编者摘要：大模型不是用来直接获取答案的工具，而应该作为苏格拉底式导师，引导我们自主思考，保留试错挣扎的学习过程。作者以实现 Bitcask、tinylsm（LSM 树）数据库项目为例，提出一套实操方法：

1. 学习主线由自己完成，大模型只负责提问引导，不直接给出解决方案；枯燥的辅助工作（测试、工具、可视化 REPL）交给 AI，节省精力聚焦核心知识点。
2. 借助大模型做项目拆解，分阶段制定计划，每个阶段定义可验证的完成标准，收获阶段性小胜利，对抗拖延与意志力消耗。
3. 利用间隔练习，碎片化持续迭代项目；搭建可视化反馈，持续激发学习动力。
4. 敢于挑战超出能力边界的项目，遇到不懂的地方反复让 AI 讲解，拒绝停留在简单内容。

底层理论来自《认知天性》：先挣扎解题，再看答案，记忆才牢固；同时引用铃木俊隆的思想，强调全身心投入。

10 个关键问题Q&A

1. Q：为什么大模型直接给出代码，反而不利于学习？ A：跳过了独立思考、排查错误的挣扎过程。大脑没有主动推演，记忆很浅，容易学完就忘，还会产生能力错觉。
2. Q：苏格拉底式代码导师是什么？ A：一种提示词模式，AI 不直接给出答案，通过层层提问，引导学习者自主定位问题、推导出解决方案。
3. Q：哪些工作适合交给大模型，哪些必须自己写？ A：核心逻辑、算法、底层原理必须自己动手；测试代码、脚手架、可视化、辅助工具这类非学习目标的枯燥工作交给 AI。
4. Q：PLAN.md 项目计划文档有哪 4 个组成部分？ A：阶段目标、细分步骤、可验证完成标准、需要注意的陷阱。
5. Q：文中提到的间隔练习原理是什么？ A：多次学习之间产生一定遗忘，大脑主动提取知识的费力过程，会强化长期记忆。
6. Q：可视化反馈对学习的作用是什么？ A：快速看到成果，提供正向激励，对抗多巴胺缺失带来的放弃冲动，维持好奇心。
7. Q：作者为什么选择动手实现 Bitcask、LSM 树数据库？ A：属于有挑战的底层项目，强迫自己深入理解存储原理；可以阶段性验证成果，适合这套学习方法。
8. Q：“黄金准则：每个阶段结束，系统必须可运行、测试全部通过” 的意义？ A：避免半成品堆积；每次学习结束都留下可验证成果，收获成就感，防止项目烂尾。
9. Q：如何对抗大模型、短视频带来的即时多巴胺，克服拖延？ A：预先规划，减少每次学习时的决策消耗；目标拆小，每次学习都能拿到小胜利，降低启动成本。
10. Q：这套学习方法只适用于编程吗？ A：作者说编程是例子，原理通用。任何领域都可以：AI 做资料整理、辅助验证，自己做核心推理与实践。

发布时间：2026 年 10 月 4 日

我想聊聊在大模型时代，我是如何持续学习新知识的 —— 因为这件事如今变得格外艰难。大模型、AI、智能体，随便你怎么称呼它们，能够一次性给出完整结果，却夺走了试错本身带来的乐趣。这里我主要以编程为例，但这套思路适用于任何领域。

过去，我们学习框架、编程语言、设计模式，都是先踩坑出错，再从错误里吸取教训。但现在一切来得太快，我们不愿花时间去经历失败，尽管从长期来看，试错对学习更有益。恰恰是这种挣扎的过程，才是大脑真正掌握新知识的方式。

坦白说，我自己也犯过这个毛病。以前我肯埋头苦啃知识，现在却觉得这么做毫无意义，毕竟大模型可以直接给出你想要的一切。这些想法最终促使我反思：我遇到了学习瓶颈，出于工作需求和个人兴趣，我需要继续学习。下面就是我重新找到的、适配大模型时代的学习方法。

当时我在读一篇名为 Bitcask 的论文。如果你对编程感兴趣，我建议读一读。这篇论文非常简明，就算不是资深程序员也能看懂；只要愿意动手，里面的概念很好理解，也能落地实现。

