我年轻时认路很厉害，看一眼地图就能从城东穿到城西；现在有了导航，方圆十几公里都得开着导航才敢上路。用进废退，脑子这块肌肉，你不用它，它就替你退休。AI 也一样——它拓展了我们的知识边界，却在悄悄把我们的判断力外包出去。这篇讲讲我怎么"逆流而上"，让 AI 帮我加速，而不是替我思考。

AI 既让学习成本大跌，也在实验里测出了能力退化，这两件事同时为真。差别不在用不用 AI，而在“生成答案的那一步”发生在谁的脑子里。文中列了会变笨的六种做法、会变聪明的六种做法，三条不靠感觉的自测线（费曼测试、挑毛病测试、一个月回测），以及一个反问：AI 做的我都得懂吗？答案是不必——荀子说“假舟楫者，非能水也”，关键是把活分成必须会做、必须能判断、可以不懂三层，判据是“错了会怎样”。

一份可实操的 AI Infra 自学路线——包含六阶段的知识地图、每阶段的推荐资源、动手实验和验收标准，附带完整的练级手册 Checklist，让后端工程师按图索骥，3~4 个月转型 AI Infra。

AI 最有意义的用途，不是替人更快地交作业，而是缩短“提问、猜想、实验、观察、解释、测试”的学习闭环。本文从认知心理学出发，用 Jupyter Notebook + LLM 演示如何把公式、算法和数据结构从纸面符号变成可以操纵、观察和验证的对象。

有的人解决问题像打地鼠，这个坑填上，下个坑又冒出来。真正拉开差距的，不是记住多少答案，而是能不能把一类问题的成因、解法和取舍一次性想透。这篇聊聊我这些年反复用的一套笨办法：分类、穷尽、对比、取舍。

AI 能让一个人像一支小队，但不能让一个人逃掉工程责任。真正的超级个体，不是炫耀百家招式，而是持续交付有价值的产品，满足用户需求，创造真实价值。

长久不用的知识会不会生锈？会。但真正危险的不是忘了细节，而是把生锈的手感误认为仍在巅峰。以大型 C++ 和 Audio/Video 项目为例，聊聊怎样让知识重新招之即来、来之能战。

写给临床八年制本博连读、即将结束大一的医学女生：未来七年不要急着追工具、追热点、追论文，而要按阶段搭好医学基本功、临床思维、科研训练、数据工具箱和长期身心节奏。

写给站在人生十字路口的青年朋友：路窄时不要急着否定自己，真正的勇敢是先稳住，再学习，再行动。

老程序员真正的护城河，不是会几道 LeetCode、背几个算法，而是胸中的丘壑、心中的准则、脑子里的体系，以及知道自己几斤几两的清醒。

AI 不会消灭学习，它只是让浅层会用变得便宜，让系统理解、判断力和可迁移能力变得更值钱。本文尝试把 AI 时代的学习重心，从记忆事实和追逐工具，转向原理、抽象、判断和长期积累。

一份纯技术向的设计：用 LLM-powered agent 跑一个固定的日常学习闭环（morning learn → evening test → next-day review），并用双维度打分管理句子库：实用度（1–5）与熟练度（1–5）。

别指望 AI “一次性把你教会”，把它当成一个会计划、会记忆、会用工具、会复盘的学习搭子更靠谱。照着“早上学—晚上测—第二天复习”的节奏跑一周，再用“实用性/熟练度”双打分（1~5）管理句子库，你会明显感觉到自己不是在背单词，而是在攒职场肌肉记忆。