编按：
这里是 Tabbit「Tinsight · 洞见」栏目，我们会在这里分享一些值得花时间阅读的深度好文。此前我们已经分享过来自 offbook.press 的文章《AI 时代的真正分化》。新系列《个体学习的重建》侧重于为人们提供了一连串实际可行的解决方案。全文共有 1.9w 字，我们分成 6 次推送，本次是第 6 章，也是最后一部分。探讨真正的学习到底从哪里开始，以及要怎么迈出第一步。
▼
作者：耿达维 Dawei Geng
来源：https://offbook.press/essays/rebuilding-learning/
第六章 · 一个起点：AI 编程
方法讲完了，但很多读者会卡在比「方法」更前面一步：不知道从哪件事开始。
或者更准确地说，他们能想到的事（学个技能、培养个爱好）都是前 AI 时代就存在的选项，不够贴合这个时代。
有一件事——对有一台电脑、能联网的人来说 —— 成本接近零、而且只有 AI 时代才真正向零基础的人开放：用 AI 写代码解决自己手上的麻烦事。
把它作为这一章的内容，不是因为每个人都应该学编程。是因为它是前面五章所有论点最密集的落地场。
▍错误的开始
零基础的人想开始 AI 编程，大部分人走的路是：
问 AI 「vibecoding 怎么入门」。搜「新手如何用 cursor」。去小红书、B 站刷一个小圆脑袋在视频左下角讲他是怎么用三天时间搭了一个网站的。收藏一堆 AI 编程教程、follow 几个博主、保存几十个 prompt 模板，准备「认真学一段时间再开始」。
走不过两周。不是因为他们懒，是因为这条路在结构上是失败的。
它就是第一章讲的那三种模式在 AI 编程学习上的具体化：问 AI「怎么入门」、刷别人的教程、收藏模板，全是当百科用；还没真正开始做事，没有任何具体情境，没有真实情境；「我下一步该学什么」式的元问题，兔子洞。没有任何一步在跑真实的判断循环。
而且这里有一个额外的陷阱：那些「三天搭网站」的视频看起来特别激动人心、特别有效率，观众在看的时候感觉自己也能做，但看完之后自己什么都不会。因为你看了别人在做，不等于你在做。这是第一章讲的消费和学习的体感重合在 AI 编程领域里的具体表现。
▍正确的开始
四步。
一、拥有一个能跑 Claude Code 或 Codex 的账号
为什么必须是 Claude Code 或 Codex，因为截至 2026 年初它们是你能用到的最强模型 + 最强 Agent + 最强代码能力的三位一体。不要从更弱的模型开始，也不要花时间纠结「该选哪个工具」：这个纠结本身就是第一章讲的元问题，一种看起来像认真的消费。
具体怎么装、怎么配置，这里不讲。
如果你真的想开始，「这个东西怎么装」本身就是你的第一个有 delta 的问题。你去问 AI，AI 告诉你，你照着装好。
这一步就已经在跑第二章那个循环了：有具体需求、带着需求去问 AI、按回答去做、遇到问题继续问、直到装好。
如果你连这一步都懒得自己去问，这一章写的不是给你的人群。
这一步本身就是一个过滤器。
二、挑一件你手上真实发生的烦事
不是「我要做一个宏大的项目」、不是「我要学会爬虫」，是你最近真的手动做过、每次做都觉得烦的事。
导出的 Excel 格式乱七八糟，每次要手动整理
几十个 PDF 里要抠出某些数字填到表格
同一个消息要发给二十个客户，每次都要改姓名 copy paste
一堆文件名乱七八糟的照片，想按拍摄日期重命名
越具体越好。带上你真实数据的一个例子，不是抽象描述，是「这是我的文件的实际样子」。
这就是第二章的核心：delta 来自真实情境。你不需要先学编程，你需要先有一件真实让你烦的事。
新手在这里最大的卡点通常是「我想不出有什么事」。这个卡点本身说明一件事：你可能并没有真的在观察你的日常。你手动做的任何重复操作都是候选，打开你的电脑和手机，看看你每天在 copy paste 什么、在手动整理什么、在重复点什么，那里面就有十几个候选任务。
三、让它写代码，跑起来
把烦事描述给 AI，让它写代码。
跑一下。通常有三种情况：
直接对了（较少）。跑起来了但结果不对。根本跑不起来，报错。
第二、三种情况才是学习真正发生的地方。
这时候不要自己先想「我是不是该学一下基础才能看懂」。直接把报错、把不对的结果、把你观察到的现象原封不动发回给 AI，让它继续改。
如果你看不懂它改了什么，让它解释。但不要为了「先懂了再继续」而停下来。让它继续改，直到这件事真的被解决。
在这个循环里，你会一点点看懂它在做什么。不是因为你在学语法，是因为同样的东西在你眼前反复出现，你自然就开始认识。这是第二章最后讲的，必要基础是事后知道的，不是事前知道的。
四、解决了，挑下一件烦事
不用复盘。不用总结「我这次学到了什么」。不用制定「学习路线图」。
你解决了一件真实的烦事。下一件烦事就是下一轮的起点。
做到第五件、第十件的时候你会发现：
你开始隐约理解代码在做什么
你开始能看出 AI 写的哪里可能有问题
你开始有自己的调整想法，而不是只接受 AI 给的版本
你的「烦事列表」不知不觉变长了，因为你开始看得见更多原本就应该自动化的事
这就是能力在长。不是通过「学」长出来的，是通过「做」长出来的。
这件事的真正价值
最重要的是这一句：
AI 编程对一个人的真正价值，不是让他会编程，是让他拥有一面反馈极其清晰的镜子。
计算机的反馈是你日常能接触到的反馈里最纯净的一种。代码对不对，一跑就知道；逻辑严不严密，bug 立刻暴露；你的假设对不对，现实几秒钟内告诉你。
这种反馈清晰度在大部分日常领域里是没有的。人际关系的反馈模糊、延迟、充满噪声；职场判断的反馈要几个月才能看到；商业决策的反馈里夹杂着无数和你判断无关的外部因素。
编程不一样。每一次你做判断、验证、被打脸、修正，整个循环在几分钟内完成。
