AI学习法：从项目出发的实操循环

背景

原文来自 LINUX DO 社区（AI 板块）的一篇帖子，作者以非技术背景的业余爱好者视角，分享了自己从零开始学习使用 AI 的经历与心得。帖子发布于 2025 年初，正值 AI 工具（如 Claude Code、Codex、Kimi Code 等）和重型工作流（如 ECC）快速涌现的时期。许多用户虽然拥有顶尖 AI 模型的访问权限，却仍然感到茫然，不知道如何将 AI 真正应用于实际项目。作者试图回答一个普遍困惑：“怎么学习 AI？” 其核心观点是，学习 AI 不在于掌握抽象概念，而在于通过完成具体项目来驱动进步。

核心内容

作者认为，所有人接触 AI 的起点都是从一个简单的聊天界面开始的。尽管后来出现了各种 Agent 工具（如 Claude Code、Codex），但学习 AI 的核心逻辑始终不变：先抛开术语，把学习 AI 理解为“开始做项目”。具体怎么做？作者以自己的第一个项目——博客集合页为例，展示了完整的流程。

第一步：明确目标与边界

作者想做一个博客，但不想只做自己的个人博客（觉得费钱），而是做一个博客集合页——从统一入口访问不同人的博客，且每个页面可以自定义。这样只需要一个域名加一台服务器。这个目标足够具体，也排除了不必要的功能。

第二步：寻求工具与方案

当时（1 月）单纯的聊天网页无法满足需求，因为需要服务器和数据库，必须编程。作者完全不懂技术栈和网页开发，于是通过聊天窗口向模型提问：“如果我需要做一个这样的东西，可以怎么做？” 模型能够回答，就能帮助思考工具选择。作者由此了解到 Antigravity（当时顶级模型，有学生优惠），并通过微信公众号、闲鱼等渠道搜索省钱方法，最终获取了便宜且合适的模型服务。

第三步：循环执行与试错

有了模型和平台后，问题变得简单：重复“提问→执行→修改”的循环。AI 会犯错，耐心改就好。作者在 AI 的指导下，一步步搭建网站前后端、租服务器、发邀请码给朋友，完成了项目。

总结的循环

作者将学习 AI 的方法总结为：发现问题 → 思考问题 → 寻找工具 → 解决问题。贯穿其中的是耐心和大量试错。具体操作上，需要先知道“要做什么”，然后分解成阶段目标（如好看的页面、部署到服务器、自定义后台等），再通过 AI 和搜索平台调研，了解大概方法，接着向 AI 解释清楚目标并执行。这个循环同样适用于解决环境配置等细节问题。

开始后的困惑

项目启动后，作者遇到了新问题：使用重型工作流（如 ECC —— Everything Claude Code）时，因为 skills 和插件太多，搞不清什么时候该用什么工具，也不清楚 AI 是否实际调用了工具，感觉代码质量没有提升。作者指出，重型工作流的主要问题是理解成本高、token 消耗快。因此，开始后自然会产生五个追问：

1. 如何表达清楚需求？
2. 能否先写完整规划再执行？
3. 如何理解 AI 在做什么？
4. 完成质量由谁保证？
5. 如何优化代码，以及什么才算好代码？

对于这些问题，作者建议继续沿用同一个循环：尝试、测验、更换或改进。如果想学习别人的工作流，就去理解对方为什么这样设计（针对什么问题）；如果想深入，就自己构建一个工作流。学习是在使用工具的过程中自然发生的。

关键要点

• 学习 AI 的核心是“做项目”，而非学习抽象概念。 先明确想做什么，再分解阶段目标，通过 AI 和搜索工具调研，然后执行。
• 从聊天界面开始，但不要止步于聊天。 当项目需要编程、服务器、数据库时，聊天界面无法直接满足，需要转向更专业的工具（如 Agent），但提问逻辑相同。
• 用 AI 帮自己思考工具选择。 模型能回答你的问题，就能帮你思考使用什么技术栈。
• 调研渠道多元化。 微信公众号、闲鱼等平台能帮你找到省钱或适合自己的方案（如学生优惠）。
• 耐心和试错是关键。 AI 会犯错，改就好；每一个阶段目标都有对应的实现方法，一开始可能不了解，但“大概”就够了。
• 重型工作流未必适合所有人。 如 ECC 等插件/Skills 过多的工具，理解成本高、token 消耗快，可能反而降低效率。选择工具时要计算自己的理解成本。
• 开始后遇到的问题（需求表达、规划、质量控制等）仍可通过同一循环解决。 学习别人工作流要先理解其设计意图，再决定是否使用或改进。
• 学习是自然发生的副产品。 在使用工具的过程中，通过不断尝试和修正，能力会自然提升。

意义与影响

这篇帖子本质上提供了一种以项目为中心、以 AI 为辅助的“自下而上”学习范式，对于非技术背景的 AI 初学者具有重要的参考价值。它打破了“先学理论再实践”的传统路径，强调通过解决真实需求来反向驱动技能成长。这种理念与当前 AI 工具日益普及、使用门槛降低的趋势高度契合——用户不再需要先掌握编程或机器学习知识，而是可以直接通过自然语言向 AI 描述目标，并在迭代中学习。

帖子还揭示了 AI 工具生态中的“效率陷阱”：当工作流过于复杂时，反而会阻碍学习和使用。作者提醒用户关注自己的“理解成本”和“token 成本”，这一观点对于过度依赖重型插件的工作流文化是一种有益的反思。同时，帖子提出的“发现问题→思考问题→寻找工具→解决问题”循环，本质上是一种通用的问题解决框架，不仅适用于 AI 学习，也适用于任何需要技术手段的领域。

最后，帖子以“人生是由愿望推动的”这句话收束，强调目标驱动的重要性。在 AI 能力快速迭代的背景下，这种“先想做什么，再找路径”的思维方式，远比“先学什么，再想做什么”更高效、更可持续。对于社区中大量感到迷茫的“佬友”，这篇文章提供了一个可操作、可复现的入门路径，也鼓励读者在后续中继续探讨“如何控制 AI 往想要的方向前进”等更深层次的问题。