這幾年做AI相關(guān)的東西身邊來來回回聊得最多的不是某個模型又刷榜了也不是哪家又融資了而是“焦慮”這個詞。不管是剛?cè)腴T的學(xué)生、轉(zhuǎn)行的職場人還是已經(jīng)在行業(yè)里泡了幾年的一線開發(fā)幾乎每個人都在被同一種情緒困擾AI更新太快我怕追不上。這篇內(nèi)容不是給你列一份“XX天精通大模型”的課程表也是不販賣焦慮的雞湯文。我想以一個一路踩坑過來的從業(yè)者視角跟你聊聊AI學(xué)習(xí)這件事到底卡在哪兒焦慮的來源是什么以及用什么樣的方法和心態(tài)能讓自己在這個不確定的周期里真正往下走、做出點東西來。全程是個人經(jīng)驗不一定適合所有人但如果你正好處在“想學(xué)又不知道怎么開始、學(xué)著學(xué)著又開始懷疑自己”的狀態(tài)這篇內(nèi)容應(yīng)該能給你一些參考。1. 焦慮到底從哪里來1.1 信息過載帶來的“永遠(yuǎn)追不完”錯覺先說一個現(xiàn)象你有沒有感覺每天早上醒來打開手機(jī)AI圈永遠(yuǎn)都有新東西。今天這個模型開源了明天那個公司發(fā)布了Agent框架后天又有人用某工具做了個爆款應(yīng)用。這種感受在2024到2025年尤為明顯大模型更新速度從“年度”縮短到“季度”甚至“月度”加上短視頻和社交媒體的放大很多人光看資訊就已經(jīng)精疲力竭了。但這里面有個認(rèn)知陷阱你以為自己需要掌握所有新技術(shù)但實際上絕大多數(shù)變動跟你沒有直接關(guān)系。我統(tǒng)計過自己過去半年真正在生產(chǎn)環(huán)境中用到的新模型和新工具一只手?jǐn)?shù)得過來。大部分信息屬于“知道了對談資有幫助、對能力提升沒幫助”的類型。所以焦慮的第一個來源就是我們誤把“信息消費(fèi)”當(dāng)成了“學(xué)習(xí)積累”。解決這個問題我當(dāng)時做了一個很粗暴的調(diào)整把資訊類APP全部取消通知只在每周五下午集中看一次本周AI動態(tài)。篩選標(biāo)準(zhǔn)也很簡單這個技術(shù)是否影響我現(xiàn)在正在做的項目是否解決了我在實踐中遇到的實際痛點和效率瓶頸如果兩個答案都是否直接跳過。執(zhí)行了一個月之后我發(fā)現(xiàn)自己的學(xué)習(xí)節(jié)奏明顯穩(wěn)了因為大腦終于從“不停被推送打斷”的狀態(tài)里解放出來能騰出精力去做真正有積累價值的事。1.2 技能恐慌背后的“基礎(chǔ)不牢”第二個焦慮來源是很多人嘴上說著要學(xué)AI其實連基礎(chǔ)的編程能力、數(shù)學(xué)概念、甚至搜索引擎的使用習(xí)慣都還不到位。AI的爆發(fā)讓“會提問”這件事看起來變得很容易但真正做出一個可用的產(chǎn)品、解決一個具體的業(yè)務(wù)問題靠的還是扎實的基本功。我見過不少朋友拿著一個ChatGPT的賬號就覺得自己“會AI了”真正讓他用Python調(diào)用一下API接口、處理一下返回的數(shù)據(jù)就完全不知道怎么下手。這種落差感會隨著時間的推進(jìn)越來越明顯刷到的內(nèi)容越高級對照自己手頭的能力就越覺得自己是個門外漢。于是焦慮指數(shù)直接拉滿。這個問題的本質(zhì)是“自己想達(dá)到的高度”和“當(dāng)前真實技能水位”之間的差距。差距本身不可怕可怕的是我們沒有把它拆成一個一個的小臺階而是站在山腳下望著山頂一邊感嘆一邊原地踏步。后面我會具體展開如何構(gòu)建一條適合自己的學(xué)習(xí)路徑這里先記住一句話焦慮的反義詞不是輕松而是具體。1.3 害怕被替代的生存危機(jī)站在2025年這個時間節(jié)點幾乎每個技術(shù)崗的人都思考過一個靈魂問題我的工作會被AI替代嗎特別是看到AI編程工具能自動生成不少常規(guī)代碼AI繪畫能做海報AI寫作能出文案這種危機(jī)感已經(jīng)從“未來的憂慮”變成了“眼前的壓力”。