大模型时代，如何维系持续学习的能力？

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：AI秒出答案的时代，直接“抄作业”正在废掉你的大脑。别让大模型替你思考，把它改造成“苏格拉底式导师”，在刻意挣扎中重获深度学习的能力。文章来自编译。

我想聊聊，在大模型（LLM）时代，我是如何继续学习新东西的，因为这件事变得非常难。大模型、AI、智能体（agent），不管你怎么称呼它们，它们都能一次性把事情做完，也因此抹掉了“犯错”带来的全部乐趣。我这里主要以编程为例，但我认为这些道理适用于任何领域。过去，我们学习新框架、新编程语言和新模式，往往是先做错，再从中吸取教训。可现在一切都太快了，我们不愿再花时间去做错事，尽管从长远来看，做错对我们更有益。大脑真正学会新东西靠的正是那种挣扎。

坦白说，我自己也有这个毛病。我以前会下很大功夫死磕来学东西，现在却觉得没什么意义，因为大模型能给你任何你想要的东西。这些想法把我带到了这里：我遇到了瓶颈，无论出于工作需要还是个人兴趣，我都得学更多东西。下面就是我在大模型时代重新找到学习方法的过程。

我当时正在读一篇名为《Bitcask》的论文。如果你对编程感兴趣又还没读过，我建议你读一读。这是一篇非常轻量的论文，即使不是资深程序员也能读懂，因为只要你愿意动手，其中的概念既容易消化，也容易实现。总之，我开始读这篇论文，并打算在不借助大模型的情况下把它实现出来，大体上我也做到了。写代码时我在某处卡住了，想求助大模型，但这次不是让它替我写卡住的那部分，而是让它把概念讲清楚，好让我自己写出来。这时我意识到，我完全可以让大模型来教我，而不必让它把所有答案都给我。而且，所有的苦活累活它都能包办，这样我就不会觉得无聊。比如，你想通过做一个聊天应用来学点东西。你需要两样东西：服务端和客户端；假设你只想练习服务端的工作方式。如果你对客户端没有兴趣，何必为了实现它而消磨自己的热情呢？这正是大模型派上用场的地方。你可以让它替你完成那些无聊的部分，比如测试、工具和可视化。我并不是说这些东西没用，只是说，如果它们引不起你的兴趣，就不必亲自动手。

于是我开始看别人是怎么做的，找到了一个叫 “socratic-code-mentor”（苏格拉底式代码导师）的技能。它不会直接把答案交给你，而是通过提出恰当的问题，让你自己得出答案，而这正是知识能够留下来的原因。

下面是一个简化的例子：

我：我的 sum 本应是 6，结果却是 NaN：

大模型：nums 里有几个元素？最后一个元素的索引是多少？

我：三个元素，所以最后一个索引是 2。

大模型：你的循环中，i 会取哪些值？

我：0、1、2、3……哦。nums[3] 是 undefined，而 6 + undefined 就是 NaN。

大模型：没错：

i:       ▲  ▲  ▲  ▲  ← one step too far（多走了一步）

那你会怎么修复？

我：改用 i < nums.length。

所以大模型并没有直接告诉我“你的循环多走了一步”。它只是问了几个问题，画了一张图，Bug 是我自己找到的。我不会忘记它，因为它逼着我自己把整件事想明白。

我们是靠自己想明白来学习的，而不是靠接受别人给出的每一个事实。《认知天性》（Make It Stick），顺便说一句，如果你对学习心理学感兴趣，这是一本很棒的书）对此说得很好：

“当你被要求在看到解法之前先努力尝试解决问题，随后学到的解法会掌握得更好，也记得更持久。”

就连我亲爱的朋友兼 CTO 也会跟我玩这种思维游戏。当我问“我们为什么不按 X 的方式来做？”，他会回我一句：“你为什么觉得我们应该按 X 来做？”我解释自己的理由，他再针对我的回答追问一个问题，最后我自己得出了一个像样的答案。而且这个答案会记得很牢。

所以你得让大脑适当地锻炼一下。这个技能做的正是这件事：它让你不断地追问和质疑。

第二个问题是保持斗志，而这需要自律。如果你为了学点东西去做一个有一定复杂度的项目，它不可能一夜之间完成。所以要提前规划好需要达成的目标，这样你就不会浪费时间去琢磨下一步该做什么。否则，你下一次开工时，可能会对着空白屏幕发呆 30 分钟——至少我会这样。缺乏动力或自律的时候，我们往往会拖延。

理想的状态是：你坐到电脑前，对大模型说一句“我们继续吧”，它就能接着你上次停下的地方带你往下走。出人意料的是，大模型非常非常擅长帮你列目标清单。

比方说，你想做一个玩具版的 LevelDB，也就是一棵 LSM 树（如果你不是程序员却还在读这篇文章，抱歉）。让大模型把它拆成若干阶段，每个阶段都有明确的目标。这样每次开始新的学习时段，你都能勾掉一个方框。

