hi，大家好，我是绛烨。
最近跟很多好朋友聊到，小白如何学AI应该怎么学，不知道如何入手，不同人有不同的基础，很多人甚至连大模型都不知道。
借着这次机会，我整理了一下我自己沉淀下来的ai学习方法论。
我们觉得，学习AI可以形成一个闭环的飞轮，从最开始的了解AI，到最后你自己使用AI也能快速学到其他新领域的知识，不断扩展知识的边界。
所以给大家一些参考，这篇文章也增加了一些比较有趣的配图，让大家阅读起来更加有趣一点。
很多人把「学 AI」和「用 AI 学习」混为一谈。
这篇文章把这两个问题拆开讲清楚：
第一，怎么系统地学习 AI 本身；
第二，怎么把 AI 当成杠杆，高效学习其他任何东西。
START
学习新东西应该怎么入门
过去这两年，AI 领域的热词像瀑布一样冲过来：
大模型、AIGC、Agent、RAG、多模态、Prompt、Sora、seedance2.5、DeepSeek、harness……
你收藏了很多文章，关注了很多博主，甚至报了几门课，但真到要用的时候，脑子里还是一团浆糊。
问题不是不够不努力，大脑里面其实缺少一张学习地图。
学 AI 和学任何新领域一样：先看看建立整体认知，再选一个入口扎进去，最后边用边补细节。
下面这篇文章的内容，就是为你写的。
FOUNDATION
先扫盲：AI 到底是什么？
很多人对 AI 的理解只有三个字：「大模型」。
其实大模型只是 AI 的一种形态。我们可以把 AI 粗略分成两大类：
机器学习：负责判断、分类、识别。比如人脸识别、垃圾邮件过滤、推荐算法，差不多是以前的NLP、opencv等。
生成式 AI（AIGC）：负责创造新内容。比如 ChatGPT 写文章、Midjourney 画图、Suno 作曲。
我们平时讨论的「AI 」，主要指的还是生成式 AI 的爆发，即利用AI的能力生成更多的内容，比如文字、图像、视频、3d模型，只不过是最终生成的模态形式不一样，所需要的token也不一样了。它让普通人也能用自然语言驱动机器生产内容。
而生成式 AI 里，最核心的一类叫大语言模型（LLM），也就是能理解和生成文本的 AI。
但在它之外，还有图像模型（比如banana、image2）、视频模型（kling、see dance2等）、音频模型、代码模型（DeepSeek、Claude opus、glm5.3、kimi3等），以及把多种能力合在一起的多模态模型。
简单说：
AI 是一整个工具箱，大模型只是其中一把锤子。
你不需要一开始就把所有工具都搞懂，但你要知道这个箱子里大概有什么。
COGNITION
建立认知：名词不是背出来的，是「用」出来的
学 AI 的第一个坎，是要记得名词太多。
Prompt、Token、上下文、RAG、微调、Agent、工作流、幻觉……每一个看起来都很唬人。
我的建议是：不要背定义，要做名词卡片。
一张名词卡片包含三个部分：
-
一句话解释：用最直白的话说清楚它是什么。
-
一个使用场景：你在什么情况下会遇到它。
检索、训练与错误
-
一个自己的例子：你最近在哪次使用里接触过它。
比如「Prompt」：
-
一句话：你给 AI 下的指令。
-
场景：想让 AI 帮你写一段文案。
-
例子：我昨天让 ChatGPT「用口语化风格，给 30 岁职场人写一段关于时间管理的金句」。
当你把每个名词都变成一张卡片，AI 就不再是一堆抽象概念，而是一套你能调用的能力。
而且，这种学习方法留下来的印象是非常深刻的，刻在肌肉记忆里面的。
ACTION
动手：做出东西，比看教程更重要
学 AI 最大的误区，是「等我准备好了再开始」。
AI 是一个典型的工具型技能：你必须边做边学，而不是先学再做。
输出倒逼学习，不断反哺自己迭代试错；
其实想想，我们学AI到底是为了干啥，最终还是为了减轻工作负担，多摸鱼，所以最终目的还是为了用，而不是走马观花。
建议每个人都要完成一次「最小上手闭环」，工具其实不要求太新，能解决问题就行：
选一个工具：不要贪多，先选一个你立刻能用上的，贪多嚼不烂。
完成一个真实任务：不要看「你能做什么」，而是解决一个自己的问题。
记录过程和结果：哪怕只写三行笔记，也比看完教程有效。
比如：
-
用 ChatGPT/DeepSeek 写一份周报
-
用 即梦 做一张朋友圈配图
-
用 Claude code/codex写一个小脚本，批量重命名文件
-
用剪映/可灵 把一段文字转成短视频
关键不是做得多好，而是让自己完成一次「输入 → 输出」的真实闭环。
一旦你做出第一个东西，AI 就从「听说很厉害」变成「我可以用」，关键是用起来。
TOOLS
工具推荐：按使用场景分类
下面是我个人常用、且适合普通人上手的工具清单。
不用全部安装，按你的场景挑几个就行。
1. 日常对话 / 通用助手
ChatGPT：综合能力最强，适合探索新领域。
Claude：写作、分析、长文本处理更细腻。
DeepSeek：中文能力强，推理性价比高。
豆包 / Kimi：国内使用方便，适合日常问答。
2. 搜索 / 研究
秘塔 AI 搜索：带来源的 AI 搜索，做调研效率高。
3. 写作 / 笔记
Notion AI / 飞书智能伙伴：在文档里直接调用 AI。
4. 图像
Midjourney：艺术感和可控性平衡最好。
以及即梦、GPT-image2.
