用 AI 学一个概念，跟着对话读下来，句句都懂；合上窗口被问"那它到底是什么"，一句话也讲不出。这不是记性差，是流畅性错觉：读一段通顺的解释，大脑会把"读得懂"误判成"我会了"。AI 让这种错觉更容易发生，因为它能随时给你一段通顺的解释，永远不嫌你问得笨。要破除它，只有三个动作：把问题问成能检验的形状、把答案拉去验证、把对话压成能复用的笔记。
1. "看懂"与"能应用"之间差三层
| 状态 | 表现 | 怎么检验 |
|---|---|---|
| 认得出 | 看到术语知道大概指什么 | 给你四个选项能选对 |
| 讲得出 | 不看原文能用自己的话复述，并说清适用条件 | 对着空白纸写三句，不回看对话 |
| 用得上 | 遇到新场景知道该不该用它、怎么落地 | 换一个具体例子跑一遍 |
多数人停在第一层，因为检验成本最低。第二、三层必须动手，而 AI 恰好能帮你造检验题——这是它作为学习工具最被低估的用途。
2. 四种提问类型，各有写法
| 类型 | 你要什么 | 提示写法要点 | 不适合用它做 |
|---|---|---|---|
| 概念解释 | 建立第一版理解 | 指定读者水平、限定篇幅、要求给反例 | 判断自己会不会 |
| 对比辨析 | 分清两个易混概念 | 要求逐维度列差异，不要并列段落 | 记细节数字 |
| 要我举例 | 把抽象落到具体 | 要求"从易到难三个例子，最后一个是反例" | 代替自己动手 |
| 批改我的理解 | 找自己理解的漏洞 | 先自述，再要求指出错在哪、漏了什么 | 只让它"评价一下" |
你是给后端工程师讲课的人。用不超过 200 字解释「元空间」，
要求：① 一句话定义；② 一个和堆的区别；③ 一个常见误解；④ 一个反例说明什么时候它不会涨。
对比 A 和 B，按这几个维度逐行给结论：解决什么问题、代价、失效条件、典型误用。
不要写成两段并列介绍，最后用一句话说明"什么时候必须选 A"。
关键点：限定输出形状，比限定字数有用。"给反例""逐维度""先说结论"这类约束会逼 AI 补上它原本会跳过的部分。
3. 让它出题：把学习变成可判分
要求出题时，必须同时要到三样东西：题目、答案、判分标准。缺一样，题目就没法自测。
基于刚才的解释出 5 道题：
- 2 道概念辨析（四选一），2 道场景判断（该不该用），1 道找错
- 每题给出答案和一句话解析
- 难度标 L1/L2/L3，L1 是识记，L3 需要迁移到新场景
先只发题目，我说"看答案"你再发。
| 出题要求 | 不加会怎样 | 加上的收益 |
|---|---|---|
| 给答案与解析 | 你只能"感觉对" | 能自评、能回看错因 |
| 标注难度 | 全是识记题，测不出迁移 | 知道卡在哪一层 |
| 先题后答 | 答案混在题目里，看一眼就废 | 真做一遍 |
| 要求错项有迷惑性 | 选项一眼假 | 错项暴露你的误解 |
题目质量不稳定是常态：同一提示多要几次，把重复出现、只换措辞的题剔掉，剩下的才是有效题。
4. 验证：三条硬检查
| 检查 | 做法 | 失败信号 |
|---|---|---|
| 出处可查 | 要求给规范/官方文档的具体章节，自己去翻 | 只给"一般来说""业界认为" |
| 能跑通 | 代码、命令自己执行一遍 | 少 import、参数名不存在 |
| 找反例 | 问"什么情况下这个结论不成立" | 回答"基本都成立" |
第三条最有效。一个说法如果没有边界，通常是它被简化过头了。让 AI 给反例，再让你自己判断反例是否成立——这一步同时检验了它和你。
# 例子：它说"String 拼接在循环里要用 StringBuilder"，先跑一遍再决定信不信
javac ConcatBench.java && java -cp . ConcatBench # 自己看 JDK 版本下的实际差异
5. AI 什么时候会一本正经胡说
| 场景 | 为什么会错 | 对策 |
|---|---|---|
| 冷门库的 API 细节 | 训练数据里样本少，按"像是这样"补全 | 查官方文档原文，或直接跑 |
| 版本相关行为 | 多版本知识混在一起，不区分 | 明确说"按 X 版本回答"，再核对 |
| 精确数字与阈值 | 生成的是"合理量级"而非实测值 | 当作量级参考，不写进结论 |
| 论文/规范引用 | 标题、作者、年份可能拼错 | 按标题去搜，找不到就不引用 |
| 你的私有代码库 | 没见过，只能按通用模式猜 | 把关键片段贴进去，要求指出依据 |
判断信号很简单：答案越具体、越整齐、越像教科书，越要抽一条去核。反过来，它说"这取决于版本"时，往往是在诚实地暴露知识边界。
6. 追问的三个方向
① 为什么：这个机制是为了解决什么问题？不用它会怎样？
② 边界：什么条件下它失效、变慢或反而更贵？
③ 迁移：换成<另一个场景>还成立吗？哪一部分要改？
| 追问方向 | 得到的收获 | 常见无效追问 |
|---|---|---|
| 为什么 | 把结论变成因果链，记得住 | "再详细讲讲"（只会更长） |
| 边界 | 知道什么时候不能用 | "有没有坑"（回答泛泛） |
