推动动手最直接的做法，是让学员在求助之前先留下自己的判断。可以设计成页面上的一栏：写下你打算怎么做、觉得哪里会出错，然后再看 AI 的结果；错了才有得学⁠1。检验是否真的学会，则看撤掉帮助、隔一段时间、换一道题之后还做不做得出来，这三步可以变成手册里的复做记录⁠1。课程本身也把动手当作目的而非手段，认为离开面对面环节后，最难克服的就是让学员真的去读、去想、真的动手⁠2。

光靠内容留不住动手，机制更管用。Build to Refund 用退费把"交付"变成硬要求，理由是不需要完美软件，只要把手弄脏、建立 build 的肌肉记忆⁠3。同一篇还指出，很多学员其实做了不少东西，只是不愿分享，卡在被评判的恐惧、完美主义和怕显得炫耀这三重心态上⁠3。手册可以据此设计一个低门槛的公开动作，比如把过程和卡点写出来，而不是只展示成品。

选难的那条路不等于所有环节都自己扛。配环境、申请 token、调端口这类被称作"假困难"的事，消耗意志力却不增长智慧，可以交给 AI 和工具；难要留在这件事值不值得做、该怎么拆、做出来好不好这些判断上⁠1。手册若想推动动手，可以把这类无关摩擦写成"直接跳过"的提示，把页面留给需要学员自己下判断的地方。

立正把《金刚经》的「降伏其心」用在自己身上：钱已经够了，他选择少赚一些、把时间放在生活、修行、代码上，但难处是看到别人更红、做得未必更好却被更多人认可时，会心有不甘，想是不是也该去做那些事。王路的回答是，钱未必是真正吸引你的东西，更深层的需求可能是被尊敬、被认可、被认真对待，而名声、播放量、课程销量都只是代理指标。看清这一层，才知道这些指标是不是唯一满足方式⁠1,2。

如果只留一页，这一页最值得留的就是这个问题本身：你说想要的那个数字背后，真正想要的是什么？它是否一定要通过名声、title、收入来满足？这不是压抑欲望，也不是假装不在乎，而是看见欲望真正指向哪里⁠1。

productivity 之所以危险，是因为它看起来太正当。「我想更高效」「我想把时间利用好」几乎没人会反对，但它背后藏着一个判断：一个人的时间应该尽可能转化成产出。一旦接受这个判断，散步、发呆、陪人聊天都会被一种隐秘的声音审判为浪费时间，今天总是为明天服务。立正说自己越来越 productive 时并不一定更自由，只是把自己训练成了一个更高吞吐量的系统⁠3。

所以那一页要防的不只是钱和名声，还有「效率」这种更难识别的代理指标。判断标准可以很简单：这件事十年后你还愿意继续做吗⁠2？

AI 能快速生成、改写、画图、写代码，过去稀缺的是「能不能做出来」，现在越来越稀缺的是「知不知道什么值得做、什么算做好」。AI 处理的是已经被定义过的好，它能模仿风格、执行标准、优化明确指标，但标准还没形成时的判断——这个方向有没有生命力、这个粗糙的东西是垃圾还是新东西的胚胎——需要人在场，因为品味里有在乎，你得长期和一件事纠缠才分得出真假⁠1。手写记录慢，恰恰逼你停下来做这种判断，而不是让 AI 替你生成一百个版本再挑一个顺眼的。

人常常先做出行为，再编出理由，而且自己不知道那是编的。当下反应是有价值的窗口，但大脑工作记忆带宽不够，没法在它暴露的同时处理它，等事情过去，很多细节已经从记忆里掉了，重新回忆时已经损失很多⁠2。手写记录的作用就是趁那个窗口还在，把停顿、防御、不舒服这些瞬间留下来。回听自己发的语音、回看自己录的视频之所以有用，也是因为透明的东西只有在裂缝里才变得不透明，你才有机会看到自己的盲点⁠2。

如果你现在用 AI 的主要方式是让它生成，然后你挑一个看起来还行的，可以试一件事：在让 AI 动手之前，先手写两三句你自己的猜测——你觉得答案大概是什么、哪个方向值得做、什么算做好。等 AI 输出后，对照你写的那几行，看差在哪里。这个动作能帮你验证的是：你的判断是在 AI 之前就有的，还是被它的输出带着走的。反馈信号很直接——如果每次对照都发现你写的东西和最终选择无关，说明你还没在用自己的品味做筛选，而只是在接受 AI 的平均答案⁠1。