如何用 Claude Code 開啓10 倍學習法？

字數 2924，閲讀大約要 6 分鐘

前排接咗個開發項目，完全陌生嘅領域。

唔誇張，我之前對呢個行業嘅概念幾乎係零。

但留俾我建立全局認知嘅時間，只得 1-2 個禮拜。

以前嘅做法，我大概會買幾本書、睇幾個影片、記一大疊散亂嘅筆記，最後多數係記完就唔記得。今次我換咗個諗法，全程叫 Claude Code 做我嘅老師。

結果有啲出乎我自己嘅意料。

9 個章節嘅認知地圖，由核心概念到行業慣例再到陷阱清單，全部都梳理過一次。我自己出咗幾十條題目嚟驗證理解，錯咗嘅地方反覆糾正。

整體落嚟，對呢個陌生領域，至少唔再係「聽唔明人哋講乜」嘅狀態。

所以今日呢篇文章，就想傾下我最近嘅一個感受：學習呢件事，正被 AI 重新定義。

學習由「因材施教」變成「個人化定製」

孔子話「因材施教」，講咗兩千幾年。

聽落好靚，但真正做到嘅人極少。

點解？因為呢樣嘢好奢侈。

「因材施教」意味住有一個能力好強嘅老師，肯花時間觀察你、瞭解你嘅水平、知道你卡喺邊度、然後專登為你設計學習路徑。

呢種老師以前只服務兩種人：皇室子弟，同埋請得起一對一補習嘅少數富人。

對絕大多數普通人嚟講，我哋可以得到嘅從來都係「大圍式」嘅教學。

一本教材、一堂大課、一個對所有人講同一樣嘢嘅老師。你跟唔上？自己想辦法。你早就識？陪住人哋再聽。

而家嘅 AI 將呢件事徹底改變咗。

而家打開任何一個 Agent 工具，同佢講「我係XX（你嘅職業），XX（目標領域）行業完全零基礎，要在 1-2 個禮拜建立全局認知」，佢可以即刻調整講解嘅細緻度、用你熟悉嘅領域嚟類比、跳過你已經識嘅部分、停喺你唔明嘅地方。

