关于本站

这个站在做什么 · 内容怎么生产 · 它相信的学习方法

01这个站在做什么

一句话：记录一个工程师体系化搞懂大模型的全过程，并把过程本身做成产品。

知识星图62 个知识点的地图与依赖关系——先看地形，再决定往哪走。学习舱每个亮起的知识点背后有一篇讲透的长文，带状态与深度标注。资源筛过的一手信源与经典材料，每条带「为什么读」。每周动态大模型领域每周发生了什么，人写周报存档。工具把概念做成交互小工具——拧参数、看对比，比文字直观。博客个人表达与长篇思考的另一块阵地。

内容同步到微信小程序「AI 学习舱」，路上也能翻。

02AI 时代怎么学：费曼循环与 AI 考官

这个站相信的学习方法——也是它每篇内容的生产方式。

学 LLM 的姿势从没这么舒服过：概念看不懂，AI 十秒写一篇科普；代码报错，整段贴过去就有解法。但「学过」的感觉很会骗人——文章看着都懂，合上就讲不出来；方案由 AI 起草时，「看不懂但看起来对」的放行更成了日常。这个站的态度是：判断学会的标准不是「读过」，而是「合上材料，讲得出来、经得起追问」。方法就是下面这个循环。

图：首轮 ①→②→③ 顺时针走完判卷；未过项进④回炉，只对缺口段重回到①的裸讲形态（虚线）再交③判卷，通过走出口。

为什么 AI 越能干，讲出来越重要

知识变廉价，理解变稀缺。AI 几秒能产出一篇通顺的讲解，能被产出的知识不再值钱；值钱的是你自己脑子里调得出来、能判断对错的那部分。
讲不清，就验收不了 AI 的产出。工程的核心动作正从「自己写」变成「验收 AI 写的」——讲不清机制，就只能凭感觉签字。
分析层只能自己长出来。「应用」以下的事 AI 能全代劳；「分析」往上的深度，只在你自己组织语言、下判断时发生，没法外包。

这套循环凭什么有效：四个认知机制

机制	实验发现	循环里的位置
提取练习	闭卷回忆对长期记忆的巩固远超重读，重读的「眼熟」几乎不留下什么（Roediger 与 Karpicke，2006）	轮一合上材料裸讲
解释深度错觉	人稳定高估自己对机制的理解，被要求解释后自信骤降（Rozenblit 与 Keil，2002）	轮三不信感觉，信逐点对照
门徒效应	教「会信你的学生」时，学习者更努力、组织更好（Chase 等，2009）	轮二 AI 扮外行学生
认知卸载	工具能代劳的事，大脑会系统性地放弃自己做（Risko 与 Gilbert，2016）	轮一禁入、先自评、结构化判卷的由来

四轮具体怎么跑

轮一·裸讲（AI 零参与）：通读一遍材料，合上，对着录音给外行讲五分钟。讲时绝不回看；卡住就明说「卡了」跳过去——卡点正是后面要对照的宝藏。首选录音而不是写稿，写稿很容易退化成抄材料。这一轮 AI 一个字都不能参与：任何中途提示都会把「回忆」变成「看着提示复述」。

轮二·外行追问（AI 扮学生）：录音转成文字交给 AI，让它先当学生、不当考官。提示词照抄可用：

你扮演一个完全没学过 LLM 的外行学生。下面是我讲解「（概念名）」的录音转写。
请只以学生身份提问：挑两三处我讲得含糊的地方问「为什么是这样」，
再问一个「换到（另一个场景）还成立吗」。
先不要评价我讲得好坏，也不要替我补充知识。

为什么先装傻：门徒效应的前提是「学生无知且会信你」。AI 一上来就以全知形象打分，你就是在被审问而不是在教，那股劲儿就没了。让人去教一个故意留有知识缺口的 AI，2025 年前后已经成了学习科学的正式研究方向。

轮三·判卷（先自评，再对答案）：先自己写下「讲对了哪三点、哪一点最虚」，再让 AI 切换考官身份按三档打分——覆盖（漏了什么）、因果链（每个「为什么」接住了没有）、迁移（换情景的题答上了没有）。自评必须先于对答案：校准「以为自己会」的误差，这个误差本身就是学习产出。对照出四种结果：