于是我打算，不借助任何大模型辅助，亲手实现 Bitcask，并且基本做到了。写代码途中我一度卡住，当时我想用大模型，但目的不是让它帮我写出这一段代码，而是请它把底层概念讲清楚，由我自己完成实现。那一刻我意识到：我们完全可以用大模型来教学，而不是让它直接给出全部答案。

大模型还可以接手枯燥的体力活，避免学习过程变得乏味。举个例子，如果你想写一个聊天应用来学习知识，需要服务端和客户端，而你只想练习服务端逻辑。如果客户端并不是你的学习重点，何苦耗费精力写它，消磨学习动力？这正是大模型的用武之地。你可以交给大模型处理乏味的部分：测试代码、工具链、可视化展示。我不是说这些内容毫无价值，只是如果它们不是你的学习目标，不必亲自去写。

之后我参考别人的实践，找到了一种叫「苏格拉底式代码导师（socratic-code-mentor）」的提示词技巧。它不会直接甩给你答案，而是提出恰当的问题，引导你自己推导出结果，这样学到的内容才能真正记住。

下面是一个简化示例：

我：求和结果应该是 6，但我得到了 NaN

const nums = [1, 2, 3];
let sum = 0;
for (let i = 0; i <= nums.length; i++)
  sum += nums[i];
console.log(sum); // NaN

大模型：nums 数组里有几个元素？最后一个下标是多少？ 

我：3 个元素，最后下标是 2。 大模型：循环中 i 会依次取哪些值？ 我：0、1、2、3…… 哦。nums [3] 是 undefined，数字加 undefined 就会得到 NaN。 大模型：没错。

index:   0  1  2  3
nums:   [1, 2, 3] undefined
i:       ▲  ▲  ▲  ▲  ← 循环多跑了一次

大模型：你该怎么修改？ 我：改成 i < nums.length。

在这个例子里，大模型没有直接告诉我 “循环多迭代了一次”，而是通过提问、简单图示，引导我自己定位 bug。这个知识点我很难忘掉，因为整个思考推导是我独立完成的。

学习，是靠自己推演得出结论，而不是被动接收现成结论。《认知天性》（如果你对学习心理学感兴趣，强烈推荐这本书）里有一句话说得很好：

在看到解法之前，先努力尝试解决问题；当你经历过一番挣扎之后，再看到解决方案，会学得更好，记忆也更持久。

就连我公司的首席技术官，也常用这种启发式提问和我讨论。当我问：“我们为什么不采用方案 X？”，他会反问：你觉得我们为什么应该用 X？我阐述自己的理由，他继续针对我的回答提出下一个问题，最后我自己得出合理结论。这样学到的东西，记忆会非常牢固。

所以，你要主动锻炼大脑。这套苏格拉底式提示词的核心，就是不断提出问题，驱动思考。

第二个难题：维持学习热情，这需要自律。如果你在做一个有一定复杂度的学习项目，不可能一夜完工。提前规划目标，你就不会浪费时间纠结下一步该干什么。不然，每次打开电脑，你可能会对着空白屏幕发呆半小时 —— 至少我是这样。缺少动力、自律不足时，人很容易拖延。

理想状态是：你坐到电脑前，对大模型说一句 “继续”，它就能从上次中断的地方带你接着往下做。有意思的是，大模型非常擅长帮你拆解目标清单。

比如你想动手写一个简易版 LevelDB，通俗来说就是实现 LSM 树（非程序员读者，见谅）。你可以让大模型把项目拆分成多个阶段，每个阶段目标清晰。每次开始学习，就完成一项，打勾打卡。

学完 Bitcask 之后，我想挑战难度更高、和数据库相关的项目，于是动手实现 LSM 树，项目名叫 tinylsm（我大概会持续做这类 tiny-xxx 小项目）。下面是项目 PLAN.md 的精简版本，仓库地址：https://github.com/ogzhanolguncu/tinylsm

