Hi，我是洛小山，你学习 AI 的搭子。
今天，想和你聊聊学 AI 的一些建议。
以及预告一下后续的更新节奏：尽可能日更（含周末）
你可能会说，山佬山佬，不就学个 AI 嘛，有啥值得说的？
我...（因为这个网站是我过去十二年做产品方法论的汇总）
你看看这个图…
你看，大部分人都停留在 Abandon 里。
考虑到大家直接上来死磕底层原理，门槛太高了，很容易直接被劝退。
所以这一篇会先帮你找准位置。
只有你的位置找对了，打好基础，后面的学习才会游刃有余。
01｜你现在在哪
Kruger 和 Dunning 1999 年在《人格与社会心理学杂志》里提出了达克效应，我根据它画了一条AI学习的达克曲线：
分别是：
•愚昧之巅：刚接触 AI，觉得我行了。ChatGPT 就是对话，RAG 就是搜索，Prompt 就是提示词，我很懂，OK 了。
•绝望之谷：然后一动手，模型在乱答，Prompt 改了好像也没什么用，忍不住开始骂AI怎么这么难用。
•平稳高原：真正理解 AI 在做什么，遇到问题能快速判断问题出在哪，然后该用什么方案。
我们的目标，就是希望让所有人都来到平稳高原。
但很多时候，因为业务复杂度还不够，所以，你并不会觉得到达了某个瓶颈，总会有莫名的自信。
于是会表达：这种课我看个标题就懂了！
对于这个…
我诚恳地建议：你可以尝试快速过一遍里面的内容，如果都会，那就可以直接关闭，如果里面一些交互动画真正能帮到你，欢迎查漏补缺。
这里，我也想引用大刘的那句：
弱小和无知从来不是生存的障碍，傲慢才是。
02｜看完还不算学到
找准自己所处的位置后，那，怎么学，知识才能过脑呢？
如果只是从头刷到尾，看完就觉得都懂了，ber？
那大概率三天后就什么都不记得了，因为我也是这样过来的。
人脑默认模式就是这样：输入≠ 理解，理解≠记住，记住≠会用。
看完和学到，真的差很多：
看完不等于学到，不停下来想，知识是不会过脑子的。
过脑子有个笨办法，分别是：
1.先看到，先接收信息。
带着问题去看效果会更好，每打开一页之前，先问自己，这个主题跟我现在做的事有什么关系？
就算一时想不出来也没关系，这个问题本身就会让你的注意力聚集。
2.再反思，然后停下来思考
看完每个知识点，不着急翻下一页，停下来问自己三个问题：
这个概念解决的根本问题是什么？
如果不知道它，我之前会怎么做？
知道了之后，新的做法会有什么不同？
3、最后转化，代入你自己的业务场景。
行业不同、产品形态不同、用户不同，同一套技术方案能不能用，差很远。课程给的是思考框架，答案没法照搬，所以你需要把课里的例子都翻译成自己的业务语言。
4、输出，用你的话讲出来。
最后，把通过上述三步拿到的东西讲出来给别人听，或者，写下来。
因为费曼学习法的核心就是如果你不能用简单的话讲给外行听，说明你自己也没真懂。
这样学，知识才能过脑子，慢就是快。
03｜为什么要花大时间讲基础原理
如果你刚毕业不久，或者毕业 10 年内，你的职业生涯还有 30 年…
三十年诶？！你想想看。
把童子功打好，基础打好，能造福后面三十年！！
磨刀不误砍柴工，打好基础，才能更好地做好工程化，才能卷死同行。
因为，现阶段，几乎所有 Harness 操作，本质上都是对 message list 的处理，看懂它，才能看懂后面那些内容。
比如 Prompt Engineering、RAG、Fine-tuning、Agent 工具调用，所有花活，都在围着 message list 处理：
•Prompt Engineering：精心构造 messages，让模型看到正确的上下文，全都是往 messages list里塞内容；
•RAG：从外部知识库取回相关文档片段，拼进 message list 再发给模型，本质是在运行时扩充上下文；
•Agent 工具调用：模型输出function call，开始执行工具，然后把结果 append 回 message list，接着再次推理，每一轮都在积累 message list；
•Fine-tuning / SFT：把大量理想的 message list 烧进模型权重，让模型默认就能按期望的方式处理上下文，省去每次都要在 prompt 里说明的成本。
如果你不理解底层原理，就会卡在这些问题上：
•Prompt 改了没用：System Prompt 被截断，历史对话占满窗口，问题根本出在上下文管理，跟Prompt写得好不好没关系；
•RAG 效果差，不知道哪环节坏了：Chunking、Embedding、相似度阈值，不了解原理就只能瞎试；
•模型答错了，该改 Prompt 还是 Fine-tune：上下文没给对和参数里压根没这笔知识，两件事的修法完全不同，搞错方向会浪费大量时间；
所以后面我也会花比较大的篇幅讲原理这部分。
终｜先找准位置，再开始学
恭喜你，今天淘到宝了。
对了，如果你对这些有不懂的，划词再问问 Alice，也是很不错的选择。
Alice 会基于对你知识背景的判断，给你更合适的答案，或许也更有启发。
除了找准位置这一篇（主线的「开始之前」）以外，还有…
这么多交互的课程，全部开源！（AGPL-3.0 协议，如果你用我的源码变现，你也必须开源。）
地址： xueai.app 免费学习！
有空的时候，可以仔细看看里面的课程，或许对你的 AI 产品之路，提供一些小小的帮助。
欢迎一起交流。
我是洛小山，我们下次见。
关于我
我是洛小山，一个在 AI 浪潮中不断思考和实践的创业者。
我不追热点，只分享那些能真正改变我们工作模式的观察和工具。
如果你也在做 AI 产品，欢迎关注我，我们一起进化。
本文知识产权归洛小山所有。
未经授权，禁止抓取本文内容，用于模型训练以及二次创作等用途。
热门跟贴