AI 时代，
笔记该换一种记法

当输入和反馈的成本被压低十倍甚至百倍，整个学习流程都需要被重新设计。

核心结论：记笔记已不重要，记的过程才重要

前提

AI 正在做「基于文字的知识压缩」

过去的笔记：把一大坨材料，靠人脑压缩成一小块可读的东西
现在的 AI：读大量文字，从中提取知识，再压缩成一小块
一本 10 万字的书，压到 1 万字以内；材料越多，压缩比越高，可达百倍量级

你要么相信 AI 能做到这一点，要么只相信人脑才能压缩出可读的知识——后面的所有论述，都建立在这个判断之上。

框架

学习的四个步骤

输入AI 强项

训练靠人

输出靠人

反馈AI 强项

以「CPU 缓存架构」为例：

输入：拿到这份阅读材料
训练：把材料读进去
输出：凭自己的理解写到纸上
反馈：AI 审查你的结果，告诉你哪里对、哪里错、哪里要改

输入与反馈，AI 已经做得很好；训练与输出离不开人，因为技能终究与你本人有关。

重构

为什么过去的笔记方法失效了

人是会学习的，会不断否定自己过去落后的认知；而笔记无法剔除这些落后认知
笔记会随时间变得冗余、过时，甚至错误——因为你已经变成了更厉害的人
当检索变得容易，你就不必再记住知识：有讲义、有原文，直接去看
把讲义压缩成一条条小知识点抄进笔记，用处其实很小——你直接看讲义就行了

所以：笔记作为产物，已经无所谓了；真正有价值的是「记」这个训练过程。

方法

三个真正高效的学习行为

画思维导图
画，是最重要的。人容易把二级知识当成一级知识，画导图就是强迫自己从最基本的点出发，用第一性原理一点点往后推导。

费曼技巧
尝试教别人。教的过程会逼你用简单的语言描述；听者也会指出你觉得「理所当然」的地方，你因此获得新的输入与反馈。

考试
别人出题，你回答，再核对答案——这正是一次完整的输出加反馈。

掌握知识与知识的联系人脑上下文有限学以致用

对比

为什么「学以致用」最快

学校封闭环境
基本只能用脑子
扣分逻辑

工作开放环境
允许使用工具
加分逻辑

工作中问题的出现频率，恰好与你的学习频率相关，反馈会自然到手
写一个项目，相当于在更开放的环境里考试——现在有 AI，反馈可以做得非常好
我们最终面对的，多是开放问题；很多时候只需要一个可行解，而不是最优解

记忆

遗忘是筛选，错题才是重点

人更容易在自己犯错的地方再次犯错，所以错题有使用价值——它暴露的不只是错误，而是理解层面更深的问题
遗忘曲线提示：人脑装载率有限，应优先掌握高频问题（出现 80% 的问题先于出现 10% 的问题）
用旧知识去类比新知识是危险操作，需要有人给你讲清楚，否则容易产生奇怪的理解
把知识想得太简单，也是常见的出错来源

归档

记问题，而不是记知识

知识只是对信息的一种描述；当检索变容易，就应该直接使用知识
问题比知识更压缩、更精炼，而且天生与人有关——终究是人来解题
复习时看到问题 → 大脑开始思考（训练＋输出）→ 核对答案（反馈），一次学习循环就完成了
我高中的做法：一本大黑书，不记知识点，只记问题点和它在第几页

问题集，就是新时代的错题本。

实践

我正在执行的工作流

不再把资料全部喂给 AI 去提炼知识——现在 AI 提炼出来的东西，大概率还不行
学习是有上下文的，在具体项目环境里学更好：比如 React 的虚拟 DOM、索引相关的区别与优化
带着正确的项目上下文提问，效率更高；结果还能快速与现有项目升级、融合、改造
把整段对话交给专门的 AI 总结、归档
加一层推送与推荐机制：检测昨天归档了哪些知识点，推送相关内容，以及可能产生关联的旧问题

行动

今天就可以开始的六件事

停止抄知识：把讲义和文档当索引，需要时直接回原文

只记问题：记录问题本身，以及它出自哪里

在真实项目里提问，让问题带着上下文

讲给别人听：讲不清楚，说明你还没掌握

让 AI 定时推送你归档的问题，通勤时在脑子里过一遍

写点有趣的小项目，并不断改进它

在整个学习过程中，人还是主体，AI 只不过是一个工具。如果你没有办法清晰地描述你所学的东西，那你大概率还没有掌握它。

由 CuteNote.app 颜值笔记生成

AI 时代的学习与笔记