大模型时代，学新知识的迷茫问题

[serrakura]

在大模型时代学习新的编程语言或开发框架时，有一个困惑的点：究竟“哪些部分仍然要痛苦地自主思考”，而“哪些细节可以放心让大模型外包”？不知道别的人目前在学习新技术时，是如何把握这个平衡点的。

以学习 Next.js + ts 为例。在前大模型时代，学习路径一般是通读官方文档，或跟着类似《 Learn Python the Hard Way 》这类教材，按部就班地理解概念+细节，并实操大部分工具、代码操作。如今，部分记忆工作显然可以移交给大模型，因为人脑在记忆力上尝试与大模型竞争，是必然落败的。但另一方面，像 Vibe Coding 那样在毫无前置学习的情况下，完全依赖模型去实现功能，我认为也会有问题，因为这种知识背景下，开发者完全没有对生成结果细节的审查与纠偏能力，如果恰巧是在开发有高可靠要求的应用，很容易出锅。

PS：学习的目的是为了自己日后方便通过开发手段实现一些想法，以及独立接外包项目，没有面试背概念的需求。

[yidinghe]

你的问题，按我的理解就是想知道，一个人是否需要培养自己在没有 AI 的情况下的自学能力。笼统的回答就是，自学能力是很宽泛的能力，有总比没有好吧。

[serrakura]

@yidinghe 并不是。问题是 ai 时代，自学东西的关注重心是否会上移（即更 high level ，让模型接管一定粒度的底层记忆），以及多往上移是恰好合适的

[QingXuJiaZhi]

如果不是做到很高层次，那么多数编程工作其实不是科学研究，而是工程学。工程学的重点不是学习，而是练习。学会、学懂既不难，也不重要，重要的是熟练度，而想要提高熟练度就必须大量练习。

因此，用上一切便利工具（包括 AI ）去大量练习吧，练习的量上去了，一切问题都不是问题，反之练习的量太少，懂就是假的懂。

[iixy]

你这个问题为什么不问 ai 呢，我问到 chatgpt 的建议是别 vibe ，最好网页版一个个问，手动解决问题。哈哈。

[yidinghe]

@serrakura 那就一两句话说不完了，这个 AI 答案还算不错：
https://www.kimi.com/share/19f0c760-11e2-889f-8000-00006f22f4e7

[easonhui]

一个古董的单片机程序员，我理解是不是应该自己掌握业务框架，然后把分割好的 API 让 AI 完成更保险

[GeruzoniAnsasu]

我都不理解为什么会困惑。你用全新的技术栈起一个项目就知道了，你总会有必须亲力亲为规定好代码结构、理解框架到底怎么用，有哪些 API 的时候的

[rocmax]

nextjs 开发讲究的地方挺多的，服务器组件和客户端组件拆分，数据获取用哪种模式，suspense boundary 怎么安排等等。如果在 plan 里将这些细节都写上倒是可以让 Claude 按要求实现，但只描述功能 vibe 的话写出来只能说能跑通，review 时可优化的地方不少。
我现在完全放心让 cc 写的是 helm 和 terraform ，不仅一点错不出，还经常给我提供更好的建议。吭哧吭哧学半天 aws sap 不如问 ai 。

[kuhung]

开干，然后总结踩坑，然后再系统阅读。这是我的学习新板块的方法，在前大模型时代也是。

[YYDC]

我上 v 站就是为了看这种东西，而不是《我结婚了，新娘不是她》

[justdoit123]

@QingXuJiaZhi can't agree more

[Cu635]

从问题描述来看，op 其实已经认识到问题所在了。至于“哪些部分仍然要痛苦地自主思考”和“哪些细节可以放心让大模型外包”是互相影响的。

op 提问是在 2026 年 6 月底，那么在这个时间节点，如果侧重于大模型投入生产使用的角度，可以确定的这么说：

问题 2“哪些细节可以放心让大模型外包”的回答是：none ，没有任何细节能够“放心”，大模型出来的代码仍然必须经过人工 review 才能投入生产环境。当然，人工 review 的强度，看生产环境是什么、代码 bug 带来的后果有多严重决定。

从原理上也可以理解：一方面，大模型是通过输入训练数据拟合“训练”出来的，输入的训练数据并不一定是完全没有 bug 的，导致了结果也不能保证完全没 bug ，并且，确实很多领域有着大量的训练数据————受到自由软件运动和开源软件社区的影响，同时也有 CC 这种“开放知识”运动的功劳，这些给了大量的训练数据输入，但是也有更多的领域是封闭的、讲究技术保密的，没有相应的“自由”和“开放”运动，这些领域的训练数据很少，怎么保证训练结果是“好”的呢？当然我这里的表达可能比较笼统而且侧重于代码领域的表达，其它非代码也是一个意思；另一方面，大模型是概率模型，类似与“1+1=2”这种确定性的知识，作为训练数据输入之后，训练结果也不能得到 100%的“1+1=2”了，造成了大模型大量的幻觉。

因此说，在 op 提问这个时间节点上，没有任何细节能够“放心”的交给大模型。

而这就影响到了问题 1 的回答：理想的大模型，应该是人提出需求交给大模型实现。对业务、对需求的思考这个必须要由人来自主完成的，因为这个是技术与“人类世界”的接合部，AI 无法代劳，这个是省不了的。理想大模型的输出直接就能用并且的到反馈，反馈再修改业务需求，这么循环。

但由于问题 2 的影响，对于输出结果的 review （包括但不限于代码领域）这一部分也需要自主思考，人工 review 不能省略。

我自己之前在用 ChatGPT 的时候，让它生成过一份关于“安乐死合法化”的调查问卷，结果出来一看，它生成的从问题到选项设置，都是非常偏向“安乐死合法化是合理的”这个结论一头的，我们大作业小组几个人花费了很多时间进行 review 和纠偏。

综上所述，大模型能够代劳的，其实是中间过程，两头不能省。

如果说侧重于学习角度，那么问题就更要注意了：大模型的幻觉很严重，学习时候向大模型提问，必须让大模型给出它回复的依据，让它给出 reference ，之后人要点击去看。而且人对官方文档的阅读也不能省略，不能说大模型给什么就是什么。

当然，侧重学习方面大模型能够发挥的作用也更大：在你对某个需要学习的领域没有思路、没有了解的情况下，通过“每次回答都让它给出 reference”的方式，能够知道该去看哪些书籍、哪些技术文档，开头这最困难的一步能够让大模型帮助完成。



@YYDC #10
没错，也更不是封建遗少，在双方没有过错的时候也要故意挑拨男女矛盾。

[wetalk]

二三十年前，老司机需要熟练掌握车子的基本维修常识，并且具备常见问题的解决能力，才敢正常上路出远门；
现在一通电话直接呼叫救援，驾驶员的核心能力其实是慢慢弱化的

[udisyue]

这么说吧，计算机知识，编程语言的知识，调试的知识，我认为还是有用的。最直接的是，你能省钱省时间。比如我自己做东西，一个领域完全不懂然后交给 ai 来做是，token 消耗可能是了解这方面知识的人十倍。时间就更不好说了。大量 token 会浪费在 ai 输出然后总结再输入再查询，而如果你懂，简单看一下代码和结构，直接去给出精准的输入执行，省时又省钱