这段时间，我一直在思考：在 AI 时代，学习究竟应该变成什么样子？

这个问题来自我的 AI 编程训练营。

训练营只有两天，参加者来自建筑、教育、金融、设计、行政等不同领域。很多人过去没有做过产品，也没有写过代码，但希望在两天内，从一个模糊的想法出发，做出一个真正属于自己的工具。

这其实是一件很难的事情。

一个没有任何基础的人，不仅要跨进陌生的领域，还要同时面对需求、产品、设计、开发、测试等很多问题。更难的是，我们不只是希望他最后做出一个项目，还希望他在这个过程中真正学到一些能够带走的东西。

于是我开始重新思考：他到底应该学什么？

过去的边干边学，往往是一种硬扛

我们过去也经常说“边干边学”。

一个人接到一项不会做的任务，就一边查资料、一边尝试、一边补充知识。很多跨界能力，确实是在这种过程中建立起来的。

但这种学习方式有一个容易被忽视的问题：它对学习者的要求非常高。

假如一个建筑师想做一款软件，他不仅要理解自己的需求，还要思考功能、流程、界面、数据和技术实现。他进入的不是一个陌生领域，而是同时进入了好几个陌生领域。

他不知道什么重要，不知道哪些问题可以暂时放下，也不知道 AI 给出的答案是否正确。

我们常常把这种状态称为“跨界成长”，但对学习者来说，它更可能是一种持续的高认知负荷。

少数人可以依靠强烈的兴趣、足够多的时间和很高的抗挫折能力坚持下来。但这并不意味着它是一种适合所有人的学习方式。

所以，真正的问题不是“边干边学好不好”，而是：

我们是否还要让每一个普通人，都用最痛苦的方式完成跨界？

有了 AI，不代表学习自然变得简单

有了 AI 以后，人们很容易产生一种想象：不会就问 AI，想做什么就让 AI 帮忙，学习的门槛自然就降低了。

但真实情况并没有这么简单。

首先，很多人并不知道应该怎样提问。

提问本身就建立在一定的理解之上。你要知道提供什么背景、描述哪些限制、在哪个地方继续追问。一个人对某个领域完全陌生时，他甚至不知道自己不知道什么。

其次，人的想法本身往往是模糊的。

当用户还没有想清楚真正的需求时，AI 却很容易迅速给出一套完整方案。它看起来结构清晰、功能丰富，却未必解决用户最初的问题。

用户以为自己正在使用 AI，实际上却可能被 AI 带着走。

更重要的是，AI 即使能把所有问题解释清楚，也可能进一步增加人的认知负荷。

它告诉你产品应该怎样设计，数据库有哪些选择，前端可以使用什么框架，部署又有哪些方案。每一个回答都没有错，但所有决定最终还是回到了人的身上。

AI 只是把复杂性说得更明白了，却没有真正替人承担复杂性。

未来的学习，不是让人同时理解一切

我逐渐意识到，未来的学习方式，可能不是让一个人更快地学完更多知识，而是重新安排学习发生的顺序。

学习者不需要在开始行动之前，先掌握产品、设计和开发的全部知识。

他只需要先理解当前最值得自己思考的问题。

例如：

我究竟想解决什么问题？

这个工具最重要的功能是什么？

现在做出来的结果，是否符合我的期待？

AI 是没有完成任务，还是一开始就理解错了方向？

这些问题关系到人的真实意图和判断，必须由人参与。

至于应该选择什么技术框架、文件怎样组织、数据库如何连接，很多时候并不需要一个初学者立即理解。它们可以先由 AI 和系统承担。

这并不是让人逃避学习，而是要区分三件事情：

什么知识现在必须学习，什么知识可以遇到问题以后再学，什么知识现阶段根本不必学习。

当一个人第一次发现做出来的功能并不好用时，再去理解什么是需求和用户流程；当数据在应用关闭后消失时，再去理解为什么需要持久化；当 AI 连续几次做偏时，再学习怎样补充背景、约束和判断标准。

