别让 AI 写代码，让它讲解得像儿童一样简单

坦白说，我每天都在使用 AI 工具。我们大多数人都是如此 🤷‍♀️。

但把 AI 当作拐杖 🩼，和把它当作大脑的火箭助推器 🚀，两者之间有着天壤之别。

刚开始时，每当遇到棘手的概念，我都会把问题粘贴到 ChatGPT 中，让它给出解决方案。它会生成可以正常运行的代码，让我感觉自己高效了大约五分钟。⏱️

但后来，我意识到了一件可怕的事：如果 AI 明天消失了，我其实并不知道该如何独立解决这个问题。我把自己的理解过程外包了出去。😱

当费曼学习法遇上 AI 🤝

有一种方法叫作“费曼学习法”，它以物理学家 Richard Feynman 的名字命名。其核心理念很简单：只有当你能够用简单的语言解释一个复杂主题，让初学者（甚至五岁小孩）都能听懂时，你才算真正理解了它。🧠

AI 非常擅长生成复杂、专业的技术文档。但令人意外的是，它更擅长生成简单到不能再简单的类比。✨

我不再要求 AI 替我完成工作，而是开始把它当作世界上最有耐心的导师。👨‍🏫

“恍然大悟”的时刻：Python 列表与拉链 💡🐍

最近，我在研究一段涉及列表推导式和 zip 函数的 Python 代码。它大概是这样的：

def mulTable(n):
    return [n*i for i in range(1,11)]

l1 = mulTable(3) # [3, 6, 9, ...]
l2 = mulTable(6) # [6, 12, 18, ...]

# The confusing part:
s = [x + y for (x,y) in zip(l1, l2)]

如果你通过常规的文档搜索，询问最后一行代码发生了什么，得到的答案通常会是：“列表推导式遍历由 zip 对象生成的元组，并根据元素对应的索引对其进行聚合。”😵‍💫

很好，很准确。但它无法真正留在我的脑海里——尤其是对我这种学得比较慢的人来说，同一段内容要反复阅读很多遍，才能短暂地理解片刻，然后两分钟后又忘得一干二净。

于是，我改变了 prompt。我向 AI 提问：“把这段代码解释给我听，就当我是一个五岁小孩。”🧸

这个解释彻底改变了我在脑海中理解这些数据的方式。

ELI5 式解释 📖

AI 没有再说什么“遍历元组”，而是给我讲了一个关于篮子和拉链的故事：

想象一下，l1 和 l2 是两个长长的篮子，里面装满了带数字的小球 🧺。

zip 命令就像夹克上的拉链 🧥。它把两个篮子并排拉到一起。

它从篮子 A 中拿出第一个球，再从篮子 B 中拿出第一个球，然后把它们挤在一起（也就是相加）➕。

接着，它沿着队伍继续移动，把下一对小球拉到一起，直到装出一个全新的篮子。

突然间，这段代码不再抽象了，而是变得直观起来。我能够“看见”拉链把两个列表拉到了一起。👀🤐

如何让这种方法为你所用 🛠️

学习新的框架、编程语言或算法时，不要只询问“怎么做”，还要主动索要一个类比。

下面是一些我经常使用的 prompt：

“用运输集装箱 🚢 的类比，解释 Docker 和 Kubernetes 之间的区别。”

“把我当作一个正在堆积木的幼儿园小朋友 🧱，向我解释递归。”

“不要给我代码 🚫。请举一个现实生活中的例子，说明为什么我应该使用 Linked List 而不是 Array 🔗。”

AI 不会取代那些真正理解自己专业技能的开发者。但利用 AI 加深理解的开发者，将会取代那些只用 AI 复制粘贴的人。📋

有些人可能会认为，AI 带来的危害大于益处。但在我看来，只要使用得当，并且使用正确的 prompt，AI 就是你能拥有的最佳导师——它几乎可以教你任何东西！

部分评论可能只有登录后的访客才能看到。登录以查看全部评论。部分评论已被文章作者隐藏——了解更多。

如需采取进一步行动，你可以考虑屏蔽此人和/或举报滥用行为。