我必須誠實地說一部分崗位需求確實在收縮這是行業(yè)結(jié)構(gòu)調(diào)整的必然結(jié)果。但與此同時對“會用AI解決復(fù)雜問題的人”的需求正在快速增加。我所在的小團(tuán)隊過去需要三個人分別負(fù)責(zé)信息收集、邏輯整理和初稿撰寫現(xiàn)在這些環(huán)節(jié)用AI就能完成大半團(tuán)隊反而把精力集中在更核心的策略判斷和方案設(shè)計上整體產(chǎn)出質(zhì)量和人效都上去了。所以與其把AI當(dāng)成對立的競爭對手不如把它看作要學(xué)習(xí)駕馭的新工具。會使用者和不會使用者之間的差距會逐漸拉大這才是真實的分水嶺。想通了這一點很多焦慮情緒反而可以被轉(zhuǎn)化成學(xué)習(xí)的動力。2. 我更推薦的一條AI學(xué)習(xí)路徑2.1 先定場景再定技術(shù)棧市面上關(guān)于AI學(xué)習(xí)的路線圖多到爆炸但大多數(shù)都有一個共同問題它們看起來無所不包從線性代數(shù)到機(jī)器學(xué)習(xí)原理從PyTorch到LangChain從提示詞工程到模型微調(diào)全部列進(jìn)去之后普通人根本無從下手。我自己總結(jié)出來一個比較不那么勸退的思路先確定你要解決什么問題再倒推你需要學(xué)什么。舉個例子。如果你是一個產(chǎn)品經(jīng)理最需要的能力可能是用AI輔助做市場調(diào)研、撰寫需求文檔、生成原型描述、輔助數(shù)據(jù)分析。那你的學(xué)習(xí)重點應(yīng)該是主流對話類產(chǎn)品的使用技巧、提示詞工程基礎(chǔ)、各類在線工具的能力邊界而不需要一上來就學(xué)Python和數(shù)據(jù)建模。我見過不少產(chǎn)品經(jīng)理硬啃了兩個月機(jī)器學(xué)習(xí)理論最后既沒學(xué)懂本職工作也沒有任何提升這就是典型的“用學(xué)術(shù)期的學(xué)習(xí)方式來解決應(yīng)用期的問題”。反過來如果你是一個前端工程師想通過AI提升編碼效率那你的學(xué)習(xí)路徑應(yīng)該是AI輔助編程工具如Copilot、Cursor等的手感培養(yǎng)、代碼理解與審查能力、以及怎么把AI生成的代碼安全地集成到現(xiàn)有工程里。核心原則就一句話不要為了學(xué)AI而學(xué)AI要讓AI為你的目標(biāo)服務(wù)。把“我要學(xué)大模型”改成“我要用大模型做出一個能自動整理會議紀(jì)要的小工具”整個學(xué)習(xí)過程的狀態(tài)和效果會完全不同。2.2 以項目為錨構(gòu)建知識拼圖確定場景之后接下來最重要的一步是找到一個足夠小、足夠具體的項目。這個項目不需要多高級哪怕是“做一個能幫我在命令行里查天氣的AI助手”都行關(guān)鍵是要把學(xué)習(xí)過程掛在一個真實目標(biāo)上。我一直跟身邊人強(qiáng)調(diào)一個方法項目牽引式學(xué)習(xí)。比如你想搞清楚AI Agent到底是怎么回事與其讀十篇文章不如直接去寫一個最簡單的Agent調(diào)用大模型API給它一個工具比如搜索函數(shù)讓它根據(jù)用戶指令決定是否調(diào)用、怎么調(diào)用、最后組織回答。當(dāng)你親手跑通這個流程你對“模型調(diào)用、工具注冊、上下文管理”這些概念的理解會遠(yuǎn)遠(yuǎn)超過看十篇教程的效果。我自己真正把大模型用明白不是靠看書而是靠一個周末寫了一個內(nèi)部用的“文檔問答機(jī)器人”。