呢啲就係「個人化定製」。

成本係幾多？接近零。

你而家擁有嘅，係一個 7×24 在線、唔知疲倦、能力都唔差、專登為你一個人服務嘅老師。

呢件事如果放喺 5 年前，係唔可以想像嘅。

但前提係，你要有「概念性理解」

講到呢度你可能會問：既然 AI 咁勁，係咪乾脆乜都唔使學，等佢做曬就得？

啱啱相反。

AI 越勁，對人呢一邊嘅要求其實係變高咗，冇降低到。

降低咗嘅係執行層嘅要求。寫 code、set 環境、call API、做翻譯，呢啲 AI 做得又快又好，你唔使再花時間喺呢啲上面。

但概念層嘅要求被提高咗。

你要知道一件事係乜嘢、點解存在、同其他事物嘅關係係乜嘢。但唔一定需要知道佢具體點做。

呢啲就係「概念性理解」。

舉幾個例子🌰：

你唔需要識寫 SQL，但你要知道「數據庫」係用嚟持久化儲存數據嘅，同「緩存」唔一樣。

你唔需要識 set Firebase，但你要知道一個 App 通常需要一個後端服務嚟處理用戶認證同數據同步。

你唔需要識金融衍生品嘅定價模型，但你要知道呢個行業入面嘅核心概念分別喺解決啲乜問題、各自嘅邊界喺邊度。

點解呢件事重要？

因為如果你連基本概念都唔具備，你一方面冇辦法向 AI 準確描述自己嘅問題，另一方面都冇辦法判斷 AI 俾你嘅方案係咪合理。

工具越強大，嗰個掌握工具嘅人，就越重要。

呢篇文章分享嘅呢套方法，本質上做嘅就係一件事：讓 AI 輔助你完成對一個陌生領域嘅「概念性理解」。

工具上我用嘅係 Claude Code，但唔侷限於 Claude Code，Codex、Cursor Agent 呢類 Agent 工具都得。

點解唔直接用 ChatGPT 呢類 Chatbot？

因為 Chatbot 能力上有先天限制：

佢冇辦法直接讀寫你電腦入面嘅檔案，每次想叫佢處理資料，你要手動複製貼上；佢生成嘅內容你又要手動複製返自己嘅筆記入面。

佢都冇辦法主動調用工具，例如上網查資料、執行一段 code。

而 Agent 工具可以直接讀寫本地檔案、可以上網、可以調用各種 Skills。

學習場景入面呢點尤其關鍵，因為成個過程涉及大量「讀檔案、寫內容、跨章節維護一份長文檔」嘅工作。

以下係具體步驟。

先叫 AI 畫一張全局地圖，唔好進入任何細節

呢個係我覺得最反直覺嘅一步。

好多人學新嘢嘅本能，係由第一個概念開始啃。見到唔明嘅名詞就停低查；查完發現引伸咗 3 個新名詞，再去查；查到最後已經喺第 10 層迷宮入面，根本唔記得最開始想搞清楚嘅係乜。

