这是一篇脑暴留痕。2026 年 10 月 10 日中午,我和 Kimi 的一次对话,聊出了一个想做的东西。先记下来,不急着做——书还没学完,但它的雏形值得留在这里。

从一个真实的痛点说起

之前我想学什么的时候,会跟 GPT 说:我想学 XX。

它会给我列一个很长的学习计划。很完整,很专业,章节分明,循序渐进。

然后就没有了。

每一步都要靠我自己手动去执行。AI 不在旁路观测,也不会在我跑偏的时候及时指出问题所在。 计划给完,它就退场了。学没学、懂没懂、卡在哪,它一概不知。

这更像什么呢?像健身房发给你的一张训练计划表——表是好表,但没有教练站在旁边。而所有人都知道,私教的价值从来不是那张表,是在你动作变形的那一秒,有人喊停。

过去一个月,我无意中跑通了一个模式

过去一个多月,我在用手写代码的方式学大模型(从零实现 GPT)。回头看,我和 AI 之间实际发生的流程,和「要一份学习计划」完全不同:

  • 立项:先定军规——每周最低学时、几点必须睡觉、什么叫「学会了」(能复述 / 能手算 / 能造,三级标准)
  • 学:代码我自己敲,矩阵 shape 我自己推,AI 不代讲
  • 问:我带着具体疑问出击,AI 排雷,不灌输
  • 验:每学完一节,AI 出 5 道题考试。凭直觉答,允许说「我不确定」,卡住不给答案、只给提示
  • 记:没掌握的进「欠账清单」,定期回炉重考;笔记正文必须是我自己的话,AI 只能改格式
  • 交接:换对话窗口、换模型的时候,写一份交接文档,把进度、欠账、我的思维特点交给下一位「老师」

这个流程里,AI 同时扮演了三个角色:学习的伙伴、出题的老师、掌握程度的检验官。

最关键的是三条「禁令」,比「能做什么」更重要:

  1. AI 不代讲——只提问、纠错、指路
  2. AI 不代笔——笔记正文必须是学习者本人的原话
  3. AI 不客气——理解不达标就直说,不做夸夸群

2026-10-16 补记:学习不是从「读」开始

学习第六章时,又补出一个环节:阅读前先给问题。它把阅读从扫字变成了带着钩子找证据。于是学习流程从原来的「学、问、验、记」,修正成四层闭环:

  1. 学前探针:3–5 个问题,先凭直觉写一句预测;
  2. 学中对照:看书时找证据,修正自己的预测;
  3. 学后验收:再回答一组题,检验是不是只留下了短期记忆;
  4. 错处入笔记:只记录真正暴露过的问题,不抄目录。

这个环节和前置测绘不是一回事。前置测绘回答「我从哪里开始学」,学前探针回答「接下来这一节我该盯着什么」。一个定路线,一个定注意力。

对 Agent 来说,学习前的预测也要入库:预测、证据、修正和验收结果,共同构成一个知识节点的证据链。只记录最后的对错,会丢掉「我为什么原来这样想」。

核心洞察:每个人的认知是有边界的

这次脑暴里最重要的一个词,是前置测绘。

每个人掌握的内容和认知是有边界的。传统的学习计划(包括 GPT 列的那种)默认所有人的起点相同,所以第一章永远从「什么是 XX」讲起。但一个写了十一年 Java 的人和一个应届生学大模型,起点能一样吗?

AI 在背景交代足够的情况下,可以成为针对本人定制化的老师——它知道我哪里是弱项、哪里不会、哪里擅长。所以学习开始前,应该先做一件事:

让 AI 列出这门技术的必备基础项,由学习者逐项确认:已掌握 / 没听过 / 不确定。

已掌握的跳过,没听过的先补,不确定的先测再定。学习路径从「统一课表」变成「按我的认知边界定制的地图」。

这个动作在教育理论里叫先备知识诊断。传统教学从来没人真做,因为一个老师没法给每个学生单独测——成本太高。AI 把这件事的成本打到了零。

(Kimi 补充:这背后有个著名的教育学锚点——布鲁姆 1984 年的「2 Sigma 问题」:一对一辅导比课堂平均高出两个标准差,问题是找不到规模化的一对一。四十年来机器一直卡在「不知道学习者脑子里到底有什么」,大模型是第一个可能破局的变量。)

所以它不是 Skill,是 Agent

脑暴中我自己修正了一个判断:这个东西不该叫 skill,应该是一个 Agent——拥有自己的沙箱和存储。

原因很简单:「知道你的弱项」需要状态。 Skill 是协议,无状态;而学习者模型是一棵持续生长的树:

  1. 欠账清单 → 知识节点状态:未学 / 在学 / 欠账 / 已掌握 / 已遗忘
  2. 验收记录 → 每个节点的证据链:哪道题答对了,哪道题翻车了
  3. 加上时间维度 → 遗忘曲线,到点自动安排回炉
  4. 前置测绘 → 学习路径的动态规划

真正的技术挑战不在 AI,在状态工程:知识树怎么表示、掌握度怎么衰减、证据怎么防自欺——学习者嘴上说「我懂了」和真懂之间的鸿沟,我上个月刚刚用自己的第三章亲身体验过。

先留在这里

这个 Agent 现在不做。书还没学完,欠账还没还清。

但脑暴值得留痕——因为它和之前两个 skill 的诞生路径一模一样:先用,后造。扫描 skill 是因为 72 个系统人工摸排不可能;排查 skill 是因为生产问题没人查;这个学习 Agent,是用一个多月真实的学习过程跑出来的。

等书读完那天,这篇文档就是它的立项书。