從最開始不知道API參數(shù)怎么傳到后來理解溫度系數(shù)對答案穩(wěn)定性的影響再到會設(shè)計檢索邏輯來優(yōu)化回答質(zhì)量整個過程大概只花了三天時間。這三天學(xué)到的東西比之前斷斷續(xù)續(xù)刷一個月文章都管用。項目做完之后我還會刻意做一步復(fù)盤這個項目里用到了哪些核心概念。比如LangChain里Chain和Agent的區(qū)別是什么RAG為什么需要做向量化上下文窗口超了怎么辦。帶著項目的經(jīng)驗去理解概念你會發(fā)現(xiàn)自己幾乎不需要死記硬背因為每個知識點都能對應(yīng)到一段真實經(jīng)歷上。2.3 構(gòu)建可持續(xù)的反饋閉環(huán)學(xué)習(xí)任何一項技能如果長期得不到正向反饋人很容易放棄。AI學(xué)習(xí)尤其如此因為它的反饋周期可能很長而且新東西層出不窮很容易產(chǎn)生“我學(xué)了這么多還是不會”的挫敗感。我建議你建立一個盡可能短的反饋閉環(huán)。具體操作是每看完一段教程不是關(guān)掉頁面就算了而是馬上用這段內(nèi)容做一個小驗證?？吹絼e人用提示詞技巧優(yōu)化了文案立刻拿自己手頭的工作內(nèi)容試一遍看到一個開源項目能實現(xiàn)語音轉(zhuǎn)文字立刻跑起來看看在不同音頻上的實際效果。這種“輸入—驗證—糾錯”的循環(huán)能把抽象知識快速轉(zhuǎn)化成你的實際操作能力。另外我還會記錄一個“解決問題清單”每通過AI解決一個實際問題就記一筆。比如“用AI幫同事生成了一份月度報告模板”“通過調(diào)提示詞讓AI輸出符合公司風(fēng)格的會議紀(jì)要”“用腳本批量處理了幾百條文本數(shù)據(jù)”。這個清單不需要多正式但當(dāng)你自我懷疑的時候翻出來看看是非常有效的心態(tài)穩(wěn)定器。人需要被自己過去的小成就激勵這種激勵比任何雞湯都管用。3. 打好基本功 AI學(xué)習(xí)的重要拼圖3.1 編程能力仍是繞不開的基石雖然現(xiàn)在有很多無代碼工具但如果你想在AI方向上走得足夠深我認(rèn)為基礎(chǔ)的編程能力仍然是繞不開的。大模型的API需要通過代碼來調(diào)用數(shù)據(jù)處理需要通過腳本來完成哪怕只是簡單的文本清洗和格式轉(zhuǎn)換用命令行和Python也會比純手工效率高得多。但我也理解非技術(shù)背景讀者的顧慮這里想給你吃顆定心丸你不需要成為算法工程師只需要掌握“夠用”級別的編程能力即可。什么是夠用能用Python寫一個循環(huán)處理列表能讀懂函數(shù)調(diào)用能處理JSON格式的返回值能在本地把一段數(shù)據(jù)通過API發(fā)送給大模型并拿到結(jié)果。這幾個技能大概花一到兩周的業(yè)余時間就能有感覺。我的建議是不要一上來就買一本幾百頁的編程教材從頭看而是帶著任務(wù)去學(xué)。你手頭要處理的數(shù)據(jù)是什么、要實現(xiàn)的功能是什么在此基礎(chǔ)上做有針對性的搜索和調(diào)試。GPT類工具作為編程助教的角色在這里特別合適你完全可以把自己當(dāng)成一個“會用AI輔助寫代碼的人”。遇到報錯信息直接把報錯復(fù)制給AI讓它解釋并提供修復(fù)方案效率比傳統(tǒng)的“查書—推演—試錯”快很多。3.2 提示詞工程的進(jìn)階姿勢提示詞工程是普通人最容易上手、也最容易看到效果的AI技能。很多人對這個詞有誤解以為就是會寫幾句“請用專業(yè)的方式回答”就算懂提示詞了。實際上提示詞工程的核心是“如何清晰的定義輸入輸出、如何限制AI的發(fā)散范圍、如何讓模型理解你真正想要什么”。我總結(jié)了一個比較通用的結(jié)構(gòu)化提示公式你可以直接套用角色設(shè)定告訴AI它應(yīng)該以什么身份來回答問題比如“你是一名資深數(shù)據(jù)分析師”。