企业官网建设流程全解析

1. 先承认一件挺尴尬的事：AI很博学，但它经常说“正确的废话”

我身边不少朋友开始用AI学习的时候，第一步几乎都是同一个动作：打开对话框，敲一句“给我讲讲XX概念”，然后AI秒回一大段结构工整、术语密集的说明。读的时候觉得每一句都对，合上屏幕一想，什么也没留下。过了两天再遇到同样的词，脑子里只剩一团雾。

为什么会这样？我自己的体会是：AI默认情况下给出的答案是“标准答案”，标准答案的特点是完整、准确、面面俱到，但恰恰缺少了人类学习最需要的东西——脚手架。我们学一个新知识，靠的是先搭一个粗糙的、能落地的直觉框架，再慢慢往里填细节。而AI一上来就把所有细节都倒给你，信息密度太高，大脑直接过载。

所以我后来很少问“给我讲讲XX”这种问题了。我开始把提示词当成一种对话方式，逐渐沉淀出6个我自己每天都在用的Skills。它们的共同目标只有一个：让AI不说标准答案，而是说人话，真正帮我碎片化地、可检验地把知识学明白。

这6个Skills分别是：

• Skill 1 费曼入门式：让AI把知识点降到小学水平。
• Skill 2 生活打比方：把抽象概念搬进你熟悉的场景。
• Skill 3 拆沙袋式追问：把大块头知识切成小粒度。
• Skill 4 正反样例对比：用例子和反例划清边界。
• Skill 5 身份扮演：让老师讲、学生问、评委判。
• Skill 6 费曼检验：你来讲，AI来挑刺。

你可以把这六招当成一套完整的学习协议，也可以单独拿出来用。接下来我会逐个拆解，并且给出可以直接复制的提示词模板。为了让你看得更直观，本文所有示例统一用“递归”这个概念做演示，因为它足够经典、也足够抽象，最能看出这几个Skill之间的差别。

2. 6个Skills逐个拆解：每个都能直接上手

2.1 Skill 1 费曼入门式：开局先请一个“完全没概念的小朋友”

先讲原理。费曼技巧的核心是：如果你不能用简单的语言把一个概念讲清楚，你其实并没有真正理解它。放到AI对话里，这个技巧可以反过来用——不是你给AI讲，而是让AI用“最简版本”讲给你听。很多知识你之所以学不明白，不是因为AI讲得不够多，而是因为AI默认用同领域专家的口吻跟你说话。术语套术语，形成了一堵你看得见字、却看不见意思的墙。

所以Skill 1的要点就一句话：在提示词里显式地指定“听众”的认知水平。注意，这个“听众”不能写“用通俗的语言”，那样太模糊，AI不知道通俗到什么程度。要写具体的人设，比如“八岁小孩”“完全没接触过编程的朋友”“刚上高中的学生”。人设越具体，AI的降维程度越可预期。

直接给一个可以复制的模板：

请用给一个完全没接触过编程的小白讲课的口吻，向我解释“递归”。 规则： 1. 每一步解释都先给一个生活直觉，不急着下定义； 2. 只能用不超过10个专业术语，每个术语第一次出现时，都要立刻用一句话解释； 3. 讲完后用3句话做一次总结，这3句话里不准出现任何专业术语。

这个模板看起来简单，但有两个容易被忽略的细节。第一，它没有让AI省略内容，只让AI换一种表达顺序——先直觉，后定义。第二，它额外限制了“总结句不能有术语”，这一步会迫使AI把整段话重新压缩一遍，压缩过程中常常会把最核心的直觉提炼出来，而这恰恰是你真正需要记住的东西。

我实测下来的感觉是，比起“给我通俗地讲讲递归”，这个模板得到的回答基本上可以直接当口头复述的素材用。如果你时间紧张，只打算用这6个Skills里的一个，那就用这一个。

