懂概念、会解释，不等于能稳定交付结果，所以课堂式学习容易制造“我懂了就等于我会了”的错觉⁠1。真正决定水平的是那些动作：把模糊需求变成任务、定义什么叫可用、定位失败原因、在约束里迭代，这些动词很难写进技能栏，却最有用⁠2。名词不是不能学，而是有边界——学了 RAG 就以为能解决某类问题，学了 agent 就以为模型能自己搞定，容易停在包装层⁠2。检验标准是可迁移性：换任务、换工具、换领域还能交付，才算学会⁠1。

第一步，动手前先写下你打算怎么做、觉得哪里会出错，再看 AI 的结果，错了才有得学。第二步，过一两天关掉 AI 自己重做一遍，或讲给别人听，卡住的地方就是没学会的地方。第三步，改一个条件——换一批数据、加一个约束、换一个用户——看你还会不会⁠3。做的时候会觉得更慢更吃力，那不是退步，是学习在发生⁠3。这套做法不要求你少用 AI：同一个 AI，用法不同，学到的就不同，把它当站在身后的保护员，只在快撑不住时托一把⁠3。

配环境、申请 token、调端口这类事消耗意志力，给人“我在努力”的错觉，却不增长智慧，尽管交给 AI 和工具⁠3。难度应该留给真正的问题：这件事值不值得做、该怎么拆、做出来的东西好不好⁠3。另外，做出来一个能跑的 demo 和做一个能被长期依赖的系统是两回事，AI 没有填平这道鸿沟，只是让你更快走到鸿沟边上；学习项目的目标是获得认知，不必一开始就按生产系统的标准要求自己⁠5。