据改变的判断，一件别人能够使用的作品，以及在工具关闭以后仍然知道怎样往下做的人。
学习不是让 AI 替你抵达，而是借它走到原本看不见的地方，再亲自确认脚下是什么。关闭窗口，向一个真实的人解释，完成下一步，并承担结果。能力若能跟着你离开对话，它才真正留了下来。