我在ChatGPT来之前就是一个学习上瘾的人。
自学西班牙语，没学利索就飞哥伦比亚、墨西哥参展，用蹩脚西语跟本地老外硬聊，居然也谈成了几单。
自学数据分析，从0给前公司搭了数据库、BI、自动化报表，一整套数据中心。
我从来没有系统学过任何理论。我信干中学------先上手，遇到问题再补课，用实战倒逼认知。
AI来了之后，我没焦虑，我兴奋了。因为干中学这条路，突然被放大了100倍。
但人跟AI到底要怎么分工？AI帮我学，我自己要学到什么程度？
这个问题我想了大半年。
尤其是OpenClaw出来之后，AI Agent能自己拆任务、自己执行、自己复盘了，这个问题变得更加尖锐------如果AI什么都能干，我还需要学吗？
过去两天的周末，我用48小时从零入门了梅花易数。一门古人要拜师三年的学问，周一我就能断卦了。
这个过程给了我答案。
不是一个模糊的感觉，是一套我反复打磨、亲身跑通、AI时代下「学习」的完整框架。
今天把它拆开讲。
如果你正好也想学习某门学科，就不妨来参考一下我的解法。
01 先说结论：AI时代的学习公式
学习 = AI负责80%的低效环节 + 人负责20%的不可替代环节
那80%是什么？
选型、内容生产、出题、重复练习、知识检索。这些事AI做得比你快100倍，而且不累、不烦、不会因为你问了第八遍同一个问题而翻白眼。
那20%是什么？
理解、判断、经验注入、验证纠错。这些事AI做不了，做了也不算数，因为这些才是「学到了」的本质。
我在过去48小时跑的完整链路，拆成六步：
-
- 选型决策 - Claude Opus
-
- 认知概览 - Gemini NotebookLM，出对话播客，让小白有个整体的认知
-
- 定制课程 - Claude Opus，跑了30天的学习安排
-
- 多模态输入（文档➡️视频➡️练习） - Claude Code + Remotion + JSX
-
- 实战陪练 - Openclaw 作为7×24陪练的Agent
-
- 验证纠错 - 双AI交叉
接下来，看下我每一步在干嘛。
02 第一步：让AI做选型决策
大多数人学新东西的第一步是去B站搜教程、去知乎看推荐、问朋友学哪个好。
这个起手式就错了。
你收到的是别人的推荐，不是基于你的情况做的决策。别人推荐的好课，可能完全不匹配你的背景、你的时间、你的应用场景。
第一步应该是让AI帮你做选型决策。
我怎么做的------把四个约束条件一次性丢给Claude Opus：
- 需求场景：创业决策、识人、商业合作判断
- 个人背景：十年数据分析，有代码能力，偏逻辑推理型思维
- 时间约束：要快，学习曲线要平，不能占用大量业务时间
- 实用性要求：能跟数学结合，能推理算数，不是纯靠灵感
Claude给我输出了一份决策矩阵------梅花易数、六爻、奇门遁甲、大六壬，四套体系在五个维度上的完整对比。
结论：梅花易数为主、六爻为辅。
理由不是感觉，是推理------梅花的底层是取数、除法取余、对应卦象，整套过程是确定性算法。五行生克是一套完整的逻辑推演链，跟数据分析的思维方式同构，迁移成本最低。而奇门遁甲和大六壬体系庞大，入门至少半年密集投入，跟我当前的业务节奏冲突。
30秒，方向就定了。
👀
学任何新东西之前，先把你的约束条件结构化，让AI做多维度匹配。你给AI的不是「帮我找XXX的教程」，而是一个决策问题。
参考提示词：
css
我的背景是[X]，核心需求场景是[Y]，时间约束是[Z]，
候选方案有[A/B/C/D]，
请输出决策矩阵，对比维度包含：学习成本、实用场景覆盖度、
与我现有技能的迁移性、短期投入产出比。
