后 AI 时代的学习习惯

零、背景：知道才能问，问了才能答

使用同一个模型，给出的问题、背景和检查方法不同，得到的结果也可能不同。我用下面这个表达提醒自己关注使用者的作用：

这是我的个人理解框架。其中的“使用者水平”，主要体现在能否说明目标、提供必要背景，以及验证结果。对一个领域了解得越具体，就越容易发现回答中的遗漏，并提出下一步的问题

知道才能问，问了才能答。这里的“知道”可以很小：先了解一种技术的名称、用途和适用场景，就足以为下一次提问提供入口

以检索为例，如果只熟悉向量检索，效果不理想时，可能会反复调整同一组参数。接触 BM25 和混合检索之后，就可以进一步问：关键词匹配和向量匹配分别能找到什么？结果怎样融合？应该选择哪些问题比较效果？

这些问题还需要通过资料和实验回答。我的做法是先看技术的整体脉络，再围绕当前任务补足定义、代码位置和检查方法；知道一个名字之后，还要能说明它解决什么问题，以及怎样判断它是否适合自己的项目

一、善用 HTML：让知识变成可以观察和操作的内容

1. 把 HTML 当作内容表达的起点

解释一项技术时，文字、图表和流程往往需要来回调整。HTML 可以把它们组织在同一个页面里，直接预览布局，再让 AI 根据具体位置修改，形成一份便于检查的中间稿

之后再按用途选择输出方式：浏览器结合打印样式可以导出 PDF；Word 和 PPT 通常需要相应的转换工具或重新组织文档元素；视频需要安排时间轴并渲染画面，Remotion 是其中一种实现方式

每种输出都需要单独检查。网页上的连续滚动到了纸张上会变成分页，交互组件在静态文件中也需要选择适合展示的状态；如果还要求 Word 或 PPT 可编辑，就要进一步确认文字、图表和布局是否被正确转换

相关机制可以参考 MDN 的网页打印说明和 Remotion 的组件说明

我更看重这个过程提供的反馈：先检查知识结构和表达是否清楚，再检查最终文件的分页、字体和可编辑性。分开检查这两件事，更容易判断问题发生在哪一步

2. 用交互补足静态页面难以表达的过程

执行过程和状态变化尤其适合交互展示。学习工具调用时，可以把请求进入模型、程序执行工具、结果返回模型拆成几个步骤，分别显示输入、输出和失败分支

读者便可以停在某一步检查数据，或者切换参数，比较后续流程怎样变化。这样得到的页面，也能作为对照代码的辅助材料

把这段 Agent 执行流程做成一个可交互的 HTML 页面：点击每一步显示输入和输出，保留失败分支，让我能够对照代码理解整个过程

动效的目的应该是呈现变化，交互的目的应该是帮助理解。检查组件时，可以先走通一次正常流程，再触发一次失败分支，确认界面的说明与代码行为相符

二、善用 Bot：让任务按时执行，随手可用

有些工作需要按时发生，有些需求出现在不方便打开电脑的时候。Bot 可以把消息入口、定时触发和后台处理连接起来，让这些任务在合适的条件下继续推进。下面是三种可以配置的用法

1. 凌晨 3 点，自动整理上下文

可以让 Bot 每天凌晨 3 点，从允许读取的对话、笔记和任务记录中，整理前一天的进展、已确定的结论和未解决的问题。摘要保留必要的来源，尚未确认的判断仍标为未确认，第二天就能据此找回原始记录并继续工作

2. 早上 9 点，推送一个 GitHub 高星项目

也可以配置每天早上 9 点，围绕关注的技术方向推送一个 GitHub 高星项目。结果应附上仓库链接、用途和推荐理由；是否值得继续学习，还要通过 README、示例代码和维护情况判断

3. 挤地铁时，用手机发起任务

通勤时可以通过手机查询项目进度、整理刚想到的问题，或启动一个已经配置好的任务。Bot 在后台处理，并分别反馈已接收、执行中和已完成等状态；回到电脑前，再根据结果继续后续操作

定时任务负责按时处理，手机入口负责随手发起，清楚的执行状态让两端工作能够接续

三、善用技术交流群：把陌生术语变成提问材料

群里的讨论提供了一个发现问题的入口。看到 Harness、checkpoint 或 reranker 这样的术语时，即使暂时跟不上完整对话，也可以记下它出现的场景，再交给 AI 展开解释

提问时带上场景很有帮助：这个词出现在工具执行、状态恢复，还是检索排序的讨论里？这些背景可以缩小解释范围，也便于把回答放回自己正在做的项目中

1. 从一个名词，追到一个具体场景

我在技术讨论里看到 checkpoint。请先解释它在 Agent 开发中的用途，再用任务中断后恢复的例子说明，并区分它与普通聊天历史的关系

接下来可以继续追问：它解决了什么问题？有哪些替代办法？当前项目是否需要？如果要验证，最小例子应该长什么样？

回答应当逐步落到可以检查的对象上，例如一个状态字段、一段源码或一次运行结果。能找到这些对应关系，才方便判断自己是否真正理解了这个概念

2. 把讨论当线索，再回到资料与实践

群聊中的经验通常有具体前提，AI 的解释也需要核对。我会回到官方文档和公开代码，确认术语定义、适用条件以及示例，再用最小练习检查关键行为

转述讨论时，只保留必要的技术问题和背景，去掉成员身份、私有代码及内部资料。验证后的笔记则记录结论、来源和仍未确认的部分，方便下次继续追问