先把学习环境准备好
工具不是学习目标,但稳定的版本管理、AI 工作台、远程仓库和网络条件,是后续知识沉淀与工程实践能够持续发生的前提。
思维底座
先理解思维如何从经验、确定性模型走向统计与不确定性管理,才能理解为什么 AI 工程需要数据、验证和持续迭代。
用抽象理解世界,用系统承载秩序
认知系统不是思维工具的清单,而是一套连续结构:先选择抽象层次,再从静态组成与动态过程认识事物,最后用多种思维模型交叉验证,并接受客观反馈。
后面的数学修养、写作方法、AI 协作与工程闭环,都可以放回这张认知地图中理解。
结构化思维:把数据逐层转化为行动
原始数据加入上下文成为信息;信息经过假设、关系和模式提炼为知识;知识再经过分析、对比、演绎和决策,才转化为智慧。
人类思维的升级,是不断驯服不确定性
意识让人主动追问规律;符号让经验跨越时空;科学方法把怀疑、实验与验证变成循环;模型带来精确预测;统计思维则帮助我们面对无法完整建模的复杂世界。
AI 协作不是「凭感觉让模型做事」,而是把经验显性化为需求,把方法固化为流程,把不确定性转化为测试与证据。
学习方法
把抽象方法变成可照做的学习路径。新手先走通闭环,再回到证据中理解每个工程决策。
- 1. 收集真实聊天
- 2. 生成 PRD
- 3. 升级需求 v2
- 4. 写技术方案
- 5. 多 Agent 实现
- 6. 独立盲审质检
- 7. 修到无高危问题
- 8. 验收、归档、发布
你是在组织一场协作,不是在写提示词
需求、设计、实现、质检与修复,模拟的是人类社会的专业分工。高质量沟通不依赖神秘咒语,而在于用自然语言说清意图、角色、流程、边界和验收标准。
问题洞察、用户理解、审美判断,以及把这些转化为解决方案的能力,仍然来自人。
写作不是记录思考,写作本身就在思考
工作记忆容量有限。把思维轨迹外化为文字,相当于给大脑增加可回溯的缓存;它让人腾出精力反思观点、接受他人校正,并借助语言继续生成新思想。
把模糊想法写成提示、需求和验收标准,不只是「告诉 AI 做什么」,也会迫使我们发现遗漏、矛盾与真正的问题。
建立全局
- 看思维信息图
- 读核心故事
- 记住交付闭环
复盘项目
- 群聊主线
- PRD / 需求
- 技术方案
- 最终验收
深度学习质检
- 技术方案
- B-02 修复
- 第 5 轮修复
- 验收报告
知识实践
知识管理理论解决「为什么管理、管理什么」,大模型知识库进一步解决「如何低成本地持续摄入、组织、检索与维护」。
让大模型维护 Wiki,人类负责方向与判断
传统个人知识管理包含获取、筛选、提炼、组织与应用。LLM Wiki 将其编排为三层架构与三个动作:原始资料保持不可变,模型增量生成相互链接的 Wiki,用 Schema 约束结构。
人类策划来源、提出问题、决定方向;大模型负责总结、交叉引用、归档、维护一致性。它不是把思考外包,而是把重复维护交给不会厌倦的协作者。
工程闭环
核心案例回答「发生了什么」,工程链路回答「如何从一段真实对话走到可验收交付」。
证据系统
按知识类型检索原始交付物。它们不是并列文章,而是工程主线中不同阶段留下的可追溯证据。
技能升级 PRD
从历史对话沉淀产品目标、用例和第一版升级需求。
技能升级需求 v2
把 PRD 压实为功能需求、安全矩阵、状态机和测试矩阵。
技能升级技术方案 v2
分层架构、兼容策略、错误码、工作包与回滚方案。
B-02 修复记录
阻断项的根因、修复、生产路径证据和判定。
第 5 轮修复记录
最后一轮质检、参数验证与残余边界处理。
最终验收签署报告
签署口径、阻断项关闭、验证结果与交付清单。
协作如何变成教学案例
把目标、纠偏、归档、部署和小白化拆成步骤。
用户如何驱动 AI 交付
按回合展示提示、AI 行动和产出结果。
信息卡生成技能
长文提炼、视觉选择、HTML 生成、截图与校验的完整流程。
用写作推进思考
备忘、缓存、反思、交流与语言生成构成的思考循环。
构建认知系统
27 张图重排为建模、活动、抽象、认知、动静分析与工具六组。
结构化思维
从数据、信息、知识到智慧,再落到学习框架与输出习惯。