| 迁移 | 检验是否真理解 | "举个例子"（可能只是换个说法） |
"再详细讲讲"是最常见的无效追问：它只增加字数，不增加结构。换成"这个结论在 X 条件下还成立吗"，得到的才是新信息。
7. 把对话压成笔记：三段式
对话会丢，笔记不会。每学完一个概念，只留三段：
## 概念名
- 结论：三句以内，自己的话
- 分歧/存疑：AI 说法与文档/实测不一致的地方，写清各自版本
- 待验证：还没跑过的断言、还没查到的出处，标上验证方式
| 段落 | 写什么 | 不写什么 |
|---|---|---|
| 结论 | 定义 + 适用条件 + 一个反例 | 对话里的原话复制 |
| 分歧 | 两个来源的差异与你的判断 | "好像有点问题" |
| 待验证 | 具体动作（跑哪个命令、查哪节文档） | 模糊的"以后再看看" |
第三段是笔记的价值所在：它把"我以为我懂了"变成了"我欠一次验证"，下次打开就知道从哪继续。
8. 学习闭环：提问 → 复述 → 应用 → 纠错
| 环节 | 动作 | 时间占比参考 |
|---|---|---|
| 提问 | 用第 2 节的四种类型拿到第一版理解 | 少 |
| 复述 | 合上对话写三句，讲给不懂的人听 | 中 |
| 应用 | 找一个自己的真实小场景跑一遍 | 多 |
| 纠错 | 拿复述和结果回去让 AI 挑错，只改错的地方 | 中 |
闭环之所以要"复述"在最前，是因为它是最便宜的检测：写不出来，说明还没到第二层，继续追问比继续读更有用。
9. 用 AI 读代码和读文档的顺序
读代码：① 先让它给"入口—数据流—出口"的粗线条；② 再让它标出不确定的地方；
③ 你打开源码核对那几处；④ 最后让它解释你没看懂的具体函数。
| 顺序 | 目的 | 反过来的代价 |
|---|---|---|
| 先结构后细节 | 建立坐标系 | 一上来问细节，容易迷路 |
| 先标不确定 | 把幻觉点圈出来 | 默认它全对，越读越偏 |
| 自己核对关键处 | 建立可信基础 | 全部信或全部疑，都不划算 |
读文档同理：先要"这个功能解决什么问题、有什么前置条件"，再要"给我最小示例"，最后才要"参数表"。反过来从参数表读起，通常记不住。
10. 对抗复制粘贴式学习
| 症状 | 本质 | 纪律 |
|---|---|---|
| 收藏了很多解释，一个都讲不出 | 输入代替了加工 | 每篇只留三段笔记 |
| 代码能跑但改一个字就崩 | 没建立因果 | 改参数、删一行，看报错变化 |
| 一问就开 AI，不自己先想 | 跳过提取练习 | 先写三句猜测，再问 |
| 同时开十个主题 | 注意力碎片化 | 一次一个概念，闭环做完再换 |
最有效的一条是"先写再问"：先用自己的话写三句猜测，再让 AI 批改。写不出来本身就是信息——它告诉你卡在哪，而直接提问会把卡点掩盖掉。
11. 最小示例：一个概念四轮追问
以"幂等"为例，四轮把定义推到边界：
R1 定义：用一句话解释"接口幂等"，并说明它和"线程安全"的区别。
R2 反例：举一个看起来幂等、实际不幂等的实现，说明漏洞在哪。
R3 边界：在"扣库存"这个场景里，幂等键该放在哪一层？放错会怎样？
R4 迁移：如果重试是异步的、延迟几分钟才到，原来的方案还成立吗？要补什么？
四轮之后你应该能回答：幂等是"同一请求重复执行结果一致"，跟并发安全不是一回事；用"先查后写"实现幂等，在并发下会漏；幂等键要落在能唯一约束写入的那一层；异步重试还要考虑键的过期时间。
复述检验：现在换你给我讲一遍，我指出哪里讲错、哪里漏了前提条件。
一轮对话给你"像是懂了"，四轮追问给你"知道边界在哪"。差别不在 AI，在提问的形状。
12. 常见坑
| 坑 | 表现 | 修正 |
|---|---|---|
| 把 AI 的话当权威 | 引用时说不出出处 | 只引用能查到的原文 |
| 不做笔记 | 一周后从零开始 | 三段式，10 分钟写完 |
| 只问不练 | 能聊不能做 | 每个概念配一个最小实验 |
| 一次问十个主题 | 每个都浅 | 一次一个，做完闭环 |
| 用"详细讲讲"追问 | 字数涨、理解不涨 | 改成问边界与反例 |
| 拿它当搜索引擎 | 要链接、要数字 | 让它给检索方向，自己去查 |
13. 边界：什么该自己扛
| 场景 | 适合交给 AI | 该自己做 |
|---|---|---|
| 建立第一版理解 | 是 | 判断这版理解对不对 |
| 出题与批改 | 是 | 真做题、真改错 |
| 查规范细节 | 只给线索 | 翻原文核对 |
| 形成长期记忆 | 帮不上 | 复述、间隔重复 |
| 动手调试 | 给假设 | 跑命令、看日志 |
14. 自测
- 流畅性错觉是怎么产生的？为什么 AI 会放大它？
- 四种提问类型里，哪一种最容易被写成无效提问？为什么？
- 让 AI 出题时，为什么要求"先只发题目"？
- 一个说法"基本都成立"，通常意味着什么？
- 三段式笔记里，"待验证"这一段解决了什么问题？
- 为什么"先写三句自己的猜测再问"比直接提问更有效？