当前位置：首页 > news >正文

别再让 AI 给你上课了：一个让 AI 反过来追问你的学习法

news 2026/7/9 3:54:00

不知道你有没有类似的经历。

一个技术背景的人转到跟行业结合更紧密的方向。比如从纯开发转到量化、从后端转到金融科技、从互联网转到工业互联网。技术栈倒是不怕，都是相通的。但入职第一周就会发现一个尴尬的事实：同事们讨论业务场景的时候，你连术语都听不懂。

这时候你面临两个场景：

这两个场景，用传统方式补课，效果都不太理想。

假设你第一次接触 “夏普比率” 这个词。

你让 AI 给你讲讲。它开始输出定义、公式、计算步骤……你听完，好像懂了，但关上对话框仔细一想，发现自己其实说不清楚夏普比率到底是干嘛用的。

换个方式试试，让 AI 反过来问你。

它会从最简单的问题开始：

“假设有两只基金。A 基金每年赚 15%，但波动很大，经常一年亏 20% 又赚回来。B 基金每年稳定赚 8%，几乎不亏。你觉得哪个更好？”

你回答。它继续问：

“那你觉得，只看收益率够不够判断好坏？”
“如果要把’收益’和’风险’放在一起衡量，你想想可以怎么做？”

你跟着它的节奏，一步一步自己推导。到最后你发现，夏普比率这个公式不是你背下来的，是你自己想出来的。

这就是从零入门的最佳路径：不是听别人把定义念给你听，而是被问题引导着，自己走到答案面前。这样学到的概念，印象深得多。

第二种场景更隐蔽：你懂技术概念，但你以为自己懂了，其实没完全懂。

窗口函数你是熟的。滑动窗口、滚动窗口，你都能说出个一二来。但你试试看回答这个问题：

“10 条数据、窗口大小为 3，滑动窗口输出几行？滚动窗口输出几行？”

你可能脱口而出：“滑动输出 8 行，滚动输出 3 行。”

它接着问：

“那前两条数据呢？窗口不满 3 条的时候，输出什么？”

你想了想说：“第一个窗口和是 1，第二个窗口和是 3。”（虽然窗口没填满，但数据从第一个位置就开始算了。）

然后它说：

“你刚才说滑动窗口输出 8 行，也就是第 1、第 2 个位置没有结果，从第 3 个位置才开始出数。但你现在又说第一个窗口的和是 1，也就是第 1 个位置就出数了。这两种说法隐含的前提其实是矛盾的——你能看出矛盾在哪吗？”

你没看错。它是用你刚才自己说的话来挑战你。你前后两句话摆在一起，矛盾自然就暴露出来了。这时候你不需要别人告诉你正确答案，你自己就能发现漏洞在哪里。

然后它会继续追边界条件：

“理解。那如果数据中间有缺失，比如周末停盘、假期无数据，同样的窗口计算，结果还一样吗？”

从对话前觉得自己"会了"，到对话后才发现"原来这个地方没想透"。这就是技术概念查漏补缺的精髓：你的知识不是均匀缺失的，你有的地方懂了，有的地方自认为懂了其实没懂，还有的地方完全没意识到自己不懂。

Lecture 填不满这种结构性的缺口。但追问可以，因为它是从你当下的理解出发，一层一层往下挖的。

这两个场景让我意识到：提问的质量决定了学习的质量。

一个好的老师不一定是最会讲的那个，而是最会问的那个。但你不能指望每次学习都碰巧遇到一个擅长追问的 AI。所以我把这个过程固化成了一套可复用的工作流，做成一个 Claude Skill，叫做beginner-tutor。

核心流程分 5 步：

Phase 1：摸底（Intake）：先搞清楚你要学什么、你什么背景、你的目标是什么。不是上来就讲，而是先定位。

Phase 2：探底（Probe）：这是最关键的一步。在你正式学习之前，先让你用自己的话讲一遍你当前的理解。AI 记下三件事：你哪里说对了（后面以此为基础）、你哪里说错了（后面重点攻）、你哪里含糊不清（后面追问的切入点）。

Phase 3：追问（Question）：这是核心循环。每一轮都是：先问一个问题 → 你回答 → AI 从你的回答中找出可以深入的点 → 再问下一个问题。具体包含：

这里最核心的技巧叫矛盾揭示法：不纠正你，而是把你前后矛盾的陈述摆在桌面上让你自己看。另一个叫边界条件测试：不是问"你懂了吗"，而是给一个极端情况问"那这时候怎么办"。

Phase 4：固话（Consolidate）：学完之后不急着出文档，先做三件事：

Phase 5：输出（Document）：生成一篇记录了你真实理解过程的教程文档。