跟着 AI 看懂了，合上却讲不出来

有一种学习过程很舒服：把不懂的问题发给 AI，让它换个比喻，再举一个例子。第一遍没懂，第二遍终于顺了。接着往下读，每句话都认得，每一步也都觉得合理。

但如果这时关掉聊天窗口，有人问“你能从头讲一遍吗”，刚才那条清楚的思路可能就断了。记得几个词，记得结论，却说不出结论为什么成立。重新打开答案，又立刻觉得自己其实会。

我觉得这时最值得问的，不是“为什么我记性这么差”，而是：刚才那一遍，究竟是谁完成了思考中最难的部分？

AI 已经替我们挑出了关键条件，安排好解释顺序，补上了中间步骤。我们做的是沿着一条铺好的路，判断每一步能不能接受。自己解题则要先找到路口，决定往哪里走，走错了还得知道怎么回来。两种活动都需要理解，但要求并不相同。

同一句“懂了”，里面藏着几种能力

假设我们正在学一个很普通的知识：为什么两组平均数不能随便再平均。

第一组有两个人，平均每人读十本书；第二组有八个人，平均每人读五本书。AI 写出计算：第一组总共二十本，第二组总共四十本，十个人一共六十本，所以整体平均是六本。

看到这里，很容易点头。十和五直接取平均，得到七点五，没有把两组人数的差别考虑进去。这个解释并不难。

现在把窗口关掉，换一道题：两个班的平均成绩分别是八十分和七十分，没有告诉你人数，全校这两个班的平均成绩是多少？如果马上报出七十五，说明刚才跟上的可能是那道题的运算，而不是运算背后的条件。

更有价值的回答是：暂时算不出来，得先知道各班人数，或者知道两班人数相同。能够指出缺少什么，有时比能算出一个数更能说明理解。

我会把这里的区别看成三个层次。看着答案能跟上，是“认得这条路”；撤掉答案还能解释，是“能自己走出来”；换掉数字、背景甚至提问方式，仍能判断该用什么，是“知道这条路通向哪里”。这只是一个方便自查的分法，不是给人的能力排等级。

同一个人完全可能在一个主题上独立推理，在另一个主题上还需要完整示例。问题不在需要帮助，而在于我们常常只检验第一层，就把后两层也一起算进去了。

让答案暂时消失，才看得见缺口

“我能不能想起来”并不只是考试时才值得关心的事。学习研究里常把主动从记忆中找出内容称为检索练习。

Roediger 和 Karpicke 在一项阅读材料实验中，对比了重复阅读和尝试回忆。短时间后的测试，重复阅读更有优势；隔了两天或一周再测，先前做过回忆测试的学生保留得更好。反复阅读还让学生对自己以后能记住更有信心。这个结果提醒我：眼下读得顺、觉得熟，和过后能取出来，确实可能分开。研究摘要

它不能直接证明某一种 AI 提示词最好，更不能保证所有知识都适合同样的练法。阅读实验和写程序、做设计之间还有距离。不过，把“撤掉资料后试一次”放进学习过程，是一个容易执行，也容易观察效果的起点。

具体到刚才的平均数，我不会把整段答案再读第三遍，而会试着写三句话：平均数是什么；为什么要先恢复总量；什么时候两个平均数能直接取平均。

如果第二句写不出来，就说明缺口大致在那里。此时再问 AI：“我知道要按人数加权，但解释不了为什么。请只围绕总量和人数给一个小例子。”这比“我还是不懂，再详细讲讲”更容易把讨论落到真正卡住的地方。

自测时也要给自己一个可观察的标准。比如不要求措辞和教材一致，只检查是否说清“总量除以数量”，是否能解释人数改变会影响权重，是否主动指出信息不足。用漂亮程度来判断理解，很容易让 AI 的表达能力占便宜；看推理是否完整，才更接近这次练习想知道的东西。

答案暂时消失还有另一个好处：我的错误终于能留下来。看着正确解释时，脑子很容易把“刚才没想到”改写成“我本来就知道”。先写一版不完整的解释，再对照修正，至少能看见哪些连接是后来才补上的。

不必把这一步弄成正式考试。一张纸、几十秒口述，甚至两行不完整的笔记就够了。关键是先留下自己的版本，再看帮助，否则很难分清哪些部分已经能独立完成。

别让陪练替你把球也打了

AI 很擅长接着往下说。你停顿，它补充；你只给出半句话，它把剩下的结构拼好。在交付任务时，这种主动性很有用。但在学习时，它可能刚好接走了你最需要练的那个动作。

我更愿意先把双方的分工讲清楚：由我给出判断、理由和下一步，AI 负责指出第一个有问题的地方；如果我卡住，再给一个小提示。不要在我还没试的时候，把整条解法铺到终点。

比如还是那道平均数题。第一次提示可以只是：“这两组人数一样吗？”如果仍然不知道怎么做，再提示：“先分别算每组总共读了多少本。”只有这一步也没办法完成，才给出具体运算。