给出明确推荐和理由。03 第二步：先建认知地图，再逐点攻破
选型定了之后，我没有直接开始精学。
我用Google Gemini的NotebookLM，把梅花易数的核心资料丢进去，生成了一期AI对话播客。
两个AI主持人用聊天的方式，把八卦、五行、起卦、断卦的核心概念过了一遍。大概20分钟。
不需要记住任何东西。只需要听完之后，脑子里有一张粗略的地图。
这一步的底层原理叫「预暴露效应」------先给大脑一个低分辨率的全局框架，后续精学每个知识点的时候，它不再是一个完全陌生的概念，你已经「见过一面」了。认知负荷直接减半。
学习材料的认知负荷是有层级的：
大多数人的学习顺序是从上往下------先啃书、啃不动就看视频、看不懂就放弃。
正确的顺序是从下往上------先用最低负荷的方式过一遍全貌（播客），再用中等负荷强化（视频），最后精读攻坚。
这20分钟的投入，能让后面每一小时的精学效率提升一倍。我是通勤的时候听完的，不占任何额外时间。
👀
不管学什么，第一步永远不是精读。先让AI把核心内容转成你能被动接收的形态------播客、摘要、概念图------花20分钟建立全局认知，再进入逐章精学。
同步，还让Claude根据我需求去设计30天的课程
04 第三步：四层产物模型------我在这一步上设计最久
这是整个框架里我打磨时间最长的部分。
不是让AI随便生成一份学习资料就完了。我设计了一套「同一个知识点，四种认知模态同时编码」的内容生产体系。
每天的学习，AI同时生产四层产物：
四层不是重复。是同一套知识在四种认知通道里走了一遍。
认知科学里叫「多模态编码」------同一个知识点通过阅读、观看、动手操作、纠错四个通道进入大脑，记忆留存率从纯阅读的10%拉到75%
每天的内容生产链路：
一个关键细节：每天的练习模式完全不同。
不是千篇一律的选择题。
Day 1是八卦闪卡+选择题+连线题，因为核心任务是「记住八个卦的名字、数字、五行属性」，纯记忆型知识用闪卡最高效。
Day 2是五行生克速答+旺衰判断矩阵+体用关系对战，因为核心任务是「掌握五行之间的生克推理链」，推理型知识用矩阵训练最高效。
练习形式要匹配知识类型。这个匹配本身就是AI帮你做的------你告诉它今天要学什么类型的知识，它自动选择最合适的练习形式。
👀
不管学什么，都要把「读」「看」「练」「纠」四个动作拆开，用AI帮你针对每个动作生产对应的内容。一份学习资料只激活一种认知通道，四份同时激活四种，效果天差地别。
我甚至还做了个网站把学习内容、视频、练习放一起，每天看一次。
视频效果真不错，且都是对的：
对于做视频的方案参考：
05 第四步：AI不是老师，是7×24小时陪练
这一步是整个体系的闭环。
我在OpenClaw上配了一个Agent，叫梅花先生。
它不是一个你问它答的问答机器人。它在学习场景里做到了三件传统学习根本做不到的事。
第一，个性化出题。 根据我的错题记录动态调整出题权重。Day 2五行生克老是搞混木和土的关系，下次出题这个方向的比例自动拉高。不是均匀出题，是盯着你的薄弱点打。
第二，实战即学习。 每次我有需要占卜的场景，它按标准排盘模板走完整流程，并给我讲解。每一次实战都是一次完整的知识应用，比做100道练习题都管用。
第三，即时复盘。 断完卦马上分析，哪里断对了，哪里偏了，为什么偏了。这个反馈循环是准确率提升最快的路径。
传统学习里，学、练、用、复盘四步是割裂的。上课学，回家练，工作中用，有空才复盘------大多数人到第三步就断了，复盘更是几乎没有人做。
AI Agent把这四步压缩到了同一个对话窗口里：
一个晚上就能跑完一个完整循环。以前要一个月的事，现在一个晚上。