5. 视频
首选see dance2，生成的视频更加真实。平替版的有kling、vidu、happyhorse。
6. 编程
Cursor：目前适合普通人最强的 AI 编程编辑器。
codex：适合不同习惯的开发者。
7. 自动化 / Agent
Coze / Dify：低代码搭 AI 机器人。
n8n / Make：把不同工具串联成工作流。
工具永远在变，清单不重要，某段时间都会有新的工具出来。
重要的是建立「按场景找工具」的习惯，而不是记住具体名字。
ROADMAP
构建你自己的 AI 学习路径
最后，给你一张可执行的路线图，因人而异，可以根据自己的习惯修改，我把 AI 学习分成四个阶段：
阶段一：先用起来
目标是让自己完成 5-10 个真实任务。
不用管原理，把 AI 当成一个聪明但有点迟钝的实习生，给它清晰指令，看它产出什么。
阶段二：理解基本原理
知道 AI 能做什么、不能做什么、为什么会出错。
重点理解Prompt 工程、模型能力边界、幻觉、上下文限制、多模态概念。
阶段三：搭建个人工作流
目标是把 AI 嵌入你的日常工作和创作流程。
比如用 AI 做选题、写初稿、做配图、分析数据、回复邮件。
阶段四：做产品或 IP（长期）
目标是把 AI 能力封装成对外的价值。
可以是一个小程序、一个自媒体账号、一个咨询服务，或者一套自动化工具。
LEVERAGE
AI 把学习的成本砍到了地板价
当你已经能用 AI 之后，真正的杠杆才开始显现。
过去我们学一个新东西，路径大致是：
买书 → 报课 → 看视频 → 记笔记 → 实践 → 老师答疑。
每一步都要花钱、花时间、找对人。
但现在，你有了一个 24 小时在线的私人导师：
它可以解释任何概念；它可以陪你读任何一本书；它可以手把手教你用任何工具；
它可以帮你分析任何一个行业；它甚至能陪你练习面试、改简历、写作品集。
学习的门槛已经从「有没有资源」变成了「会不会提问」。
关键是看执行力和自驱力，有没有复盘的能力，有没有长期做规划的能力。
CONCEPT
学习一个新概念名词
遇到一个新名词，不要急着查百度百科。
你可以用下面这个提问公式，让 AI 从不同维度给你解释：
「请用三种方式解释『XXX』：给 5 岁小孩听、给高中生听、给行业专家听。」
然后继续追问：
它和 YYY 有什么区别？最容易被误解的地方是什么？
举一个真实世界的例子。如果不用它，会怎样？
当然，更加专业的事使用「六何法（也称5W1H分析法）」这个来理解一个全新的名词。
目的不是让 AI 给你一个标准答案，而是帮你快速建立「概念网络」。
一个好的概念网络，能让你在遇到下一个相关名词时，立刻知道它大概站在哪个位置。
READING
学习一本新书
以前读书很慢，因为总想把书读完、读透，但是呢，读完之后其实发现知道了一个大概，里面的内容还是非常模糊的。
后来发现，书不是拿来「读完」的，而是拿来「解决问题」的。
其实刚开始如果我们带着问题去读这本书，效果会不会更好一点呢。
比如，我想理解人生的意义到底是什么，于是我找到一本这方面的书籍，然后读完之后，我会发现，这本书里面的一些观点正好回答了我的这个问题，而且，我有了更多的思考和行动。
现在用 AI 读书的流程可以是这样的：
第一步：预读
把书的目录、前言、结语先给 AI，让它帮我总结：这本书在回答什么问题？作者的核心论点是什么？哪几章最值得先看？
第二步：带着问题读
针对我当前最想解决的 1-2 个问题，让 AI 告诉我应该从哪章开始看。
第三步：边读边问
看到不懂的地方，直接把段落贴给 AI：
「这段话是什么意思？能不能用一个例子解释？」
第四步：输出
读完后，让 AI 帮我生成：一张思维导图大纲；一份 500 字读书笔记；3 个我可以立刻实践的行动点。
这样读书，效率至少翻一倍。
TOOLING
学习一个新 AI 工具用法
新工具层出不穷，不可能每个都报课学，最终浪费的是自己的钱和时间。
我的方法和建议是：先做第一个项目，再查文档，先动起来啊家人们，至少下载安装是可以做到的。
具体步骤：
打开工具官网，完成注册和基础设置。
直接告诉 AI 你的目标：「我想用这个工具做 XXX，请给我一份 5 步上手清单。」