任務(wù)描述清晰說明你要它做什么盡量用動詞開頭比如“分析這份銷售數(shù)據(jù)的月度趨勢”。背景信息提供必要的上下文比如公司業(yè)務(wù)模式、目標(biāo)用戶群體、已知限制條件等。輸出格式明確要求輸出的格式比如“用表格輸出每行代表一個月份包含環(huán)比增長率”。邊界限制說明哪些不要做比如“不要編造數(shù)據(jù)”“不要使用專業(yè)術(shù)語”等。從我個人實操的經(jīng)驗來看把提示詞寫清楚回答質(zhì)量會有質(zhì)的飛躍。尤其是當(dāng)你要用AI處理比較復(fù)雜的任務(wù)時永遠(yuǎn)不要給它一個模糊的指令就期待它能給出完美的結(jié)果好的提示詞寫起來就像一份精確的需求文檔AI其實就是那個在嚴(yán)格按需求文檔做事的“乙方”。3.3 理解AI應(yīng)用層的關(guān)鍵原理如果你想在AI應(yīng)用開發(fā)上走得更遠(yuǎn)還需要理解幾個關(guān)鍵原理。不是讓你去推導(dǎo)數(shù)學(xué)公式而是讓你知道這些概念在生活中對應(yīng)著什么場景大模型可以理解為一個“讀過很多書”的高智商實習(xí)生懂的東西多但回答不一定可靠需要你給它明確的輸入和約束。上下文窗口相當(dāng)于這個實習(xí)生的“短期記憶”一次性只能記住一定量的信息。超出這個范圍它就會遺忘或混亂。RAG檢索增強(qiáng)生成相當(dāng)于給這個實習(xí)生配了一個“外部資料庫”它在回答問題前會先去庫里查相關(guān)資料再基于資料回答。這個方法能讓AI回答更接近實際情況大幅減少憑空編造的概率。AI Agent相當(dāng)于給這個實習(xí)生配上各種工具——“搜索引擎”“計算器”“日程管理”。它可以根據(jù)你的指令去調(diào)用這些工具完成更復(fù)雜的任務(wù)。這些概念聽起來很玄乎但其實都可以用現(xiàn)實生活里的角色來類比。當(dāng)你能把抽象的技術(shù)術(shù)語翻譯成自己能理解的畫面學(xué)習(xí)門檻就會立刻降下來。實踐中如果你想深入了解這些概念之間的關(guān)系我推薦一個很有效的學(xué)習(xí)方法動手去看別人開源項目里的代碼結(jié)構(gòu)。GitHub上有很多優(yōu)秀的AI應(yīng)用項目讀它們的目錄結(jié)構(gòu)和核心源碼你會直觀感受到“這個項目是直接用API調(diào)用還是用了RAG方案”“它的Agent是怎么定義工具的”。不求完全讀懂只要能從代碼里看出大致流程就已經(jīng)比90%只看文章不實踐的人強(qiáng)得多。4. 別急著追逐新概念工具選型的務(wù)實之道4.1 新工具層出不窮為什么我不建議你每次都追你大概也發(fā)現(xiàn)了每隔幾周就會出現(xiàn)一個新的Agent框架、新的Prompt技巧或者新的應(yīng)用平臺然后社交媒體上就是一陣狂歡。這時候很多人會陷入一種“FOMO錯失恐懼”覺得不馬上試用就落后了。我的看法可能跟一些人不完全一樣對于大多數(shù)處于學(xué)習(xí)階段、或者手里的項目還沒有復(fù)雜到需要新框架加持的人來說深耕一套核心工具的價值遠(yuǎn)超淺嘗輒止地追趕每一個新事物。我之前帶過一個伙伴今天看到別人用LangGraph做多Agent系統(tǒng)很炫花兩天去學(xué)明天看到另一個框架更火又丟掉剛學(xué)的東西去追新的。兩周過去他每個概念都聽過但每個都只會“hello world”既沒有產(chǎn)出實際項目也沒有形成知識體系反而更焦慮了。后面我建議他把手上的舊項目用順手的一個框架重構(gòu)一遍遇到問題再去查資料最終反而對很多底層概念豁然開朗。選工具的建議如果你剛開始從成熟、文檔全、社區(qū)大的工具入手比如直接用大模型官方API做應(yīng)用或者用LangChain搭建自己的流程。