2.2 Skill 2 生活打比方：把抽象概念搬进你熟悉的场景，但别忽略边界

第二种情况是：你其实已经听懂了字面意思，但大脑里没有画面，知识像悬在半空。这时候需要的就是类比。人类学习新知识，最本能的方式就是“这个像什么？”——把新概念嫁接在已经理解的东西上。

Skill 2的用法，是在Skill 1之后追加一条类比指令。关键是：不要只让AI“打个比方”，要让AI主动交代这个类比的边界。这一点我踩过很深的坑，因为类比的危险在于看似严丝合缝，实际上总有一两个关键特性对不上。如果AI不说清楚哪里不像，你很容易把错误的地方也记下来。

实用模板：

请为“递归”设计两个不同的生活化类比。要求： 1. 第一个类比给出正面效果，第二个类比考验某个极端情况； 2. 对每个类比，明确指出：在这个类比里，哪些部分和递归的真实特性是对应的，哪些部分是不对应的； 3. 最后告诉我，如果只记住这个类比，最容易产生哪种误解。

拿递归来说，常见的类比如“俄罗斯套娃”。AI会说：打开一个娃娃，发现里面还有一个更小的娃娃，这个过程和递归的“函数调用自身”很像。但套娃的“结束条件”是固定的——最里面总有最后一个小娃娃；而递归的结束条件是你自己写的，写错了就可能永远套不完。这个差异如果不点出来，你可能会误以为递归天然会终止，其实恰恰相反。

另一个我常用的类比方向是“照镜子”——两面镜子对着放，里面会出现无限重影。这个类比的好处是能让人一下子感受到“无穷自相似”的直觉，坏处是容易让人觉得递归很酷、很玄，却不知道实际写代码时怎么收手。所以每次让AI打比方，我都会强制追加一句“哪里不像”，这句话才是这个Skill里真正值钱的部分。

2.3 Skill 3 拆沙袋式追问：把大块头知识切到一口能吃下去

第三个Skill针对的是那种“每个字都认识，但整体太大”的知识。越是抽象、体系庞大的概念，越不适合一次性灌进来。比如递归，它可以在一分钟之内讲完“自己调用自己”，但真正要掌握的其实是三件事：结构上怎么拆、结束条件怎么定、调用栈怎么回溯。这三件事混在一起讲，新手必然晕。

这个Skill的思路借鉴了一个笨办法：如果知识是一袋50斤的沙子，你先别想着一次性扛起来，而是分成五小袋，一袋一袋扛。对应到AI对话里，就是让AI先把整个知识地图列出来，再只选其中一个点深入，讲完一个确认一个，确认通过再进入下一个。

我暂时理解不了“递归”的全部内容。请把它拆成3个台阶式的小步骤，每步难度递增。 只做两件事： 1. 先把这3个步骤的标题列出来； 2. 只展开讲解第1步，讲完停住。 每次我回复“继续”后，你再讲下一步。每一步最后给我一道自测题，我先口头回答，你来判断是否达到进入下一步的水平。

这个模板的关键变化是：把讲解节奏的控制权从AI交回给你自己。你没有必要向AI证明你在某个进度上，你只对自己负责。我通常会在第三步加上“如果我没有通过自测，请你变一种方式再讲一遍”，这样AI不会一味向前推进，而是会在你卡住的地方自动循环。拆得够小，才可能有针对性；有针对性，才不会出现“听了半小时，发现自己从头就漏了”的挫败感。

2.4 Skill 4 正反样例对比：边界比定义更重要

接下来这个Skill，是我认为最容易拉开学习效果差距的一个。原因很简单：定义描述的是“是什么”，但你在实际场景里遇到最多的是“这算不算”——也就是判断边界。与其背定义，不如多看几个正例和反例，从例子反推规律，再回到定义去验证。