跟着清单做到卡住为止。
把卡住的地方描述给 AI，让它给出具体解法。
跑通第一个项目后，再回头看官方文档补细节。
这个顺序和很多人相反。但正因为 AI 能实时答疑，你不再需要先把说明书看完才敢动手。
CODING
学习一个新的开源项目
开源项目是程序员最好的老师，但很多人一看代码量就被劝退了。
其实你可以让 codex或者其他CLI 当你的代码导游，比如使用git把项目克隆下来。
第一步：跑起来
先不管代码结构，按照 README 把项目跑起来。看到效果，才有继续的兴趣。
第二步：问大局
把项目文件结构贴给 AI：
「这个项目的主要模块有哪些？数据流是怎么走的？」
或者可以翻一番官网，理解一下大概。
第三步：改一个小功能
不要一开始就读完整源码。先尝试改一个小地方，比如改个文案、调个参数、加一个按钮。
第四步：让 AI 解释核心代码
找到项目里最关键的几个函数，让 AI 给你画流程图、写注释、举例子。
第五步：输出学习笔记
把学到的内容写成一篇博客或一段视频脚本。能讲出来，才算真懂。
IP
学习做一个 IP
做 IP 不是出名而去做的，而是持续输出一种稳定的价值。
AI 在这里的作用是放大你的输出能力，让你用同样的时间，做出更多内容。
我的 IP 工作流大致如下：
1. 定位
用 AI 帮你分析：你擅长什么？你想吸引谁？你能持续输出什么主题？
2. 选题
把你关注的话题丢给 AI，让它帮你：列出 20 个选题；筛选出最有传播潜力的 3 个；给出每个选题的 3 个切入角度
3. 创作
前期输出自己的核心思想和灵魂内容，然后用 AI 帮你写初稿、改标题、做配图、剪视频。
但是不要直接上来就用AI直接生成。
4. 发布与反馈
发布后，用 AI 分析评论和数据，提炼下一步优化方向。
TRANSITION
学习一个新行业 / 转行
现在外面工作不好找，跨行成功率微乎其微，如果没有强大的执行力和心力，基本转不成功。
如果你想进入一个全新的行业，AI 可以帮你快速画出一张「行业地图」，剩下的就看个人的执行力了。
而且，也能利用现在的workbuddy的专家团来帮你降低最大的使用难度，真的是手把手教学了。
我通常会问 AI 这些问题：
这个行业上下游分别是谁？
主要玩家有哪些？各自靠什么赚钱？
最近三年的关键变化是什么？
入门这个岗位需要哪些能力？
有哪些值得关注的公众号、播客、报告和人物？
如果要面试这个岗位，可能会被问到什么问题？
然后，工具我以往的项目和经历的上下文，我会让 AI 帮我：写一份针对性的简历，准备一个项目作品集，模拟三次面试，制定三个月的学习计划
AI 不能替你转行，但它能把转行的信息差降到最低。
TEMPLATES
一套通用的 AI 学习提问模板
最后，送你一套几乎可以复用到任何学习场景的提问模板：
入门阶段
「我想学习 XXX，请给我一份 7 天入门计划。」
「请用大白话解释 XXX，并举 3 个例子。」
深入阶段
「XXX 最容易踩的 5 个坑是什么？」
「如果要系统学习 XXX，应该按什么顺序？」
实践阶段
「我想用 XXX 做 YYY，请给我一个可执行方案。」
「请检查我的方案，指出不合理的地方。」
输出阶段
「请帮我把这段内容改得更适合发朋友圈。」
「请根据我的学习笔记，生成一份思维导图大纲。」
CLOSING
写在最后
AI 不会取代学习能力，但它彻底改变了学习的效率曲线。
过去，你可能需要几个月才能摸清一个新领域；
现在，在 AI 的帮助下，几周甚至几天就能建立基本认知。
但请记住一句话：
AI 是杠杆，支点是你是谁、你想去哪、你愿意为什么事持续投入。
但是它并不能决定你最终到底能不能成功，最终还是得看一个人的内核、外在等综合能力。
希望这篇文章，能帮你同时解决两个问题：
怎么把 AI 本身学起来；
怎么把 AI 当成杠杆，去学任何你想学的东西。
如果你已经开始实践，欢迎把你的学习笔记分享给我。
我们下一篇文章见。
END
我是绛烨，热衷于分享 AI 观察与干货。
如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见。