这里的重点不是忍住不看答案，而是让帮助落在当前缺口上。已经会把人数乘进去，就不用重新听一整段乘法解释；如果连“平均数乘人数为什么是总量”都不清楚，继续追问最后结果也没有意义。

可以直接给 AI 这样一段约定：

我想学会这个问题，不只是拿到答案。请先出一道能看出我当前理解的小题，等我回答后再继续。每次只指出第一个关键错误，先给一个小提示，不要直接补完整解法。最后换一道背景不同但原理相同的题，让我独立回答。

这段话不是某种经过验证的万能咒语，只是一种协作方式。模型仍可能一次讲太多，也可能把正确回答挑成错误。遇到这些情况，要回到教材、原始资料或可运行的例子核对。让 AI 当陪练，不等于让它拥有最终判分权。

还有一种容易被忽略的情况：一上来完全不会。这时不必坚持盯着白纸硬想。先看一个完整示例，弄清符号和问题在问什么，再遮住其中一步补出来，比毫无基础地接受连续追问更合理。帮助可以先多一点，之后逐渐减少；撤掉帮助是方向，不是起跑条件。

学代码时，把“运行成功”拆开看

换一个假设例子。你想学会从一份记录里筛出有效条目，再按日期排序。AI 给了一段代码，你复制运行，结果正确。这能证明这段代码在当前输入上工作，却还没告诉你自己理解到了哪一步。

我会先保留代码，让自己预测结果：空列表会怎样？某条记录没有日期会怎样？两条记录日期相同，顺序是不是重要？不用急着把这些都升级成复杂设计，先说明当前程序在这些输入下实际会做什么。

接着关掉代码，只写处理步骤：怎样认定有效，日期如何比较，遇到坏数据怎么办。这里如果说不清“有效”的含义，继续背某个函数的名字并没有帮助。概念缺口和语法缺口，值得分开处理。

最后再做一个小改动：原来保留所有有效条目，现在改成每一天只保留第一条。不是把整套代码重新交给 AI，而是先指出自己认为需要改的那一段，以及为什么。

这个变化让“看懂现成代码”和“能控制代码行为”之间的差别显出来。你可能忘了一个函数的参数顺序，但知道该查什么；也可能所有语法都看着眼熟，却根本没考虑重复日期。前一种未必是学习失败，后一种才是这个练习该暴露的地方。

也不必要求自己从此脱离工具。真正工作时查文档、使用补全都很正常。值得独立保留的是对输入、输出、条件和失败方式的判断。只有这些判断在自己手里，才有办法发现 AI 给出的答案什么时候不合适。

能解释以后，再试一次换场景

换题不是把数字改一下就算结束。平均数题可以从读书数量换成班级成绩，但如果每次都显眼地写着“两组人数不同”，人也可能只记住了一个触发词。

更好的变化是改变问题本身：两个店的转化率都提高了，总体转化率一定提高吗？先不急着计算，想一想到店人数的分布是否可能变化。这里仍然涉及分母和权重，却不能只照搬原题的句子。

再比如学一个陌生概念，AI 用餐厅点单解释消息队列。比喻很形象，但会复述“服务员拿单子”还不够。试着离开餐厅，说清生产消息和处理消息为什么可以分开；再问一句，如果处理失败，原来的比喻漏掉了什么。

我喜欢加这个“比喻哪里失效”的问题。它能阻止一个好记的故事长成错误的模型。现实系统的重试、顺序、重复处理，未必都在那个最初的比喻里；知道类比的边界，也是理解的一部分。

第一次能讲出来，也不必马上宣布永久掌握。隔一段时间再回来，用一个稍有变化的问题试试，往往会发现新的断点。明天再讲一次是一种方便安排，并不是所有内容都遵循同一个最佳间隔。

如果失败了，我会记录具体缺口：“忘了还原总量”“没考虑空输入”“只能复述类比”。它们比“我学不会”更有用，因为下一次知道该补哪里。记录也不用变成庞大的学习系统，一条错误和一道后续问题就能接着练。

有时要学会，有时只是要办完

并不是每一次向 AI 提问，都需要安排一轮无提示训练。偶尔转换文件格式、整理一份临时清单，目的可能就是完成眼前事情。让工具多做一点，没有什么需要内疚的。

但如果这个知识以后要反复用，要据此做判断，或者准备向别人解释，我会为自己留下一小段不被代做的部分。它可以是提出假设、预测结果、解释一个条件，也可以是发现一个答案为什么不成立。

学习的进展有时看起来不太漂亮：回答变慢了，句子断了，纸上多了几个问号。只要接下来有核对和修正，这些不顺就提供了继续学习的位置；当然，长时间毫无进展也说明该换解释、补基础或找人帮助，而不是一味加大难度。

我不想把 AI 变成一个故意不肯告诉我答案的老师。更合适的关系是：它能讲清楚，也愿意停下来，让我完成下一步。看完一段解释以后，我会试着把窗口关一会儿。哪怕只能自己说出两句，那两句也比“刚才每句都懂”更容易检验。