这个思路有点像学认蘑菇。如果你只看教科书上的“毒蘑菇长这样”，到了野外还是会认错；但如果你同时看过“看起来很像毒蘑菇但其实能吃”的那几种，边界就一下子清晰了。递归学习里最经典的边界是“递归”和“迭代”的区别、或者“无限递归”和“普通递归”的区别。只看定义很容易混，看两组成对例子就特别清晰。

提示词模板：

请针对“递归”给我3组对比案例。要求： 1. 每组包含一个正面例子和一个“长得像递归、但其实不是”的迷惑例子； 2. 先不要告诉我任何结论，只把6个案例摆出来，让我自己试着概括规律； 3. 我给出我的猜测后，你再公布正确答案，并逐条指出我猜对和猜错的地方。

这个模板比“请给我举几个递归的例子”高级在什么地方？它强制加入了一个“先说答案再揭晓”的环节。先让大脑参与一轮猜测，之后再看到正确结论，记忆留下的痕迹会深得多。而且AI纠正你的错误判断时，它会非常具体地对比到底哪个特征才是判据。这种“以判断代替记忆”的学习方式，换到任何一个知识领域都适用。

2.5 Skill 5 身份扮演：把AI轮流变成老师、学生和裁判

第五个Skill比较有表演成分，但效果很实在。同一段知识，从不同身份的人的嘴里说出来，信息筛选的粒度完全不同。老师会讲道理，学生专挑毛病，裁判只做仲裁——三个视角加起来，基本能覆盖一个概念的大多数盲区。

不客气地说，很多人用角色扮演只是图个乐，让AI扮演个“某某达人”然后照旧让它输出一大段，这样其实浪费了这个功能。真正有效的角色扮演必须满足两个条件：一是每个角色都有明确的“任务”，二是整个过程中要有一个最终汇总的角色。我常用的三人组是：老师负责把话说圆；学生负责用最刁钻的问题找出话里的漏洞；评委负责判定批评是否成立，并输出结论。

请用三个身份依次解读“递归”： 身份1：一位擅长用生活例子讲清概念的耐心老师； 身份2：一位学习很认真但特别喜欢抬杠的初学者学生，会针对老师的每一句话提出质疑； 身份3：一位只认逻辑的评委，负责判断学生的质疑是否成立。 请先让老师和学生对话三轮，最后由评委用10句话以内总结：哪些质疑有效，哪些是误解，正确理解应该是什么。

我试过几次后最大的收获是：AI扮演“抬杠学生”时，经常会问出我自己根本没想到的问题。比如“递归的结束条件如果永远不满足，程序会怎样”“每一层调用的时候，中间变量都放在哪了”。这些问题虽然刁钻，但每一个都指向真实理解中的缺口。把疑虑暴露出来，再让评委收口，你会发现自己对知识点的掌握比单纯听讲要扎实很多。

2.6 Skill 6 费曼检验：把话筒递给你，让AI当最严格的听众

最后这个Skill是整个流程里最不能省的一步。前面五个Skills都是在让AI把知识喂给你，喂得再香，也不等于你消化了。真正的“学明白”，是你能够用自己的语言、没有任何参考地讲出来，而且听的人还能听懂。这一步在认知科学里叫“输出式学习”，在实践里就是费曼技巧本尊。

具体做法是：你把自己对某个概念的理解输入给AI，要求AI不要做任何无意义的夸奖，只做“挑刺”。这个设定的关键点在于，绝大多数人不敢把解释发给别人听，怕露怯。但AI没有面子问题，你可以安心地让它碾压你。碾压之后，你只需要重构解释，再发给它挑刺，两三轮之后，你对这块知识的掌握会有一个非常直观的提升。

下面是我对“递归”的理解（我会按我的方式讲一遍）。请你扮演严格的检验员： 1. 第一步，先指出我解释里所有逻辑跳跃、术语使用错误或例子不恰当的地方； 2. 第二步，给我的解释清晰度打分（0到10），并说明扣分点； 3. 第三步，告诉我，如果换作你来讲，你会怎么修改我的表达顺序。 注意：禁止说“理解得不错”“很棒”这类客套话，你的唯一任务是让我讲得更好。