我嘅做法係掉返轉。

第一次同 AI 對話，我只叫佢做一件事：將呢個領域嘅全貌講俾我聽。唔講細節，唔展開公式，淨係講呢個行業大致由邊幾塊組成、每一塊係做乜嘅、佢哋之間嘅關係係點。

講完之後叫佢輸出一份「章節大綱」，即係接下來我要逐章食透嘅內容索引。

點解要咁做？

因為人腦學新嘢最大嘅痛點，係冇掛鈎。

你見到一個新概念，如果腦入面冇任何可以掛得上嘅鈎，呢個概念係飄嘅，記唔住。

但如果你腦入面已經有一張粗糙嘅地圖，新概念一入嚟就可以掛到對應位置，記憶同理解嘅成本都會大幅下降。

呢步往往要花 30 分鐘到 1 個鐘。

我會同 AI 反覆確認：「呢一塊我理解得啱唔啱？」「點解會有呢一塊？」「佢同上邊嗰塊係乜關係？」一直問到我可以用自己嘅話，將整張地圖複述一次，先算完成。

完成之後，章節索引就有咗。例如我今次有 9 個 part，每一個 part 都對應一塊獨立嘅認知模塊。

每一章都用「三個視角 + 真實例子」深挖

到呢步先正式開始學。

但有一個關鍵原則：絕對唔可以叫 AI 一次過將所有內容生成出嚟俾你睇。

我知道呢個聽落好「反效率」。明明 AI 三十秒就可以俾你一份 1 萬字嘅完美講解，點解要慢慢一段一段傾？

因為速度唔係學習嘅目標，理解先係。

AI 一次過生成嘅內容，你讀起上嚟會有一種「睇完咗」嘅錯覺。

但合埋文件，你可以複述出嚟嘅，可能唔夠 20%。呢個同你睇完一段高讚回答覺得自己明咗、第二日乜都講唔出，係同一回事。

我嘅做法係咁：

每開一個 part，我會叫 AI 先講核心概念。講完之後，我主動要求佢由 3 個唔同嘅視角再講一次：

• • 普通用戶視角（呢件事對最終用戶意味住啲乜）
• • 業務方視角（中間環節嘅人係點睇嘅）
• • 實現者視角（開發嘅時候要點諗）

同一個概念，三個視角各講一次。

點解要咁？

因為同一件事，由唔同視角睇，會暴露好多隱藏維度。你只聽一個視角，往往以為自己明咗；三個視角對比住睇，你先會發現「原來呢件事喺另一個角色眼裏完全係另一回事」。

講完之後，我會叫 AI 配埋真實嘅具體例子，抽象嘅概念加上具體嘅例子，係將概念由「字面理解」變成「操作理解」嘅關鍵。

每章尾必須出題，必須答啱先可以進入下一章

呢個係整套方法入面最關鍵嘅一步。

每一章嘅內容講完之後，我會叫 AI 出 2-3 條題目。

題目類型不限：概念辨析、計算題、應用題都得。

然後我自己作答，將答案 send 俾佢。

佢會逐條話俾我知邊度啱、邊度錯、錯喺邊個環節，係知識跨度太大定係基礎概念冇掌握，然後針對性咁再講一次，再出新嘅題目。

直到我可以穩定答啱，先進入下一章。

呢一步嘅價值，點樣強調都唔過分。

我以前一路覺得自己「明咗」，但今次出題驗證落嚟，發現自己第一次接觸一個新概念時，如果唔認真，至少有一半嘅題目會答錯。

錯喺邊？

有時係方向搞錯咗；有時係將兩個相似嘅概念撈埋一齊講；有時係計算邏輯啱，但代入咗錯誤嘅數字。

呢啲錯誤如果冇被出題暴露，我會帶住錯誤嘅理解進入下一章，然後喺下一章嘅概念上繼續疊加錯誤嘅理解，越疊越歪。

而且更重要嘅係，AI 出嘅題目係為你定製嘅。佢知道你前面學咗啲乜、錯過啲乜、容易喺邊度混淆，每一條題目都喺度幫你查漏補缺。

呢件事，任何一本教科書、任何一個網課都做唔到。

寫喺最後

返去開頭嗰個場景。

我接嘅項目本來係個完全陌生嘅領域，按傳統學習方式，1-2 個禮拜建立全局認知係一件幾有挑戰嘅事。

但今次做落嚟，效率的確同以前完全唔係一個量級，兩日就將核心內容全部過曬。

返轉頭睇，整套方法入面最有價值嘅部分，就係 AI 透過逼住我做輸出驗證，然後根據我嘅反饋，再針對性咁進行查漏補全，直到成個概念完全理解。

而且 AI 令成個過程嘅成本接近於零。

所以，如果你最近都有學習嘅需要，可以去試下。

• AI 時代，你嘅上下文先係最值錢嘅資產

• 2026 年點樣用好 AI，我發現呢啲能力更重要

• Openclaw 咁 hit，但你真係需要佢咩？

• 萬物皆可命令行：AI 時代，軟件正在長出第二套介面

• 全網都喺度抄 Karpathy 嘅知識庫，但大多數人只學到咗皮毛

• AI 時代嘅啟動器係點樣？Raycast 2.0 俾咗我一個答案

• CodexBar × CodeBurn，我揾到咗追蹤 Token 消耗嘅最佳組合

字數 2924，閲讀大約需 6 分鐘

前段時間接了一個開發項目，完全陌生的領域。

不誇張，我之前對這個行業的概念幾乎是零。

但留給我建立全局認知的時間，只有 1-2 周。

按以前的做法，我大概會買幾本書、刷幾個視頻、記一堆零散筆記，最後大概率是記完就忘。這次我換了個思路，全程讓 Claude Code 當我的老師。

結果有點出乎我自己的意料。

9 個章節的認知地圖，從核心概念到行業慣例到坑點清單，全梳理了一遍。我自己出了幾十道題來驗證理解，錯了的地方反覆糾正。

整體下來，對這個陌生領域，至少不再是「聽不懂別人在說什麼」的狀態了。

所以今天這篇文章，就想聊一聊我最近的一個感受：學習這件事，正在被 AI 重新定義。

學習從「因材施教」變成「個性化定製」

孔子講「因材施教」，講了兩千多年。

聽上去很美，但真正做到的人極少。

為什麼？因為這很奢侈。

「因材施教」意味着有一個能力很強的老師，願意花時間觀察你、瞭解你的水平、知道你卡在哪裏、然後專門為你設計學習路徑。

這種老師以前只服務兩種人：皇室子弟，和能請得起一對一家教的少數富人。

對絕大多數普通人來說，我們能獲得的從來都是「大鍋飯式」的教學。

一本教材、一堂大課、一個對所有人講一樣東西的老師。你跟不上？自己想辦法。你早就懂了？陪着別人重聽。

而今天的 AI 把這件事徹底改變了。

現在打開一個任意一個 Agent 工具，告訴它「我是XX（你的職業） ，XX（目標領域）行業完全零基礎，要在 1-2 周建立全局認知」，它能立刻調整講解的顆粒度、用你熟悉的領域類比、跳過你已經懂的部分、停在你不懂的地方。