這類工具有大量現(xiàn)成案例可以查踩坑后有豐富的解決方案可以參考。等到你對數(shù)據(jù)處理流程、上下文管理等底層概念有了真實的體感再去看那些新框架、新概念你會發(fā)現(xiàn)它們不過是你已掌握知識的重新組合學(xué)習(xí)成本遠(yuǎn)低于預(yù)期。4.2 最小可用組合推薦直接抄作業(yè)這里我給大家一個可以直接上手的“最小可用組合”適合想快速在應(yīng)用層做出東西的讀者大模型API選擇市面上主流、穩(wěn)定且價格合理的API即可。首選兼容性最好的接口方便后續(xù)切換。編程語言Python因為生態(tài)最完善AI相關(guān)的庫和案例幾乎都以Python為主。開發(fā)框架優(yōu)先選社區(qū)活躍、文檔友好的。不要去追最新的要追文檔最全的。向量數(shù)據(jù)庫如果你要處理本地文檔問答或知識庫類項目需要用到。默認(rèn)選成熟穩(wěn)定、社區(qū)資料多的產(chǎn)品一般自帶教程項目初學(xué)者也能在自己機(jī)器上跑通。前端展示如果你不是前端工程師直接用現(xiàn)成的Web UI模板或者基于Gradio/Streamlit這類工具來搭原型幾分鐘就能跑起來一個帶界面的應(yīng)用對驗證想法非常有效。這套組合足夠覆蓋大部分個人級AI應(yīng)用的開發(fā)需求。等這些技術(shù)你都用得熟練了再考慮要不要引入更新的框架。工具只是實現(xiàn)目標(biāo)的手段能把一個項目從0到1完整跑通、再到持續(xù)迭代完善才是更有價值的核心能力。4.3 構(gòu)建自己的工作流和知識管理除了項目開發(fā)和工具選型還有一件事我認(rèn)為長期價值極大構(gòu)建一套自己的AI工作流。所謂工作流就是把你日常工作中反復(fù)出現(xiàn)的任務(wù)沉淀成一套可以被AI輔助執(zhí)行的流程模板。比如我自己的固定工作流包括信息收集用爬蟲腳本抓取指定網(wǎng)站或公眾號的更新通過大模型做摘要推送到郵箱或筆記工具。內(nèi)容草稿寫需要對外發(fā)布的文章時先用AI列出大綱和初稿我再做修改和潤色。這一步不是讓AI替我寫而是讓它幫我生成的思路和表達(dá)然后我再進(jìn)行“翻譯”和個性化調(diào)整。會議紀(jì)要錄音轉(zhuǎn)文字后交給大模型提煉待辦項、決策點和風(fēng)險項十分鐘能完成過去半小時的工作。代碼審查提交代碼前把變更內(nèi)容交給AI過一遍讓它幫你找潛在問題和優(yōu)化空間。雖然不能完全替代人工review但確實能捕捉到一些大多數(shù)開發(fā)者容易忽視的細(xì)節(jié)。流程化的意義在于學(xué)會的技巧不會用完就丟而是沉淀成你日常操作的一部分。在這個過程里你對AI的駕馭能力會越來越強(qiáng)焦慮的地盤也會越來越小。5. 那些自己踩過的坑常見問題與排查實錄5.1 AI生成內(nèi)容不可控回答質(zhì)量不穩(wěn)定這是剛上手時最讓人抓狂的問題同樣一個問題早上問的回答質(zhì)量很高晚上問就變得很敷衍。一開始我以為是自己操作有誤后來才發(fā)現(xiàn)是忽略了提示詞的穩(wěn)定性和參數(shù)的確定性。排查這個問題的順序我建議先檢查以下三件事提示詞是否足夠明確模糊的指令會帶來隨機(jī)的輸出。你給的要求越精確輸出的方差就越小。溫度系數(shù)是否過高這個參數(shù)控制著回答的隨機(jī)性。溫度太高時同樣的輸入可能產(chǎn)出差別很大的結(jié)果所以在需要輸出確定性內(nèi)容時可以適當(dāng)調(diào)低溫度甚至設(shè)置為0。是否用對了模型版本不同的模型型號在能力、風(fēng)格上有明顯差異。如果你在聊天界面或者API里用錯了版本得到的回答自然也不一樣。