我习惯把它放在每天学习的最后。如果一段知识没法解释到让AI挑不出大毛病，我基本可以断定自己还没真正弄懂。很多人问我用什么标准判断“学会了”，我的标准就是：能不能在三十秒内，用大白话把这个概念讲给一个不看提示的人听。AI检验员只是把这个标准流程化、严格化了。

3. 组合打法：把6个Skills串成一次完整的知识学习

单独会用每个Skill当然很好，但这六者组合起来威力更大。我举个例子，完整走一遍从零开始学“递归”的流程，你可以把它替换成任何你正在学的陌生概念。

我先说整体框架：总时长控制在30分钟到40分钟。前十分钟用Skill 1和Skill 2建立直觉，中间十分钟用Skill 3和Skill 4细化结构和边界，最后十分钟用Skill 5和Skill 6完成多视角检验和输出。

第一轮，我会直接发Skill 1模板。AI会给我一个不带术语的基本印象，比如“递归就是函数在执行过程中调用自己”，还会用“排队时后面的人要等前面的人先处理完”这种生活例子。此时我不急着记笔记，反而要求它再给一个一句话总结，这句话就是我后面所有理解的锚点。

第二轮，我对基本印象满意之后，接着发Skill 2模板。让AI给出“俄罗斯套娃”和“照镜子”两个类比，同时明确说出边界。这个时候我的脑子里开始有画面了：一个函数像套娃一样一层层打开，每一层都在等着下一层的结果回来。这里我会特别注意AI说的“终止条件”部分，因为在任何类比里，终止条件都是最容易失真的一环。

第三轮，开始拆结构。发Skill 3模板，让AI把“递归”拆成三个台阶：“理解函数如何调用自己”“理解结束条件为什么必须有”“理解一次完整调用的执行顺序”。我只深入第一步，确认自己能用语言说出来，再回复“继续”。这样一步步走，基本上不会出现“整节课听完但中间某个关键点压根没跟上”的情况。

第四轮，用Skill 4来验证边界。我让AI给我三组对比案例，故意先猜规则，再由它揭晓。这一步通常会让我发现一个误解：我之前以为所有循环结构都算递归，经过正反例对比后才发现，递归强调的是“调用自身”，而普通循环强调的只是“重复执行”，两者在实现机制上差别很大。这个认知如果没有这一步是不会凭空长出来的。

第五轮，进入多视角对话。用Skill 5让AI扮演“老师、学生、评委”三人组。听它“抬杠”的过程，我会特别注意学生提出的每一个质疑，因为这些质疑很可能正是我心里模糊的地方。等到评委总结完之后，我会把评委的结论跟前面几轮的笔记对照一遍，看看有没有矛盾或需要补充的点。

第六轮，也是我认为最关键的收尾环节，用Skill 6做一次费曼检验。我关掉前面所有的长回答，自己凭记忆写一段对“递归”的解释，然后让AI当严格检验员。我第一轮解释经常会被指出“没说清楚递归时每一层正在等待返回值”这个问题。这个缺口解释得越具体，说明我学到的东西越深入。

最后我还会做一个小动作：把这一轮对话中AI给出的“一句话总结”复制到备忘录里，隔两天再看一眼，试着用这句话重新展开整个概念。你能展开多少，基本就代表你真正内化了多少。

这套组合流程最大的优点是：每一个环节都有明确的任务，不会变成漫无目的的聊天。如果你觉得六步太多，可以把第3步拆解和第5步多视角合并，至少保留“建立直觉、判断边界、自我检验”这三件事。这三件事做完，一个陌生知识就已经不是“刚认识”了，而是“确实入了门”。