这时候，知识不再是被提前塞给学习者的，而是在真实问题出现时，被放进一个已经准备好的位置。

行动为知识创造了位置。

脚手架不是取消学习，而是编排学习

这也是我设计 CodeNow 脚手架时最在意的事情。

脚手架不应该只是一个代码模板，也不只是把网上现成的 Agent 和 Skill 组合起来。

今天，让 AI 扮演产品经理、设计师、开发工程师和测试人员并不难。你可以同时拥有很多 AI 角色，就像一次招来了很多员工。

但拥有员工，并不等于拥有一支真正能工作的团队。

现实中，一个老板为什么会不断招聘、磨合甚至更换员工？很多时候，不是因为员工没有专业能力，而是因为他不理解老板真正重视什么，也不了解这个组织的做事方式。

一个好的员工，除了拥有技能，还要逐渐理解你的语言、习惯、标准、优先级和边界。

AI 也是一样。

预设角色只是在告诉 AI“你是什么职位”，却没有让它真正理解“你在为谁工作”。

所以，一个成熟的脚手架首先要适应使用者。

如果你是一名建筑师，它应该理解你习惯怎样思考空间和结构；如果你是一名教师，它应该理解你怎样组织知识；如果你是一名管理者，它也应该知道你更关注目标、资源还是流程。

然后，它再围绕你组织不同的 AI 能力，让产品、设计、开发和测试共享同一份背景、目标和判断标准。

它不是把一群陌生员工交给你，让你从头开始管理；而是提前替你完成招聘、入职、磨合和协作机制的搭建。

我更愿意把它理解成一套钢铁侠的战衣。

它不是一台在旁边独立工作的机器，而是要贴近穿戴者，理解他的动作，放大他的能力，同时替他承担原本无法承受的重量。

学习，是人的责任范围逐渐扩大

有了脚手架以后，“边干边学”也就有了不同的含义。

过去的边干边学，是把人直接扔进一个陌生世界，让他依靠意志力补齐所有知识缺口。

未来的边干边学，则是先由脚手架承担大部分复杂性，让人只处理当前最重要的问题。

刚开始时，他只需要提出自己的问题，给出方向，并对结果作出反馈。

完成第一个项目以后，他可能开始理解需求和功能之间的关系。

做到第二个项目时，他开始参与流程设计和任务拆分。

再往后，他会逐渐理解技术选择、工程质量，以及不同 AI 角色应该怎样配合。

学习不是在行动开始以前一次性完成，而是随着经验增加，人的责任范围不断扩大，脚手架再一点点把判断权交还给他。

这和真实的脚手架很像。

建筑还没有稳定时，脚手架提供支撑；建筑逐渐成形以后，脚手架才慢慢撤掉。

好的脚手架最终应该消失，但它不能从一开始就不存在。

做出一个工具，只是学习的入口

这也解释了为什么我的训练营要让学员真正做出一个工具。

工具并不只是训练营最后的成果，它还是学习发生的环境。

学员会经历一次完整的过程：

从一个模糊的想法出发，让 AI 帮助他逐渐澄清问题；确定方向以后，由不同的 AI 能力完成设计和开发；看到结果以后，再由人判断偏差、提供反馈、重新调整。

在这个过程中，他学到的不是某一个开发框架，也不是几个可以复制的提示词。

他真正学习的是：

怎样认识自己的问题，怎样把意图传递给 AI，怎样让不同的 AI 能力围绕一个目标协作，以及怎样把必须由自己决定的事情，从大量复杂问题中识别出来。

有时我们会把这种能力称为“做 AI 的老板”。

但这里的老板并不是一个什么都懂的人，也不是一个坐在那里不断发号施令的人。

他只是知道自己想去哪里，知道哪些事情应该交给 AI，哪些事情必须由自己判断，也知道怎样让 AI 越来越理解自己。

未来，每个人可能都要学习 AI。

但最终要学习的，或许不是某一个工具，也不是记住多少提示词，而是怎样借助 AI 扩大自己的行动能力，同时保留自己的方向和判断。

所以，我理解的未来学习，并不是让 AI 替代学习，也不是让人跳过所有知识。

它是让脚手架帮助一个人管理跨界的复杂性，把真正值得思考的问题交给他，让知识在需要它的时候出现，再随着经验的增长，逐渐扩大这个人能够承担的范围。

学习不应该永远是行动的门票。

很多时候，行动本身才是学习的入口。

人也不需要先成为专家，才有资格创造。

他需要的，或许只是一套真正适合自己的支撑，让他先走进去。

因为只有先走进去，才有可能真正学进去。