👀
学任何东西，都要尽早配一个AI Agent做陪练。不是配一个问答机器人，是配一个能「主动出题 + 陪你实战 + 帮你复盘」的闭环搭档。OpenClaw就能做，关键是你要把学习的SOP写进Agent的配置里。
06 踩出来的三条铁律
每一条都交了学费。
铁律一：AI生成的视觉内容，凡涉及精确符号，一律用代码替代
梅花易数的卦象其实不复杂，但我一开始让AI生成PPT来画。
结果，全是错的。
AI图像生成对这种需要严格精确的符号系统，目前根本不可靠。不是模型不行，是图像生成这个范式本身就不适合处理离散精确符号。
我的解法：全部用SVG代码渲染。
csharp
[1,1,1] = 乾 ☰ 三条阳爻（完整横线）
[0,0,0] = 坤 ☷ 三条阴爻（断开横线）
[1,0,1] = 离 ☲ 阳阴阳数据驱动，程序画图，100%准确。不存在画错的可能。
这也是为什么我的练习页面选了React JSX而不是普通HTML------卦象需要根据数据动态渲染，组件化的方式更干净，而且能保证每一个卦在任何场景下都准确无误。
👀
化学分子式、乐谱、电路图、数学公式的图形表示、棋谱------只要是精确符号系统，都别信AI的图像生成，用代码。
铁律二：你必须学到能发现AI哪里错了的程度
「AI时代还需不需要学习」这个问题，我的答案很明确：需要。但学的目标变了------不是学知识本身，是学到能发现AI哪里给错了的程度。
这个「能发现错误的判断力」，才是AI时代个人最值钱的能力。
铁律三：Agent的准确率取决于你给它的约束模板，不取决于模型有多强
梅花先生在帮我算卦的时候，互卦经常出错。
这不是模型能力的问题。Claude Opus足够强了。问题出在我没有给它一个不可跳步的计算模板。
我加了一个强制约束：每次排盘必须先把六爻数组完整写出来------
六爻（从下到上）：
初爻=0 二爻=1 三爻=0 四爻=0 五爻=0 上爻=0然后逐位标号取值，不允许心算跳步。
加上这个约束之后，准确率从大概70%直接拉到了100%。
👀
让AI做任何有精确步骤的事情，都要给一个「逐步展示中间过程」的模板。不是因为它不会算，是因为它在心算的时候会跳步，跳步就容易出错。模型能力是天花板，约束模板决定它能稳定发挥几成。
好的约束不是限制AI的能力，是帮AI把能力稳定地释放出来。
07 AI时代学习的哲学
最后讲讲我想了大半年的那个问题。
传统时代学习的目标是「我要学会这个知识」。你把知识装进脑子里，能用的时候掏出来用。
AI时代，这个目标变了。
知识获取的成本已经趋近于零了。你问AI任何问题，它都能给你一个看起来很专业的回答。但「看起来专业」和「真的对」之间，有一道巨大的鸿沟。
新的目标是：我要学会验证AI给我的东西对不对，然后把我的人生经验注入进去，形成AI给不了的判断。
拿梅花易数来说。AI能帮我起卦、排盘、算五行生克，算得比我快、比我准（在有约束模板的前提下）。
但断卦的最后一步------象的解读------只有人能做。
同样一个「巽为风」的变卦，AI只会告诉你：飘移、流动、不定。但结合「这是一只丢失的猫」这个具体语境，我能解读出：它不在一个固定位置，有活动性但不容易直接碰上，不是被人收留的状态，更可能在游荡。
这个解读需要对生活场景的理解、对猫的行为习性的常识、对求卦人心态的体察。这些东西AI给不了，也不应该指望AI给。
所以AI时代学习的分工，我最终的结论是这张图：
越往右上角，越是人不可替代的部分，也越值钱。
AI让获取知识的成本趋近于零，但验证知识和应用知识的能力，反而变得前所未有地值钱。
学习这件事，从来没有捷径。
但确实有了更聪明的路径分工。