如何用 Claude Code 开启10 倍学习法？

前段时间接了一个开发项目，完全陌生的领域。

不夸张，我之前对这个行业的概念几乎是零。

但留给我建立全局认知的时间，只有 1-2 周。

按以前的做法，我大概会买几本书、刷几个视频、记一堆零散笔记，最后大概率是记完就忘。这次我换了个思路，全程让 Claude Code 当我的老师。

结果有点出乎我自己的意料。

9 个章节的认知地图，从核心概念到行业惯例到坑点清单，全梳理了一遍。我自己出了几十道题来验证理解，错了的地方反复纠正。

整体下来，对这个陌生领域，至少不再是「听不懂别人在说什么」的状态了。

所以今天这篇文章，就想聊一聊我最近的一个感受：学习这件事，正在被 AI 重新定义。

学习从「因材施教」变成「个性化定制」

孔子讲「因材施教」，讲了两千多年。

听上去很美，但真正做到的人极少。

为什么？因为这很奢侈。

「因材施教」意味着有一个能力很强的老师，愿意花时间观察你、了解你的水平、知道你卡在哪里、然后专门为你设计学习路径。

这种老师以前只服务两种人：皇室子弟，和能请得起一对一家教的少数富人。

对绝大多数普通人来说，我们能获得的从来都是「大锅饭式」的教学。

一本教材、一堂大课、一个对所有人讲一样东西的老师。你跟不上？自己想办法。你早就懂了？陪着别人重听。

而今天的 AI 把这件事彻底改变了。

现在打开一个任意一个 Agent 工具，告诉它「我是 XX（你的职业） ，XX（目标领域）行业完全零基础，要在 1-2 周建立全局认知」，它能立刻调整讲解的颗粒度、用你熟悉的领域类比、跳过你已经懂的部分、停在你不懂的地方。

这就是「个性化定制」。

成本是多少？接近零。

你现在拥有的，是一个 7×24 在线、不知疲倦、能力还不差、专门为你一个人服务的老师。

这件事如果放在 5 年前，是不可想象的。

但前提是，你得有「概念性理解」

讲到这里你可能会问：既然 AI 这么强，是不是干脆什么都不用学了，让它全干就行？

正好相反。

AI 越强，对人这一侧的要求其实是变高了，没有降低。

降低的是执行层的要求。写代码、配环境、调 API、做翻译，这些 AI 干得又快又好，你不用再花时间在这些上面。

但概念层的要求被抬高了。

你得知道一件事是什么、为什么存在、和其他事物的关系是什么。但不一定需要知道它具体怎么做。

这就是「概念性理解」。

举几个例子🌰：

你不需要会写 SQL，但你需要知道「数据库」是用来持久化存储数据的，跟「缓存」不一样。

你不需要会配 Firebase，但你需要知道一个 App 通常需要一个后端服务来处理用户认证和数据同步。

你不需要懂金融衍生品的定价模型，但你需要知道这个行业里的核心概念分别在解决什么问题、各自的边界在哪里。

为什么这件事重要？

因为如果你连基本概念都不具备，你既没法向 AI 准确描述自己的问题，也没法判断 AI 给你的方案是不是合理的。

工具越是强大，那个手握工具的人，就越是重要。

这篇文章分享的这套方法，本质上做的就是一件事：让 AI 辅助你完成对一个陌生领域的「概念性理解」。

工具上我用的是 Claude Code，但不局限于 Claude Code，Codex、Cursor Agent 这类 Agent 工具都可以。

为什么不直接用 ChatGPT 这种 Chatbot？

因为 Chatbot 能力上有先天限制：

它没法直接读写你电脑里的文件，每次想让它处理资料，你得手动复制粘贴；它生成的内容你又得手动复制回自己的笔记里。

它也没法主动调用工具，比如联网查资料、运行一段代码。

而 Agent 工具能直接读写本地文件、能联网、能调用各种 Skills。

学习场景里这点尤其关键，因为整个过程涉及大量「读文件、写内容、跨章节维护一份长文档」的工作。

以下是具体步骤。

先让 AI 画一张全局地图，不要进入任何细节

这是我觉得最反直觉的一步。

很多人学新东西的本能，是从第一个概念开始啃。看到不懂的名词就停下来查；查完发现牵出 3 个新名词，再去查；查到最后已经在第 10 层迷宫里了，根本不记得最开始想搞清楚的是什么。

