开一天会、改一天PPT、刷一天题，大脑会告诉你今天很努力，但事情可能原地不动。假学习和假工作骗的是同一个东西——你对“进步”的感觉。这种错觉是被训练出来的：学校里老师和分数定义什么算好，公司里老板和KPI定义什么算好，久了人练得最熟的是让打分的人满意，而不是自己判断什么是真的好⁠1。

所以识别假努力的第一步，不是看自己有多累、做了多少动作，而是问：这些动作之后，真实的东西变了没有。

做出来了，只说明你当下做得好；真正学会，是撤掉帮助、过一段时间、换一道题，你还会。自己先做题、卡过壳的人学得更多，却常觉得学得更少，所以AI最危险的时候，是它替你做对了，你以为自己也会了⁠2。

同理，跟着教程和玩具项目走，等于让别人替你完成了建模、拆解、验收、诊断这些最重要的部分，你只是在走流程。检验标准是可迁移性：换任务、换工具、换领域还能交付，才算真的会⁠3。

一个可以试的做法：把这次用的帮助撤掉一部分，或把题目条件改一改，看哪一步先卡住。卡住的地方就是你还没真正拿到的东西。

报告、进度、会议这些是可以被看见的代理信号，但代理信号容易取代价值本身。判断一份产出是不是假努力，可以问：它完成后，下游会作出什么不同的决定或行动？如果多生产十份，真实结果会更近吗⁠4？

对低风险、可恢复的周期性工作，最直接的办法是停一轮，停之前先写清：如果它有用，少做一轮会在什么时候造成什么后果；到期什么都没发生，就删掉。注意别先让工具把它做得更便宜，成本越低，一项没用的工作反而越容易长期存在⁠4。