原帖 ｜ 封刀岁月不为峥嵘 ｜ 2026-05-24 17:10 ｜ 👍1 ｜ 阅读约1
# 用“AI 渐进式问答”重构学习方法，抛弃看视频等学习模式。
核心主张：*以高质量文本为“真源”，通过与 AI 渐进式问答，自动生长出双向链接的个人笔记，最终形成可永久复用的知识图谱。* 下面我以零基础学习 VNA 的过程为例，完整演示这个模式。
** 一、为什么必须大幅减少看视频**
视频不是没用，而是*不该当主食*。
它最大的问题，是把学习伪装成学习。你看得懂、听得顺，就以为自己会了；关掉视频，却讲不出来、做不出来、迁移不了。这不是理解，只是顺着别人思路走了一遍。
原因很简单：*被动输入不等于学习*。真正的学习需要主动回忆、解释、提问、比较、犯错、修正和输出。视频恰好最容易绕过这些动作。
研究也支持这一点：
- Freeman 等，Active learning increases student performance in science, engineering, and mathematics，PNAS, 2014：主动学习显著提高成绩，并把失败率从约 33.8% 降到 21.8%。论文：
- Karpicke & Roediger，The Critical Importance of Retrieval for Learning，Science, 2008：长期记忆更依赖主动回忆和测试，而不是重复阅读或重复观看。论文：
- Dunlosky 等，Improving Students’ Learning With Effective Learning Techniques，Psychological Science in the Public Interest, 2013：反复阅读、划线、高亮效果有限；练习测试、间隔复习等主动策略更有效。论文：
所以问题不是“视频不好”，而是*把视频当主力学习工具，本质上违背大脑形成长期能力的方式*。
视频还有两个硬伤：第一，它是线性的，很难跳转、对比、追问和建立知识网络；第二，它检索困难，复习一个细节都要拖进度条。相比之下，文本天然可搜索、可标注、可引用、可链接，更适合作为长期学习资产。
更别说网络视频质量参差不齐，错误和过时信息到处都是。我的结论很直接：*视频只适合入门和演示，真正的学习系统必须以可信文本为锚点，以提问、笔记、检索和输出为主。*
** 二、新模式的核心：真源知识库 + 渐进式提问 + 双向链接笔记**
我的方法分三步走：
- *建一个“真源”知识库不用搜索引擎喂给 AI 的泛泛知识，而是把几本行业标准的经典书籍、权威手册的 PDF 解析成 Markdown，送入本地知识库。例如我选的是微波器件测量领域的经典教材和技术白皮书。同时，我把 GitHub 上几个高质量开源仓库（比如仪器控制库
scikit-rf）的文档也转成 Markdown，作为代码辅助知识源*。这一层叫“真源”，保障从根上减少 AI 幻觉。 - *设定一个“学习 Skill”*我写了一套系统指令，让 AI 扮演一个严格基于知识库的苏格拉底式导师：
- 只依据给定材料回答，必要时给出原文出处
- 回答短小精悍，必须把关键术语用 双向链接 格式标出
- 每次回答后，主动鼓励用户追问任何一个术语
- 同步将问答内容整理成用户个人的 Markdown 笔记，存入笔记库
3. *从一无所知开始，只问“最笨”的问题*
整个过程刻意模仿一个完全不懂的人的视角，不跳过任何生词，不问就查，查了就记，记了就链接。
** 三、实战模拟：一个零基础者如何一步步学会 VNA**
** 3.1 起步：只问一句“VNA 是什么？”**
我打开对话界面，敲下第一个问题：
*我：VNA 是什么？*
AI 导师从知识库中检索，回答大约是这样：
*矢量网络分析仪（VNA）是一种测量射频和微波网络特性的仪器。它发射已知的射频信号，接收反射和传输信号，经过下变频至中频（IF）处理，最终得到描述网络行为的 S 参数。*
——来源：《微波测量原理》§2.1