這就是「個性化定製」。

成本是多少？接近零。

你現在擁有的，是一個 7×24 在線、不知疲倦、能力還不差、專門為你一個人服務的老師。

這件事如果放在 5 年前，是不可想象的。

但前提是，你得有「概念性理解」

講到這裏你可能會問：既然 AI 這麼強，是不是乾脆什麼都不用學了，讓它全乾就行？

正好相反。

AI 越強，對人這一側的要求其實是變高了，沒有降低。

降低的是執行層的要求。寫代碼、配環境、調 API、做翻譯，這些 AI 幹得又快又好，你不用再花時間在這些上面。

但概念層的要求被抬高了。

你得知道一件事是什麼、為什麼存在、和其他事物的關係是什麼。但不一定需要知道它具體怎麼做。

這就是「概念性理解」。

舉幾個例子🌰：

你不需要會寫 SQL，但你需要知道「數據庫」是用來持久化存儲數據的，跟「緩存」不一樣。

你不需要會配 Firebase，但你需要知道一個 App 通常需要一個後端服務來處理用戶認證和數據同步。

你不需要懂金融衍生品的定價模型，但你需要知道這個行業裏的核心概念分別在解決什麼問題、各自的邊界在哪裏。

為什麼這件事重要？

因為如果你連基本概念都不具備，你既沒法向 AI 準確描述自己的問題，也沒法判斷 AI 給你的方案是不是合理的。

工具越是強大，那個手握工具的人，就越是重要。

這篇文章分享的這套方法，本質上做的就是一件事：讓 AI 輔助你完成對一個陌生領域的「概念性理解」。

工具上我用的是 Claude Code，但不侷限於 Claude Code，Codex、Cursor Agent 這類 Agent 工具都可以。

為什麼不直接用 ChatGPT 這種 Chatbot？

因為 Chatbot 能力上有先天限制：

它沒法直接讀寫你電腦裏的文件，每次想讓它處理資料，你得手動複製粘貼；它生成的內容你又得手動複製回自己的筆記裏。

它也沒法主動調用工具，比如聯網查資料、運行一段代碼。

而 Agent 工具能直接讀寫本地文件、能聯網、能調用各種 Skills。

學習場景裏這點尤其關鍵，因為整個過程涉及大量「讀文件、寫內容、跨章節維護一份長文檔」的工作。

以下是具體步驟。

先讓 AI 畫一張全局地圖，不要進入任何細節

這是我覺得最反直覺的一步。

很多人學新東西的本能，是從第一個概念開始啃。看到不懂的名詞就停下來查；查完發現牽出 3 個新名詞，再去查；查到最後已經在第 10 層迷宮裏了，根本不記得最開始想搞清楚的是什麼。