實操中我自己習(xí)慣在需要精確輸出的場景下把說明文件里的重點要求直接貼進(jìn)提示詞里然后附上“嚴(yán)格遵循以上要求”響應(yīng)的穩(wěn)定性會好很多。5.2 上下文長度越界回答突然“失憶”處理長文檔時經(jīng)常會遇到一個問題AI在開頭還能準(zhǔn)確引用原文聊到后半段就開始胡編亂造。這大概率是上下文窗口已經(jīng)達(dá)到了上限早期輸入的內(nèi)容被模型“遺忘了”。遇到這種情況幾個實操方法供你參考分段問答不要一次性把整本書丟給AI而是按章節(jié)、按主題拆分成小塊每個問題對應(yīng)一個片段。做個前置摘要如果確實需要綜合多段內(nèi)容先讓AI對每段生成摘要再把摘要合并起來最后基于合并內(nèi)容提問。這種“先壓縮、再理解”的方式能有效擴(kuò)展信息覆蓋范圍。利用好外部存儲這就是RAG的用武之地。把資料先存進(jìn)向量數(shù)據(jù)庫每次通過語義檢索只把相關(guān)內(nèi)容取出來喂給AI這樣它就像帶著一本無限厚的資料書隨查隨用。我自己實現(xiàn)的文檔問答機(jī)器人核心優(yōu)化思路就在這里。這個排查邏輯同樣適用于Agent項目。Agent每執(zhí)行一步都要消耗上下文步驟一多就容易丟失上下文信息導(dǎo)致執(zhí)行混亂或重復(fù)。這時候最好的方式就是給整個流程增加“記憶管理”機(jī)制讓它在每一步結(jié)束后存儲關(guān)鍵摘要而不是把全部過程都堆在對話里。5.3 項目做完了卻不知道怎么繼續(xù)提升做出第一個AI項目并不難難的是項目做完之后怎么進(jìn)一步提升。很多朋友卡在這一步覺得自己的項目功能很簡單、技術(shù)含量不高不知道還能做什么。我的經(jīng)驗是從以下三個維度來迭代更好的效果數(shù)據(jù)輸入和提示詞還有哪些優(yōu)化空間是否能引入RAG讓回答更貼近事實是否能加一些條件判斷來應(yīng)對特定場景更好的體驗交互流程是否順暢響應(yīng)速度是否能優(yōu)化前端界面是否簡潔用戶是否能一眼就找到自己需要的結(jié)果更大的覆蓋這個小工具能否遷移到其他業(yè)務(wù)場景能否從單機(jī)腳本升級成Web服務(wù)沿著這三個維度每個項目都能持續(xù)迭代很長一段時間。更重要的是這個迭代過程會倒逼你不斷去學(xué)新東西而且學(xué)習(xí)的方向很精準(zhǔn)都是當(dāng)下要解決的具體問題。這種“帶著問題學(xué)習(xí)”的方式比漫無目的地刷教程要高效得多。6. 最后一步把焦慮轉(zhuǎn)化為行動清單聊了這么多回到最開始的話題焦慮怎么辦。我個人對焦慮的處理方式很簡單就是不跟它對抗也不想著徹底消滅它而是把它轉(zhuǎn)換成一個可以執(zhí)行的行動清單。當(dāng)你腦子里全是“我好慌”“我追不上”的時候唯一有效的辦法是給自己找到下一個可以動手的具體任務(wù)。這個任務(wù)不需要大比如今天就用一個AI工具解決手頭的一個小問題。這個周末用API做一個能跑通的命令行小工具。這個月把手頭的工作流用AI重構(gòu)一遍量化一下能節(jié)省多少時間。找一個小型開源項目讀完它的核心代碼寫一篇記錄。每完成一件你的掌控感就會增長一點。當(dāng)掌控感超過失控感時焦慮自然會退潮。最后再分享一個我個人的小技巧我會定期給自己寫“決策日記”記錄自己當(dāng)前對某個方向的理解、正在做的事、遇到的問題。過一段時間回頭看會明顯感受到自己的進(jìn)步軌跡。這種“記錄—對比—復(fù)盤”的小習(xí)慣在焦慮襲來時尤其管用因為它能給你最直觀的證據(jù)你真的在往前走而且真的在變好。AI這個領(lǐng)域確實又大又快但它也是一個充滿機(jī)會的領(lǐng)域。我們不需要一夜之間變成專家只需要接納自己的節(jié)奏今天比昨天多解決一個問題多做透一個小項目就已經(jīng)足夠好了。