我一看，满眼生词。*但我完全不需要此刻就弄懂它们，我只需要抓住那些加粗的术语：测量、发射、射频、FM（频率调制）、IF（中频）、S参数。* 系统自动生成了我的第一份个人笔记：
*📄 笔记：VNA 是什么*
VNA（矢量网络分析仪）是一种射频测量仪器。
它发射信号，接收反射和传输信号，
通过变频到中频 IF 处理，最终给出 S 参数。
相关概念：射频、IF 中频、S 参数、FM
这就是*第一个知识节点*。我还什么都不会，但一张网络的起点已经有了。
** 3.2 追问：从 S 参数开始，打开第一个分支**
盯着笔记，我最不理解的就是“S 参数”。立刻点开链接追问：
*我：S 参数是什么？*
AI 回答：
*S 参数（散射参数）用于描述射频网络端口之间的反射和传输关系。对于双端口网络：*
- *S11：输入反射系数*
- *S21：正向传输系数*
- *S12：反向传输系数*
- *S22：输出反射系数*
——来源：《矢量网络分析仪基础》第三章
于是，第二个笔记节点生成：
*📄 笔记：S 参数*
S 参数描述射频网络的反射与传输。
双端口网络包含 S11（输入反射）、S21（正向传输）、S12（反向传输）、S22（输出反射）。
父节点：VNA 是什么
相关：反射系数、传输系数
此时，笔记之间已经出现*双向链接*：
VNA 是什么链接到了S 参数S 参数反向链接回了VNA 是什么
我并没有去“背” S11 的定义，我只是在顺着自己的好奇心走。*而这种好奇心被系统忠实地记录成了图谱中的边。*
** 3.3 继续深挖：射频、中频、反射系数……全部变成节点**
接下来，我对新出现的生词继续无脑追问：
- *“射频是什么？”* → 生成笔记
射频，解释电磁波频段，并链接回 VNA、微波、天线等。 - *“IF 中频是什么意思？”* → 生成笔记
IF 中频，提及混频、本振、接收机架构，链接到VNA 是什么和射频。 - *“反射系数怎么算的？”* → 生成笔记
反射系数，引出阻抗匹配、回波损耗，链接到S11和史密斯圆图。 - *“史密斯圆图是什么？”* → 再生成一页，逐渐把微波测量工程的那张著名图也拉进图谱。
你可能注意到了，有些追问已经稍微偏离了最初的 VNA，但*这正是双向链接知识图谱的威力*——它不阻止你跑偏，而是让你所有的“跑偏”都变成结构化的关联。跑得越远，网络越密，未来回溯的路径就越丰富。
** 3.4 引入代码知识：让开源仓库也“说话”**
我事先解析的开源仓库这时发挥了作用。当我学到 S 参数的复数表达和校准算法时，我问：
*我：能用 Python 画一个简单的 S11 史密斯圆图吗？*
AI 导师从 scikit-rf 仓库的文档中提取示例，生成解释和代码块。系统将这段问答生成为笔记 用 Python 绘制 S 参数史密斯圆图，并同时链接到 S 参数、史密斯圆图 和 代码实践。
于是，我不仅知道 S11 在理论上是什么，还能通过几行代码直观感受它的轨迹。这比任何教学视频都让我踏实——代码跑起来的那一刻，概念变成了可操作的对象。
** 3.5 逐步生成的知识图谱全貌**
经过几天的这种“傻瓜式追问”，我的笔记系统里自然长出了这样一张知识图谱：
VNA 是什么
/ | \
射频 S 参数 IF 中频
/ | \
S11 S21 S12 S22
| |
反射系数 传输系数
|
史密斯圆图
|
用 Python 绘制 S 参数史密斯圆图
|
代码实践 ← 来自开源仓库
** 四、真正的学习，是把信息变成可复用的结构**
这就是我想替代视频学习的东西：不是“看完了多少内容”，而是*留下了多少可检索、可追问、可复用的结构*。
视频看完通常只剩一个模糊印象；而基于可信文本的渐进式问答，会把每一次困惑都变成一个节点，把每一次追问都变成一条边。时间久了，你得到的不是一堆零散笔记，而是一张属于自己的知识图谱。
这套方法的起点也不复杂：先选一份可信文本，问 AI 一个最笨的问题，然后顺着每个不懂的术语继续追问。不要急着“学完”，先把问题问清楚，把链接建起来，把笔记留下来。
真正的学习不是被信息流推着走，而是把信息拆开、重组，并沉淀成以后还能反复使用的结构。
相关笔记