把“给我答案”改成“一起把问题弄懂”
学习时最容易出现的错觉,是读懂了模型写出的解释,就以为自己会了。真正的理解通常要经过几次来回:先听一个解释,换自己的话复述,做一道题,遇到错误,再回去找原因。AI 可以参与每一步,但如果每次卡住都让它直接交出最终结果,过程就被跳过去了。
可以这样开始:“我在学 X,这是我现在的理解……请先指出我理解里可能错的地方,不要直接给完整答案。然后给我一个小练习,等我回答后再反馈。”这不是什么神奇提示词,只是把学习目标说清楚,并把自己留在学习过程里。
对程序员而言,可以把每次使用都变成一次小型代码评审:模型做了什么假设?输入边界是什么?异常路径有没有覆盖?依赖和权限有没有增加?测试是真的覆盖行为,还是只让代码看起来绿了?这样的提问比“请优化一下”更能让我们参与结果。
对程序员来说,验证就是学习的一部分
让 AI 解释代码后,自己沿着调用链读一遍;让它改代码后,检查差异、跑测试、观察边界条件;让它给架构建议后,拿现有约束逐条比较。验证不是对工具不信任,而是工程工作本来就需要证据。
更重要的是问自己:我能向同事解释这段实现吗?系统出错时,我知道从哪里排查吗?我理解它改动了哪些数据、权限和接口吗?如果答案是否定的,代码可能“能运行”,但我还没有真正学会它。把不懂的部分标出来,正是下一轮学习的入口。
把模型当陪练,不把它当成绩单
AI 能很快回答,所以它也很容易变成新的比较工具:谁用得更熟、谁一天做得更多、谁的作品更炫。这样会把学习再次变成竞争。我们可以试着把它当陪练:它帮你提供解释、反馈和重复练习,你仍然决定学什么、怎样判断进步。
学习不必每次都产出可展示的东西。有些时候,花半小时终于理解一个旧系统里的边界条件,就是实在的进步。可以保留自己的学习记录:今天我能解释什么、还不确定什么、下一次想验证什么。这样比收藏一堆 AI 生成的总结,更接近能力真正发生的地方。
学习也需要不依赖模型的时间。面对一个问题,先试着自己画出调用关系或写下推测,再请 AI 给反例;先做一遍,再看另一种做法。不是为了证明人比模型强,而是为了保留自己建立理解的过程。就像计算器没有让数学失去意义,关键在于我们是否知道问题、条件和结果之间的关系。
还可以请 AI 扮演不同的练习对象:先让它只当提问者,逼你讲清概念;再让它当代码审查者,指出可能的边界问题;最后让它当初学者,看看你的解释是否能让人听懂。角色只是对话方式,不是专家认证,所以反馈仍要拿事实和实践来检验。
每个人都可以为自己设一条“停下来”的线:涉及生产环境、隐私、支付、安全或健康的内容,模型意见不能直接当作执行依据;自己无法解释的改动,先不要合并;不确定来源的事实,继续查证。边界不会削弱 AI 的价值,反而让我们更放心地把它用在适合的地方。