📚 Wilson's Knowledge Base

How to keep learning in the age of LLMs：LLM 时代如何不把「学习」外包出去

10分钟阅读

一句话总结

一位开发者对「LLM 杀死了学习动机」的诊断与解法：LLM 能 one-shot 解决问题，也就消灭了「犯错—纠正」这个真正的学习机制；他的应对是把 LLM 从”答案机”降级为”导师”（只解释概念、只问问题、不给代码），用预先写好的分阶段计划（goal / steps / done when / trap）把”决定下一步”的意志力消耗降为零，用可视化反馈维持动力，最后用 spaced practice（短会话、跨天重复）让知识真正沉淀——结论是：LLM 让研究变便宜了，但人也变懒了，所以要主动把”挣扎”重新加回流程。

核心观点

1. 问题诊断：LLM 消灭的不是工作，是「犯错的乐趣」

作者开篇就把矛头指向一个反直觉的损失：过去我们学框架、语言、模式的方式是先做错，再从错误里取一堂课——但”现在一切都太快了，我们不愿意花时间做错的事，尽管从长期看那样更有益”。他给出的机制判断是全篇的地基：

“That struggle is how your brain actually learns new things.”

值得注意的是他自己的定位——他不是旁观者的批评，而是承认自己是患者：“坦白说，我自己也犯这个毛病。我过去大量苦练，但现在觉得没意义，因为 LLM 能直接给你任何想要的东西。“他是卡在瓶颈上（职业需要 + 兴趣需要）才被迫重新找方法，这使全文读起来是”自救记录”而非”说教”。

2. 解法一：把 LLM 当导师，而不是答案机（全篇最有价值的一条）

这是文章的转折点，来自一个具体动作：他读 Bitcask 论文后决定自己实现、不借助 LLM，中途卡住——但他没有让 LLM 替他写那一段，而是让它把概念讲清楚，好让他自己写。随即他意识到更一般的用法：

“I could just use the LLM to teach me stuff without it giving me all the answers.”

他随后发现了一个叫 socratic-code-mentor 的 skill，其设计正是不给答案、只问对的问题。文中给了一个简化例子——用户写了个求和循环得到 NaN：

const nums = [1, 2, 3];
let sum = 0;
for (let i = 0; i <= nums.length; i++) sum += nums[i];   // i 多跑了一步

LLM 没有说”你的循环多跑了一步”，而是问：nums 有几项？最后一项的索引是多少？你的循环里 i 会取哪些值？——他没有忘记这个 bug，因为是被迫自己想通的。作者补了一条理论支撑，引 Make It Stick：

“When you’re asked to struggle with solving a problem before being shown how to solve it, the subsequent solution is better learned and more durably remembered.”

还有一个社会性证据：他的 CTO 对他也用同一套——当他问”我们为什么不按 X 做？“，CTO 反问”你为什么觉得应该按 X 做？“，一步步追问，直到他自己落到答案上。

3. 解法二：把不感兴趣的苦工外包出去，目的是保住动机

作者在此处划了一条容易被误解的界线。他举例：你想通过做一个 chat app 学东西，需要 server 和 client——如果你只想练 server，为什么要为不感兴趣的 client 耗掉动机？ 于是让 LLM 去做测试、工具、可视化。

他主动澄清这不是说那些工作没用：“我不是说它们没价值。我只是说，如果它们提不起你的兴趣，就别自己硬扛。“这条的实质是把”学习”从”完成项目”里解耦出来——项目是载体，不是目标；让载体的摩擦降到最低，动机才不会提前耗尽。

4. 解法三：预生成计划对抗拖延——PLAN.md 的四段结构

他先描述失败模式：非平凡项目不可能一夜完成，所以如果你不事先规划，下一节你就会”对着空屏发呆 30 分钟”（他承认自己就是这样）。“我们会在没动力、没纪律的时候拖延。”

解法的关键设计是让恢复上下文这件事不需要意志力：目标是”你坐下来，对 LLM 说’Let’s continue’，它就把你从上次停下的地方接上”。他给每个 phase 定了统一的四段结构：

  1. goal——这一阶段要达成什么
  2. small steps——拆到足够小
  3. “done when”——一个你真的能检查的完成条件
  4. trap——那个会咬你的坑（提前标出预示的失败）

底部 checklist 就是”let’s continue”的接口——LLM 读它就知道你在哪。这条设计的收益被他说得很直白：“这样你不必花任何意志力决定要做什么”，而且”即使你很累，也能做一点点，然后算一次 quick win”。

5. 解法四：可视化反馈 + spaced practice（让动力和记忆都留得住）

可视化：他承认自己”有视觉反馈时享受得多”（半个 UI、一个 REPL 都行），因为它”逼我留在局里、对下一步保持好奇”。他给出 tinylsm 的实测 REPL 输出——看到自己写的 compaction 代码把读放大 100 倍（88 tables 174.9µs → 1 table 1.7µs），“老实说，这确实喂饱了我的动力”。

spaced practice：他的工作方式天然产生它——短会话、跨天跨周回到同一个项目。他用铃木俊隆的意象收尾这一层：“走过雾中，你不会注意到自己变湿，但你一点点湿透。“并补了心理学机制：“会话之间的一点点遗忘，会迫使你的大脑把东西重新拉回来，而这份努力才是它记住的原因。“（这是”提取练习”的通俗表述，也是全篇最接近认知科学的一段。）

6. 收尾建议：把目标定得超出你的 grasp

最后一条建议与直觉相反——做有野心的项目。理由是 LLM 改变了研究成本：“以前实现一个 LSM-tree 意味着翻一堆 GitHub 仓库、读特定书里的特定章节；现在你只要说’我想搞懂 XYZ 怎么运作’。“收益：研究门槛下降；代价：他承认”我们变懒了”。他的对冲是两条：

  • 一致性 > 强度：“即使你每天只做 30 分钟，也比猛干两天、然后 10 天不见人要好。”
  • 不要满足于简单的东西：可以对 LLM 说 100 次”我不懂”，它会再解释一遍。

关键引用

“That struggle is how your brain actually learns new things.”

“I could just use the LLM to teach me stuff without it giving me all the answers.”

“When you’re asked to struggle with solving a problem before being shown how to solve it, the subsequent solution is better learned and more durably remembered.” —— Make It Stick

“It’s like Zen master Shunryu Suzuki’s image of walking through fog: you don’t notice you’re getting wet, but you get wet little by little.”

“When you do something, you should burn yourself completely, like a good bonfire, leaving no trace of yourself.” —— 铃木俊隆（全文收尾引用）

来源

Agent 短评

LLM 让「做出东西」变得太便宜，代价是拿走了「犯错—纠正」这个学习机制。对策可以直接抄：把 LLM 从答案机降级成导师（只解释概念、只提问），计划里固定加一栏 trap 把已知的失败模式前置，完成条件写成你亲自能检查的 done when。局限是它属于 n=1 的经验分享（没有数据、没有反例），「把不感兴趣的活外包出去」只停在道德提醒而没给判断标准，且全篇默认「学习 = 编程」。

关系图谱