第 1 步：收集高质量资料#

近几年的精品论文、各大模型厂商发布的关键技术博客、X 上模型负责人写的文章、斯坦福等高校近两年的相关课程，还有经典的手搓大模型代码仓库。

然后借助工具自动化完成下载、转 Markdown、清洗、整理，按分类放进这次研究专用的仓库，在正式开始读之前，先把整个信息环境弄干净。

第 2 步：读和筛选#

• 自己看得懂的 → 认真读一遍，觉得价值不大的删掉，好的留下
• 看不懂的 → 让 Claude 帮忙理解，更复杂的翻译成中文再读
• 代码 → 能本地跑的就跑，不能跑的就看结构，理解核心思路

不追求完全掌握每个细节，只要对这个领域有真实的认知、摸清楚技术原理就够了。

原来一半的内容都会被删掉——筛选本来就是学习的一部分，留下对的东西比读更多更重要。

第 3 步：写大纲#

到了这个阶段，对这个领域大概有认知了，就可以开始给文章写大纲：

• 想清楚要讲什么
• 每个部分对应的资料来源
• 内容的顺序
• 读者读完之后应该得到什么

文章是写给别人看的，需要知道对方的认知水平，哪里会卡住，需要什么程度的解释。

第 4 步：逐节填充内容（苦力活）#

和大学考试前复习很像，逐节把内容填充完整，补上缺少的解释，把整体跑通。这一步下来通常会得到一篇很长、有些啰嗦的初稿。

第 5 步：AI 辅助优化#

让 AI 在不改变原意和语气的前提下：

• 去掉无用的啰嗦
• 修好断层的连接
• 找出逻辑不完整的地方
• 指出还需要补充哪些背景知识

AI 不是在替我写，是在帮我收紧结构、减少噪音、暴露漏洞。

第 6 步：自己再读一遍#

AI 只是工具，一旦让它代替你的判断，这件事就没意思了。

自己读的过程中继续修改调优，和写代码自测那种感觉很像——不断找薄弱点、修毛边、改读起来不对的地方。读完两遍，基本感觉差不多了，然后就可以发出来给大伙看。

为什么我觉得 AI 在有真实产出的时候才最有用#

如果只是让它帮你总结，很容易感觉自己学了很多，但脑子里其实没什么扎实的。

当你认真在写一篇东西、解释一个概念、做出一个成品的时候，AI 才真正有帮助，它放大的是你自己已经在做的事情。

关于「写了没人看」#

肯定有小伙伴担心写了没人看，所以不想发，甚至干脆不写。

只要内容有意义，自然会有读者，不一定立刻，不一定很多，但有意义的东西很少会被浪费。「没人看」大多数时候只是懒得动笔的借口。

最重要的感受#

在 AI 时代，学习速度确实快了很多，但深度不会自动到来。AI 可以帮你收集、翻译、清洗、整理、对比、精简，把整个过程工业化，但：

真正的深度还是取决于你的判断、你的耐心、你的标准，以及你愿不愿意把输入转化成输出。这一点没有变，现在反而更重要了。