读完 Bitcask 之后，我想做点更难、与数据库相关的东西，于是开始构建一棵 LSM 树，并把它命名为 tinylsm（我大概还会继续做我的 tiny-xyz 系列项目）。下面是我为 tinylsm 写的 PLAN.md 的精简版：

# tinylsm——构建计划

**黄金法则：** 每个阶段结束时，系统都能运行，测试全部通过。

绝不同时留下两个做到一半的功能。

## 阶段 2——WAL（预写日志）

**目标：** 能扛住崩溃。每次写入先落日志、再进内存，

这样崩溃后重放日志，就不会丢任何数据。

**步骤：**

1. 编码/解码一条记录。

2. 把记录追加写入文件。

3. 启动时重放文件；遇到写了一半的最后一条记录时，干净地停下。

**完成标准：** 在写入过程中杀掉进程，重启后，所有已完成的写入都还在。

**陷阱：** 崩溃可能把_最后一条_记录截成两半。这是预期情况，不算数据损坏。

## 进度

- [x] 阶段 1——跳表（Skiplist）

- [x] 阶段 2——WAL

- [ ] 阶段 3——内存表（Memtable）

每个阶段都有相同的四个部分：目标、小步骤、一条你能真正去核验的“完成标准”，以及会让你栽跟头的陷阱。底部的清单就是“我们继续吧”对应的部分：大模型读完它，就知道你进行到哪儿了。

这样你就不必耗费任何意志力去决定做什么，而让自己动起来所需的力气，比你想象的要大。如今更是如此：大模型、短视频（Shorts）等东西不断给我们多巴胺刺激。我们想把事情做完，而且要快。计划恰好能给你这种感觉。哪怕已经精疲力竭，你也能做上一点点，并把它当作一次小小的胜利。

而且这样做其实能让你学到更多，因为你会在几天、几周的时间里，一次次用很短一段是啊金回到同一个项目上。这就像禅宗大师铃木俊隆描绘的雾中行走：你没觉得自己被打湿，但一点一点地，衣服已经湿了。心理学家称之为间隔练习：两次学习之间稍有遗忘，会迫使大脑把内容重新提取出来，而正是这种努力让知识得以牢固留存。

到目前为止，我们谈了如何正确地用大模型来学习，而不是让它一次性给出解法，也谈了如何做计划，免得我们永远拖延下去。但还缺一样东西。

就我个人而言，能得到可视化的反馈时，我会更享受手头的事。它可以是个粗糙的 UI、一个 REPL（交互式命令行），什么都行。它迫使我留在局中，并对接下来会发生什么保持好奇。在做 tinylsm 时，我让大模型搭了一个小小的 REPL：我可以往数据库里灌数据，看着表（SSTable）一张张堆起来，并对读取做基准测试：

tinylsm> bench 

miss latency vs L0 height 

88 tables ██████████████████████████████ 174.9µs 

1 table ░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░ 1.7µs

说实话，亲眼看到自己写的合并（compaction）代码让读取快了 100 倍，确实让我干劲倍增。

我建议你在下一个大项目里也这么做。我在文末分享的那个技能也包含这一点，不过你大可发挥想象力。有了大模型，你可以搭出任何能激励你继续前进的东西。

最后一条建议：让你的下一个项目有点野心。在大模型出现之前，要实现 LSM 树这样的东西，意味着得翻遍一堆 GitHub 仓库，还要去读某几本书的特定章节。现在，你只需说一句“我想学 XYZ 是怎么工作的”，大模型就会替你调研，并找来你需要的一切。所以从某种意义上说，事情变容易了，但我们也变懒了。我想这一直都是如此。我们就是爱偷懒。

小结

给像我一样的懒人准备的简版（TL;DR）：

• 别让大模型直接给你答案，把它当作导师。

• 把苦活累活交给大模型：测试、工具等等。

• 事先和大模型一起做好计划，用最少的意志力保持动力。如今我们本来就所剩无几。

• 让进展可见：一个 REPL、一张图表，任何能让你留在局中的东西都行。

• 追求小胜利。哪怕每天只学 30 分钟，坚持下来也比猛冲两天、隔十天才回来要好。

• 保持好奇，去学那些超出你当前能力的东西。即使你不是最聪明的那个，你也可以对大模型说一百遍“我不明白”，它还是会再讲一遍。所以别满足于简单的东西。

我用的技能叫做socratic-code-mentor。我找到了原版，然后按自己的学习方式做了改造。你可以拿去用，也可以按自己的情况修改。

最后，用一句我努力践行的话作结：

“做事的时候，应当像一堆好篝火那样完全燃烧，不留下自己的任何痕迹。”

——铃木俊隆

译者：boxi。