一个认真做 AI 编程的人，哪怕只是写些小脚本，一年积累的「假设-验证-修正」循环数远超大部分其他领域。这些循环的总和就是判断力的训练量。
所以 AI 编程的真正 ROI 不是「我会写程序了」，是「我有了一个不断训练判断力的场所」。
这就回到第四章的核心：镜子的价值不在那个领域本身，在它能用来照其他领域。你在编程里被训练出来的「先提假设、让现实打脸、快速修正」的反射，会迁移到你生活和工作的许多其他领域。
如果你读完 Issue 1 和 Issue 2 不知道从哪里开始——找一个能跑 Claude Code 的环境，挑一件烦事，让它写代码。
第七章 · 最后
不管你从哪一件具体的事开始，这一篇讨论的东西其实只有一件：
当所有旧的学习方式都在失效的时候，真正的学习应该怎么发生。
答案不是什么新方法论。答案是回到学习最古老的本质。
什么是学习？学习是把一个人的判断系统持续暴露在现实的反馈下，让它不断被校准。这个定义在苏格拉底的时代就成立，在工业革命之前就成立，在互联网之前就成立。真正的学习，从来不是「读了多少」、「知道多少」、「记住多少」，是你的判断是不是真的在被现实打磨。
前 AI 时代，大部分学习活动偏离了这个本质，变成了对信息的消费、对知识的囤积、对「显得博学」的追求。这些活动有一定的外部奖励（社会地位、职业门槛、社交资本），所以偏离了本质也还能维持。
AI 时代把这些外部奖励清空了。知识不再稀缺、信息不再有差异化价值、「显得博学」已经没人买单。偏离本质的学习活动的所有伪装被剥掉了，露出它们本来就没有价值的面目。
剩下能维持价值的，只有那些真正回到学习本质的活动：
做一件真实的事，让你的判断有地方被校准
观察这件事的反馈，让校准真的发生
用 AI 帮你问出有 delta 的问题、审阅你的判断、整理你的经验、照亮新领域，让这个过程比过去高效几十倍
这不是方法论。这不是「AI 时代的学习技巧」。这是对「学习」这个词的重新理解：把它从 AI 时代前那个被各种伪装包围的版本，还原成它本来的样子。
然后让 AI 去加速这个本来的东西，而不是加速那些伪装。
最后一个自检，比任何方法都更有杀伤力：
过去三个月，你做出了什么新判断，是因为你和 AI 的对话而形成的？这个判断是具体的、可验证的、会改变你某个具体行动的吗？
答得出的，这套系统在你身上已经开始运作
答不出的，你可能用了很多 AI，但真正的学习还没开始发生
AI 时代的学习不是关于「用了多少 AI」，是关于AI 用完之后，你自己变了多少。
引用与出处
本文涉及的主要事实性断言的来源。
关于好奇心、信息获取与大脑奖励系统（第一章）
Bromberg-Martin, E. S., & Hikosaka, O. (2009). 「Midbrain dopamine neurons signal preference for advance information about upcoming rewards.」Neuron, 63(1), 119-126. 该研究在猴子上发现，中脑多巴胺神经元对「获取信息的机会」做出反应，即使这些信息没有 instrumental 价值
Gruber, M. J., Gelman, B. D., & Ranganath, C. (2014). 「States of curiosity modulate hippocampus-dependent learning via the dopaminergic circuit.」Neuron, 84(2), 486-496. 人类 fMRI 研究，发现好奇心状态下 VTA/SN（多巴胺中脑）和 NAcc（伏隔核）的激活模式和期待金钱奖励时一致
Kidd, C., & Hayden, B. Y. (2015). 「The psychology and neuroscience of curiosity.」Neuron, 88(3), 449-460. 综述，梳理信息作为 higher-order reward 的完整理论框架
关于思维工具的经典入门读物（第三章）
Daniel Kahneman, Thinking, Fast and Slow（Farrar, Straus and Giroux, 2011）。中译本《思考，快与慢》
Judea Pearl & Dana Mackenzie, The Book of Why: The New Science of Cause and Effect（Basic Books, 2018）。中译本《为什么：关于因果关系的新科学》
Thomas C. Schelling, The Strategy of Conflict（Harvard University Press, 1960）。中译本《冲突的战略》
Donella H. Meadows, Thinking in Systems: A Primer（Chelsea Green Publishing, 2008）。中译本《系统之美》
这四门工具的进阶读物（Stanovich、Cunningham、Tetlock 等）见 Issue 1 的「附录 · 入门书单」。
关于 AI 编程文化（第六章）
「Vibe coding」 一词由 Andrej Karpathy 于 2025 年 2 月 2 日在 X 平台创造。原帖大意：「There’s a new kind of coding I call ‘vibe coding’, where you fully give in to the vibes, embrace exponentials, and forget that the code even exists.」 原帖浏览量超过 450 万次，该词后被 Collins Dictionary 评为 2025 年度词
本文对上述来源做了概念上的转述而非直接引用。如需核查原文表述，请参考原始链接与出版物。