我的做法是反过来。

第一次跟 AI 对话，我只让它干一件事：把这个领域的全貌讲给我听。不讲细节，不展开公式，就讲这个行业大致由哪几块组成、每一块是干嘛的、它们之间的关系是什么。

讲完之后让它输出一份「章节大纲」，也就是接下来我要逐章吃透的内容索引。

为什么这么做？

因为人脑学新东西最大的痛点，是没有挂钩。

你看到一个新概念，如果脑子里没有任何能挂得上的钩子，这个概念是飘的，记不住。

但如果你脑子里已经有一张粗糙的地图，新概念一进来就能挂到对应位置上，记忆和理解的成本都会大幅下降。

这一步往往要花 30 分钟到 1 小时。

我会跟 AI 反复确认：「这一块我理解的对吗？」「为什么会有这一块？」「它和上面那一块是什么关系？」一直问到我能用自己的话，把整张地图复述一遍，才算完成。

完成之后，章节索引也就有了。比如我这次有 9 个 part，每一个 part 都对应一块独立的认知模块。

每一章都用「三个视角 + 真实例子」深挖

到这一步才正式开始学。

但有一个关键原则：绝对不能让 AI 一次性把所有内容生成出来给你看。

我知道这听起来很「反效率」。明明 AI 三十秒就能给你一份 1 万字的完美讲解，为什么要慢慢一段一段聊？

因为速度不是学习的目标，理解才是。

AI 一次性生成的内容，你读起来会有一种「看完了」的错觉。

但合上文件，你能复述出来的，可能不到 20%。这跟你刷完一段高赞回答觉得自己懂了、第二天什么都讲不出来，是一回事。

我的做法是这样：

每开一个 part，我会让 AI 先讲核心概念。讲完之后，我主动要求它从 3 个不同的视角再讲一遍：

• 普通用户视角（这件事对最终用户意味着什么）
• 业务方视角（中间环节的人是怎么看的）
• 实现者视角（开发的时候要怎么想） 同一个概念，三个视角各讲一次。

为什么要这样？

因为同一件事，从不同视角看，会暴露出非常多的隐藏维度。你只听一个视角，往往以为自己懂了；三个视角对比着看，你才会发现「原来这件事在另一个角色眼里完全是另一回事」。

讲完之后，我会让 AI 配上真实的具体例子，抽象的概念加上具体的例子，是把概念从「字面理解」变成「操作理解」的关键。

每章末必须出题，必须答对才能进入下一章

这是整套方法里最关键的一步。

每一章的内容讲完之后，我会让 AI 出 2-3 道题。

题目类型不限：概念辨析、计算题、应用题都可以。

然后我自己作答，把答案发给它。

它会逐题告诉我哪里对、哪里错、错在哪个环节，是知识跨度太大还是基础概念没掌握，然后针对性地再讲一遍，再出新的题。

直到我能稳定答对，才进入下一章。

这一步的价值，怎么强调都不为过。

我以前一直觉得自己「懂了」，但这次出题验证下来，发现自己第一次接触一个新概念时，如果不认真，至少有一半的题会答错。

错在哪？

有时候是方向搞反了；有时候是把两个相似的概念混为一谈；有时候是计算逻辑对的，但代入了错误的数字。

这些错误如果没被出题暴露，我会带着错误的理解进入下一章，然后在下一章的概念上继续叠加错误的理解，越叠越歪。

而且更重要的是，AI 出的题是为你定制的。它知道你前面学了什么、错过什么、容易在哪里混淆，每一道题都在帮你查漏补缺。

这件事，任何一本教辅书、任何一个网课都做不到。

写在最后

回到开头那个场景。

我接的项目本来是个完全陌生的领域，按传统学习方式，1-2 周建立全局认知是一件挺有挑战的事。

但这次跑下来，效率确实跟以前完全不是一个量级，两天就把核心内容全部过完了。

回过头看，整套方法里最有价值的部分，就是 AI 通过逼着我做输出验证，然后根据我的反馈，再针对性进行查漏补全，直到整个概念完全理解。

而且 AI 让整个过程的成本接近于零。

所以，如果你最近也有学习的需求，可以去试试。