一、知识的两种类型
陈述性知识
- 概念、事实、结构化定义
- 可脱离情境表达,可写入笔记
- 可自测:能复述、能问答即可
- 学习方式:系统学习
程序性知识
- 判断力、体感、调试能力
- 依赖具体情境,常常说不清依据
- 不可自测:陈述性自问("我懂吗")会得到陈述性答案,无效
- 学习方式:反复做 + 外部反馈
- 评估方式:给自己一个坏掉的、没见过的系统,看能不能修
两者互相促进:项目暴露基础知识窟窿并定优先级,基础知识让你在项目中看懂更多毛边。不分先后,同时跑。
二、学习闭环五环
手搓 → 跑通 → 输出 → 发布 → 反馈
- 手搓不跑通 = 自欺
- 跑通不输出 = 停在"以为懂"
- 输出不发布 = 没有压力测试
- 发布不接反馈 = 丢掉最有信息量的部分
完工线:够用到能收到反馈,不是做到满意。
三、Public 的功能定位
对你而言,public = 项目级程序性知识的评估器。
不是展示、不是传播、不是身份建设。因为项目层面没法自评估,外部反馈是唯一评判来源。
四、并行与节奏
- 并行 = 时间分片,不是每个项目都按快闭环推
- 项目自身节奏与输出节奏解耦
- 慢的是学习节奏,不是输出频率(慢槽位也可以持续 public)
五、时间配比原则
- 选题大小决定闭环周期
- 视频录剪是最贵的环节,瓶颈决定节奏
- 初学阶段:手搓时间 ≥ 视频制作时间(反过来说明选题太浅或视频做得太精致)
六、Curve-fit 自指——经验会拟合经验
每次做项目遇到现象,你对它的解释会变成下一次观察的滤镜。做十次如果都用同一个错误框架解释,不是十次经验,是同一个错误被加强了十次。
"懂了"的感觉会过早关闭学习:大脑是叙事机器,只要能拼成连贯故事就会停下来。真正的调试能力恰好长在那些被归类为"细节"的毛边里。
七、对抗动作(可操作)
1. 显性化毛边 遇到不符合预期的现象,立刻写下:
现象:XXX
我的解释:XXX(或"不知道")
下次遇到时验证:XXX
不为立刻解释,只为不让它被"跑通了"的感觉吞掉。
2. 主动换场景 同一个东西跑十次 < 十个场景各跑一次。场景多样性是打脸的弹药库。
3. 做预测再验证 开跑前写:"我预测会发生 X,因为 Y。" 跑完对照。 没有预测的经验是拟合,有预测的经验才是学习。
4. 主动找反例 形成解释后,主动构造让它失败的场景。自己打自己脸比等现实打要快。
5. 修坏掉的系统(程序性知识评估)
- 找一个别人写的、你没看过实现的系统
- 故意改坏一处
- 不查答案、不问 AI,自己判断"是 X 问题,依据是 Y"
- 验证
八、AI 协作的 meta 提醒
AI 会拟合"完成任务的形态",不只是内容。让 AI"客观"也会被拟合成"好的客观回答的形状"。
对抗方式只能由你主动打断,不能指望 AI 自己跳出去——"跳出去"也是一个形状。
