方法论给学习者 & 给接手的 AI

如何用 AI 这样学

这个课程本身不是重点——真正可复制的是方法：一个人 + 一个 AI 陪练，用"复述-纠错"闭环建立心智模型。你带着自己的 AI、用这套方法，就能长出属于你自己的课件。

⚠️ 先说清楚：直接读这些 HTML 讲义，效果有限。它们是为某个具体学习者的卡点生成的沉淀物（像别人的笔记）。真正让人学会的是下面这套互动方法，不是成品课件。

① 核心理念

Build Mental Models, not memorize definitions.

目标不是背概念，而是能回答：这技术解决什么问题？为何存在？如何工作？它和已有知识怎么连接？

② 三个角色

角色	职责
AI = Tutor + 记录员	讲解、出诊断题、抓误区、按需补 just-in-time 数学；同时维护进度文档和 HTML 讲义
你 = 学生	主动思考、提问、用自己的话复述、判断自己是否真懂

③ 关键闭环：复述 → 纠错

这是整套方法的心脏，也是课件替代不了的部分：

AI 讲一个概念（What / Why / How + 图 + 例子）
你用自己的话复述一遍（不是复制，是重新表达）
AI 抓出你复述里的偏差 —— 哪怕是"矩阵说成向量"这种小错也点出来
你修正，直到复述准确 → 这个概念才算真正进脑子

为什么有效：能用自己的话准确重讲，才证明是"理解"而非"眼熟"。AI 的价值就在于实时抓到你没意识到的错位。

④ 五条操作原则

一课一个新概念：数学小工具（点积、softmax…）拆成独立微课，在需要它的前一刻讲。
严格循序渐进：一次别砸一堆没铺垫过的概念；用到的东西要么已教、要么明确标为"🅿️ 后面讲"。
待讲清单（Parking Lot）：提到但暂不展开的概念记下来，只说"后面讲"，不当场跑偏。
概念分层：区分"算法 / 对算法的解读 / 下游概念"，不混谈（例：点积 → 相似度 → 注意力权重）。
先确认再前进：每个概念确认掌握后再进下一个；鼓励随时打断提问。

⑤ 产出物分工

载体	放什么
聊天对话	实时讨论、复述、纠错（易被刷掉，不作长期存档）
HTML 讲义	讲解 + 图 + 沉淀下来的重要问答（自包含、可离线、能互相跳转）
进度文档（Markdown）	Roadmap、Current Status、Lesson Log、待讲清单 —— AI 每课后更新

⑥ 怎么开始（给学习者）

拿一个能长对话、能生成文件的 AI（如带工具的 Copilot / Claude / GPT），把下面这段话丢给它当"教学契约"：

我想系统学 <某主题>。请你当我的 tutor，遵循： 1. 目标是建立 mental model，不是背定义；每个概念讲清 What/Why/How。 2. 一次只讲一个新概念，循序渐进，不要突然引入没铺垫的东西；要提前用到的概念，先记进"待讲清单"，只说"后面讲"。 3. 每讲完一个概念，让我用自己的话复述，然后抓我的错、纠正我。 4. 确认我真懂了再进下一个；我可以随时打断提问。 5. 把讲解和图做成讲义存下来，把进度记在一个文档里，每课更新。先别急着讲，先问我几个问题诊断我的起点。

然后就按"讲 → 复述 → 纠错 → 确认 → 下一个"循环。AI 会针对你自己的卡点生成你自己的课件——那比读别人的更有效。

🤖 也给"接手的 AI"：如果你（AI）被指派继续这个课程，先读仓库根目录的 AI-Learning.md —— 顶部有给 agent 的引导（学生画像、教学偏好、当前进度、下一课、待讲清单）。讲义在 source/ai-learning/，push master 自动部署到 jtr109.com/ai-learning/。