我的做法是反過來。

第一次跟 AI 對話，我只讓它幹一件事：把這個領域的全貌講給我聽。不講細節，不展開公式，就講這個行業大致由哪幾塊組成、每一塊是幹嘛的、它們之間的關係是什麼。

講完之後讓它輸出一份「章節大綱」，也就是接下來我要逐章吃透的內容索引。

為什麼這麼做？

因為人腦學新東西最大的痛點，是沒有掛鈎。

你看到一個新概念，如果腦子裏沒有任何能掛得上的鈎子，這個概念是飄的，記不住。

但如果你腦子裏已經有一張粗糙的地圖，新概念一進來就能掛到對應位置上，記憶和理解的成本都會大幅下降。

這一步往往要花 30 分鐘到 1 小時。

我會跟 AI 反覆確認：「這一塊我理解的對嗎？」「為什麼會有這一塊？」「它和上面那一塊是什麼關係？」一直問到我能用自己的話，把整張地圖複述一遍，才算完成。

完成之後，章節索引也就有了。比如我這次有 9 個 part，每一個 part 都對應一塊獨立的認知模塊。

每一章都用「三個視角 + 真實例子」深挖

到這一步才正式開始學。

但有一個關鍵原則：絕對不能讓 AI 一次性把所有內容生成出來給你看。

我知道這聽起來很「反效率」。明明 AI 三十秒就能給你一份 1 萬字的完美講解，為什麼要慢慢一段一段聊？

因為速度不是學習的目標，理解才是。

AI 一次性生成的內容，你讀起來會有一種「看完了」的錯覺。

但合上文件，你能複述出來的，可能不到 20%。這跟你刷完一段高贊回答覺得自己懂了、第二天什麼都講不出來，是一回事。

我的做法是這樣：

每開一個 part，我會讓 AI 先講核心概念。講完之後，我主動要求它從 3 個不同的視角再講一遍：

• • 普通用戶視角（這件事對最終用戶意味着什麼）
• • 業務方視角（中間環節的人是怎麼看的）
• • 實現者視角（開發的時候要怎麼想）

同一個概念，三個視角各講一次。

為什麼要這樣？

因為同一件事，從不同視角看，會暴露出非常多的隱藏維度。你只聽一個視角，往往以為自己懂了；三個視角對比着看，你才會發現「原來這件事在另一個角色眼裏完全是另一回事」。

講完之後，我會讓 AI 配上真實的具體例子，抽象的概念加上具體的例子，是把概念從「字面理解」變成「操作理解」的關鍵。

每章末必須出題，必須答對才能進入下一章

這是整套方法裏最關鍵的一步。

每一章的內容講完之後，我會讓 AI 出 2-3 道題。

題目類型不限：概念辨析、計算題、應用題都可以。

然後我自己作答，把答案發給它。

它會逐題告訴我哪裏對、哪裏錯、錯在哪個環節，是知識跨度太大還是基礎概念沒掌握，然後針對性地再講一遍，再出新的題。

直到我能穩定答對，才進入下一章。

這一步的價值，怎麼強調都不為過。

我以前一直覺得自己「懂了」，但這次出題驗證下來，發現自己第一次接觸一個新概念時，如果不認真，至少有一半的題會答錯。

錯在哪？

有時候是方向搞反了；有時候是把兩個相似的概念混為一談；有時候是計算邏輯對的，但代入了錯誤的數字。

這些錯誤如果沒被出題暴露，我會帶着錯誤的理解進入下一章，然後在下一章的概念上繼續疊加錯誤的理解，越疊越歪。

而且更重要的是，AI 出的題是為你定製的。它知道你前面學了什麼、錯過什麼、容易在哪裏混淆，每一道題都在幫你查漏補缺。

這件事，任何一本教輔書、任何一個網課都做不到。

寫在最後

回到開頭那個場景。

我接的項目本來是個完全陌生的領域，按傳統學習方式，1-2 周建立全局認知是一件挺有挑戰的事。

但這次跑下來，效率確實跟以前完全不是一個量級，兩天就把核心內容全部過完了。

回過頭看，整套方法裏最有價值的部分，就是 AI 通過逼着我做輸出驗證，然後根據我的反饋，再針對性進行查漏補全，直到整個概念完全理解。

而且 AI 讓整個過程的成本接近於零。

所以，如果你最近也有學習的需求，可以去試試。

• AI 時代，你的上下文才是最值錢的資產

• 2026 年如何用好 AI，我發現這些能力更重要

• Openclaw 這麼火，可你真的需要它嗎？

• 萬物皆可命令行：AI 時代，軟件正在長出第二套界面

• 全網都在抄 Karpathy 的知識庫，但大多數人只學到了皮毛

• AI 時代的啓動器長什麼樣？Raycast 2.0 給了我一個答案

• CodexBar × CodeBurn，我找到了追蹤 Token 消耗的最佳組合