開篇

怎樣學，知識才能過腦？

這門課不缺內容，缺的是你停下來想一想的 30 秒。

先說一個殘酷的事實

如果你只是從頭滑到尾，看完覺得「嗯，都懂了」，很有可能三天後什麼都不記得。
這不是你的問題，是人腦的預設模式：輸入 ≠ 理解，理解 ≠ 記住，記住 ≠ 會用。

看完 vs 學到：差在哪？

只是看完 真正學到
看到一個案例 「哦，原來可以這樣」 「這個思路，我的場景能不能用？」
看到一個概念 「記住了這個名詞」 「它解決的根本問題是什麼？」
看到一個踩雷 「別人踩了，我知道了」 「我的專案裡有沒有類似的坑？」
看完一節課 「下一節」 「等等，讓我用自己的話複述一遍」

三步迴圈：讓知識真正長在腦子裡

看到
接收資訊
→
反思
停下來想
→
遷移
套進場景
→
輸出
講給別人
1

看到：帶著問題看，不要無腦往下滑

每打開一頁之前，先問自己：這個主題跟我現在做的事有什麼關係？哪怕暫時想不出來，這個問題本身就會讓你的注意力聚焦。

示例：開啟「上下文視窗」這一頁之前
先想：我們產品的對話經常超長，是不是跟上下文視窗有關？使用者說「你忘了我剛才說的」，是不是上下文被截斷了？
2

反思：每看完一個知識點，停 30 秒

不要急著翻下一頁。問自己三個問題：

1. 這個概念解決的根本問題是什麼？
2. 如果不知道這個，我之前會怎麼做？
3. 知道了之後，我的做法會有什麼不同？

示例：看完「幻覺」這一節後
反思：原來幻覺不是 bug，是機率取樣的必然結果。那我之前讓 AI 直接輸出準確答案的做法就有問題。我應該設計驗證環節，期望模型不出錯並不現實。
3

遷移：代入你自己的業務場景

這是最關鍵的一步。課程裡的每一個案例、每一個設計決策，都要翻譯成你的業務語言。

不同行業、不同產品形態、不同使用者群體，同一個技術方案的適用性完全不同。課程教的是思考框架，不是可以照搬的答案。

示例：看完「RAG 檢索增強生成」後
遷移：我們的客服系統有 2000 篇知識庫文件。RAG 的召回率和精確度問題，在我們這裡會變成什麼？使用者問一個跨多篇文件的問題時，我應該怎麼設計檢索策略？我們的文件格式（PDF 掃描件 vs 結構化文字）會影響哪些環節？
4

輸出：講給別人聽，或者寫下來

費曼學習法的核心：如果你不能用簡單的話講給外行聽，說明你自己也沒真懂。

不需要寫長文，哪怕在 LINE 群組裡講一句「今天學到一個點：xxx，以前以為 yyy，其實是 zzz」，這個動作就能把知識從短期記憶推入長期記憶。

示例：嘗試輸出
跟同事說：「你知道嗎，大模型的 Token 不是照字數算的，一個中文字可能是 1～3 個 Token。我們那個 Prompt 模板看起來只有 500 字，實際可能吃掉 1500 個 Token，難怪常常超限。」

這四個動作是通用的，換成任何材料都成立。想知道把它們套到 AI 身上具體怎麼做，去看 AI 教我學習 這一章：十一節課分別講提問該帶哪四個部件、怎麼當場識破它一本正經說錯的話、讀不下去的長材料怎麼拆、怎麼讓它出題考你，以及怎麼判斷自己是真學會了。

本頁 Takeaway