# tinylsm — 开发计划
黄金准则：每个阶段结束，系统必须可运行、测试全部通过。绝不并行开发两个半成品功能。

## 阶段2 — WAL（预写日志）
目标：程序崩溃后数据不丢失。所有写入先写入日志，再写入内存；崩溃重启后重放日志，保证已完成写入不会丢失。

步骤：
1. 单条记录的编码与解码
2. 将记录追加写入文件
3. 启动时重放日志文件；遇到写入一半的不完整记录，干净终止解析

完成标准：在写入中途强制杀死进程，重启程序，所有写完的数据都能恢复。

注意陷阱：崩溃会造成最后一条记录只写了一半。这属于预期情况，不算数据损坏。

## 进度
- [x] 阶段1 — 跳表
- [x] 阶段2 — WAL
- [ ] 阶段3 — 内存表
- [ ] ……

每个阶段都包含四块内容：目标、细分小步骤、可验证的完成标准，以及需要提防的坑。底部的清单就是那句 “继续” 的依托：大模型读取文档，就能知道你当前进度。

这样一来，你不用耗费意志力去思考下一步干什么。启动学习本身，就比想象中消耗更多精力。而现在，大模型、短视频不断带来即时多巴胺刺激，启动学习的门槛更高了。我们总想快速看到结果。一份计划恰好能解决这个问题。就算你身心疲惫，也可以完成一小部分，收获一次小小的胜利。

这种学习方式的效果也更好：连续数天、数周，每次短时间持续迭代同一个项目。就像铃木俊隆禅师的比喻：行走在浓雾之中，你不会察觉自己慢慢被打湿，但雾气一点点浸润全身。心理学家称之为间隔练习：两次学习之间产生一定程度的遗忘，大脑需要主动回忆知识，这个费力提取的过程，才会把知识牢牢刻进记忆。

到这里，我们讲了两件事：正确使用大模型，而不是直接索要答案；做好规划，避免无休止拖延。但还有一点没有提到。

对我个人而言，如果能获得可视化反馈，我会更加享受学习。可以是粗糙简陋的 UI、交互式命令行 REPL，任何形式都行。它能让我持续投入，保持好奇心，期待后续成果。

tinylsm 项目里，我让大模型写了一个简易 REPL。我可以往数据库写入数据，观察多层数据表不断增长，还可以做读取性能压测：

tinylsm> bench
miss latency vs L0 height
     88 tables ██████████████████████████████ 174.9µs
      1 table  ░░░░░░░░░░░░░░░░░░░░░░░░░░░░░░   1.7µs

说实话，亲眼看到自己写的合并代码，把读取速度提升上百倍，极大点燃了我的动力。

建议你下一个大型学习项目也这么做。文末我分享的提示词技巧也包含这个思路，你也可以自由发挥想象力。借助大模型，你可以搭建任何能够激励自己继续前进的反馈工具。

最后一条建议：选择有挑战性的项目。在大模型出现之前，实现 LSM 树这类东西，需要翻阅大量 GitHub 仓库、啃多本书籍的特定章节。现在，你只需要说一句 “我想搞懂 XYZ 的原理”，大模型就可以帮你检索资料，搜集所需素材。某种意义上学习门槛变低了，但我们也变得更懒惰。想来一直都是如此，人天生容易贪图省事。

总结（写给和我一样懒人的极简摘要）

1. 不要让大模型直接给出答案，把它当作你的导师。
2. 交给大模型处理体力活：测试、工具链等等。
3. 提前和大模型一起制定计划，用最少意志力维持学习动力 —— 我们本就没有多少意志力。
4. 让进度可视化：REPL、图表，任何能留住你的反馈形式。
5. 追求小而快的阶段性成果。哪怕每天只学习 30 分钟，保持稳定坚持，也好过突击两天，然后搁置十天。
6. 保持好奇心，尝试学习超出你当前能力范围的内容。就算你自认不算聪明，你可以反复对大模型说 “我看不懂”，让它一遍遍地解释。不要停留在简单内容上。

文末附上我使用的提示词脚本：https://gist.github.com/ogzhanolguncu/274e9974dc02942109ad70200f6d7b25 我在原版基础上，根据自己的学习方式做了修改，你可以拿去，按需调整适配自己。

用一句我奉为信条的话收尾：

做事之时，应当全然投入，如同熊熊篝火，燃尽自我，不留一丝余烬。 —— 铃木俊隆

参考文献

1. Justin Sheehy, David Smith. Bitcask: A Log-Structured Hash Table for Fast Key/Value Data. Basho Technologies, 2010
2. Peter C. Brown, Henry L. Roediger III, Mark A. McDaniel. Make It Stick: The Science of Successful Learning. Harvard University Press, 2014
3. Shunryu Suzuki. Zen Mind, Beginner’s Mind: Informal Talks on Zen Meditation and Practice. Weatherhill, 1970