4. 用AI学习最容易踩的6个坑，顺便附上排查方法

用了大半年时间，我在这个领域踩过的坑不算少，逐个整理出来，希望对你有用。

第一个坑：类比跑偏。AI打的比方很生动，但生动不代表准确。最常见的情况是：类比只覆盖了概念的80%，剩下20%恰好是关键部分。排查方法很简单，任何类比出来之后，一定追加一句“这个类比哪里不像真实的这个概念”。如果AI说不出来，说明它在硬套，换个角度重新打比方。

第二个坑：角色扮演太空洞。很多人会让AI扮演“一个老师”，结果回复内容和普通问答几乎没区别。原因在于“老师”这个身份太宽，AI只能按照角色模板泛泛而谈。排查方法是把身份改成带具体行为约束的角色，比如“一个喜欢用生活例子、每讲一个术语必须立刻停下来的耐心老师”，这样AI才会真的有行为上的变化。

第三个坑：提问太宽。“给我讲讲递归”这一句话能触发一大堆标准解释，信息量大到你根本分不清重点。排查方法是先明确你的起点和终点，比如“我还分不清递归和循环的区别，请围绕这个差别展开”。问题越具体，AI的答案越可能落在你的最近发展区里。

第四个坑：AI太自信。AI在讲到自己不熟悉的领域时依然习惯保持自信的语气，偶尔还会给出看起来严谨但实际有瑕疵的细节。排查方法是交叉验证：同一个知识点换两种方式问，或者让AI自己列一个“最容易出错的地方”，并且要求它指出自己刚才回答里可能不严谨之处。让AI做自检确实不是万能的，但至少能增加一层保险。

第五个坑：对话上下文太长。一次会话从头聊到尾，AI前面说过的话会影响后面的回答，到第四五轮时它可能已经开始重复前面的说法，甚至前后矛盾。排查方法是：每完成一个阶段的主题就新建一个会话，把这个阶段的“一句话总结”复制到下一轮提示词里，作为新的锚点。这个习惯对长周期学习特别重要。

第六个坑：只学不练。哪怕把前五个坑全避开，只让AI不停给你讲，知识依然是别人的。这是我观察到的最大误区：很多人误以为“我读懂了AI的回答”等于“我掌握了这个知识”。实际上，读懂和能输出之间有巨大差距。排查方法就是第六个Skill，每学完一个话题，关掉聊天记录，先自己讲一遍，让AI检验。两三轮之后你会明显感觉到知识开始长在自己身上了。

把这些坑整理成一张速查表，方便你之后对照：

5. 几个我后来一直在用的收尾习惯

最后分享一些我自己的使用习惯，这些不是标准答案，只是我个人实践下来的感受。

第一个习惯，每个新知识一定以“给一个外行解释一遍”作为最终收尾动作。不管中间用了几种技巧，只要最后没有完成这一步，我心里就没底。这个习惯最开始很花时间，后来速度越来越快，因为知识有锚点之后，重新展开非常快。

第二个习惯，永远不要把AI当成“唯一权威”。我会拿它当陪练、当检查员，但遇到涉及事实细节的知识，我依然会要求它补充信息来源或者换一种问法验证。它有时候像一位知识超级广博但偶尔也会糊涂的同伴，和同伴交流跟查权威资料是两回事，你得心里有数。

第三个习惯，善用“一句话总结”作为记忆钩子。无论对话多长，我最后都会让AI强制输出三句话以内无术语的版本，然后把它存在笔记里。隔两三天再看到那句话，我会尝试不看记录地把整个知识展开。能展开，说明还在脑子里；展开不了，就回炉再讲一轮。

我经常跟朋友讲，这6个Skills本质上不是提示词模板，而是一种把学习主动权拿回来的思考方式。AI到底能不能说人话，很大程度上取决于你有没有教会它怎么说人话。你越是具体地告诉它“我希望你现在站的位置、面对的听众、要达到的目的”，它就越能真正服务于你的学习，而不是甩给你一大堆看似正确、实则让人更迷茫的内容。

把主动权握在自己手里，剩下的就是一次次刻意练习了。