讲稿对照结果	判定	动作
讲不出	你的缺口	回炉补讲解
讲得出但材料没写清	材料的缺口	修材料
讲错了	事实错误	改正
讲出了材料没有的观点	你的分析产出	拿去查证，做成内容

最后一种最值钱：那是你自己的分析产出，也是做内容的底稿。

轮四·回炉（只补缺口）：未过项不整篇重来——把缺口段当新材料，重走一轮裸讲和判卷就行，外行追问不必重复（它首轮已经把问题问出来了）。提取练习要打在已定位的缺口上才有强度，重讲已经过的段落只会稀释注意力。全部过关，这篇才算真的学过。

图：AI 参与度的阶梯——轮一缺席、轮二装学生、轮三当考官最高、轮四只复验缺口。

三个翻车姿势，全出在 AI 用错了位置

流畅度表演：背功好的人逐点覆盖也能拿高分——判卷必须含因果追问和迁移题；只对覆盖率打分，测得出背诵，测不出理解。
元认知外包：每次都让 AI 宣布你「懂没懂」，你自己的判断力会萎缩——自评先行就是给这上的保险。
全程陪聊：边问 AI 边讲，轻松但无效——轮一的「AI 零参与」不可谈判。

适用边界：概念型知识（机制、原理、取舍）用这个循环；纯操作性技能（装环境、配工具）直接做，卡住的地方就是缺口；术语、API、数学记号这类纯记忆材料交给间隔重复。学习技术的效用综述里，练习测试排高效用，重读和划线排最低档（Dunlosky 等，2013）——这个循环的每一轮，本质都是某种形式的练习测试。

这套说法的依据「费曼技巧」这个名字出自 Scott H. Young 2011 年的博客，费曼本人从未命名过什么学习法；那句最有名的「不能简单地解释它，就是还没理解它」查无实据，考证者把源头追到了十九世纪的轶事。费曼真实的证据链是另一回事：父亲教他「知道一只鸟的所有名字，不等于认识这只鸟」，以及他从头重推已知物理的「无知笔记」。方法可以托名，机制是真的。

Learn Faster with the Feynman Technique（Scott H. Young，2011）——命名出处
「不能简单解释」名言考据（Quote Investigator，2011）
Roediger 与 Karpicke，Test-Enhanced Learning，《Psychological Science》，2006；Rozenblit 与 Keil，《Cognitive Science》，2002；Chase 等，《J. Sci. Educ. Technol.》，2009；Risko 与 Gilbert，《Trends in Cognitive Sciences》，2016；Dunlosky 等，《PSPI》，2013；Deslauriers 等，《PNAS》，2019（主动学习者「感觉学得少」）
Learning by Teaching: Engaging Students as Instructors of LLMs（arXiv，2025）——让 AI 装知识缺口、由人来教的新方向

03每篇内容的状态，是什么意思

上面的方法论不停在口号里——它直接写进了站点的状态系统。

学习舱的每篇正文都带一个状态徽标，五级递进：

状态	含义	晋级门槛
未开垦	地图上保留的位置，还没动	—
种子	有自己的话写下的核心理解	哪怕一句
整理中	文章成形、动手验证过	理解与应用层立得住
成体系	经得起复查与追问	作者本人费曼通过
已发布	流入博客或视频发布	读者挑战则回炉

关键规则只有一条：AI 起草的文章永远是「整理中」，不会自标「成体系」——那道门槛设在作者本人讲一遍、答得上追问。所以你在站上看到「整理中」，意思不是「写完了」，而是「写出来了，等讲」。目前 62 篇正文里大多数在这个状态，它们会随着费曼循环一篇篇升级。徽标旁边还有一个深度标注（布鲁姆分层：记忆、理解、应用、分析、评价、创造），发布之后深度还能继续涨。

04关于作者

疯了再说——Java 工程师转向 AI 应用方向，边做边写。

立场和页脚一致：大模型实测，一起搞懂 AI，记录这场变革，每周更新。这个站是学习产品（体系化、可验证），博客 clawlihai.cn 是个人表达——两边内容不混线。觉得哪篇讲错了，那是宝贵的「读者挑战」，回炉修订是这套流程的设计内动作。