AI 不是一门靠读懂概念就能掌握的学科，而是一门手艺：懂概念、会解释，不等于能稳定交付结果。课堂式学习和照抄教程会制造一种错觉——把“我懂了”当成“我会了”，而教程和玩具项目往往替你完成了最关键的建模、拆解、验收和诊断，你只是在走流程⁠1。所以路线起点不是找教材，而是找一个你今天就能交给 AI 的真实任务，在做的过程中学⁠2。判断有没有学会，看可迁移性：换任务、换工具、换领域还能不能交付⁠1。

一个可参考的进阶顺序是：先学会高质量使用模型，练的是提示、任务拆解和判断输出质量；再用 AI coding 快速做原型，练代码维护、debug、数据结构和边界情况；接着学工作流、上下文管理、评估和迭代；最后才进入编排、集成、记忆、权限和真实场景接入⁠3。这个顺序的意义是避免虚假自信——做出一个能跑的 demo，很容易让人以为已经会做 AI 产品，但 demo 到 production 之间那道鸿沟，AI 并没有填平，只是让你更快走到边上⁠4。

不必少用 AI，但要把它当保护员：配环境、调端口这类消耗意志力却不长智慧的“假困难”尽管交给工具，难要留给值不值得做、怎么拆、做得好不好这些真问题⁠5。具体可以这样做：先自己猜一遍打算怎么做、哪里会出错，再看 AI 的结果；过一两天关掉 AI 自己重做或讲给别人听，卡住的地方就是没学会的地方；再改一个条件——换一批数据、加一个约束、换一个用户，看还会不会⁠5。做的时候更慢更吃力，那不是退步。