AI 帮你读了很多，为什么还是记不住？把“看过”变成“会用”的方法

读懂研究，认真生活｜Walk the Walk

用 AI 学习，很容易拥有一份漂亮的总结：一本书被压缩成十条要点，一节课被整理成思维导图，一份工作报告被解释得清清楚楚。

可轮到自己说，问题又出现了：这句话是什么意思？为什么能得出这个结论？换一种情况，还成立吗？

AI 产出了可读的答案，与自己形成了能调用的知识，需要分别检查。 如果你希望几天后还能独立讲清，并在工作和生活里用上，就需要在阅读之外，安排自己回忆、解释、比较和尝试的机会。

一、先决定：哪些内容值得学到能独立使用

不是每篇文章都要精读，也不是每个信息都值得背下来。查一个营业时间、找一条已经知道含义的公式，借助工具完成就好。

更值得投入练习的，是那些以后需要你自己判断、解释或操作的内容：给同事说明一张报表，和家人比较两种方案，理解课程中的关键概念，按新方法做一次演示。

阅读前，把“我要学这篇文章”改成一个可以验收的问题：

这些目标决定你需要什么练习。记得术语、说得清原因、实际做得出，是不同的检查点。

二、研究支持了什么，又没有支持什么

Dunlosky 等人2013年综述了十种学习技巧，把练习测试和分散练习评为适用性较高的方法；自我解释获中等评价，部分原因是证据的适用范围仍有限。重读和划线的总体评价较低，但这不等于它们在任何情况下都无用。^[1]

这里的“测试”可以很轻：关掉文章，写出你记得的内容，再核对。间隔练习则是把学习机会分散开，而不把同样的练习全部挤在一次完成。

关于 AI，还需要更谨慎。Anthropic 的一项52名开发者随机实验中，AI组在学习陌生 Python 库后的即时测验得分较低。样本小、任务特定、没有长期随访；它不能证明 AI 会让所有领域的学习者退步，也不能证明某种对话方式必然更好。^[2]

因此，本文采用一个可操作的检查原则：同时看任务有没有完成，以及离开帮助后自己还能完成什么。 接下来的流程，是基于学习研究设计的尝试方法，不是“科学证明的万能提示词”。

三、用一个完整例子，把阅读变成练习

假设你正在读一份工作报告，里面写着：“报名转化率从2%提高到3%，提升50%。”你希望以后遇到类似表达，能准确解释。以下数据均为教学假设，不代表真实业务。

第一步：读之前，先留下自己的判断

先问自己：“从2%到3%，为什么有人说提高1，有人说提高50？”不用急着答对，写下你当前的理解。

如果完全不知道，可以先请 AI 解释“百分比”和“百分点”的必要区别，再继续。独立练习需要可理解的材料和基本知识，不必强迫自己在一无所知时苦猜。

第二步：读懂后，合上材料讲一次

这里的计算是：3%减2%为1个百分点；相对于原来的2%，增加部分是1%÷2%=50%。假设前后各有1000名访问者，对应报名人数就是从20人变成30人。

关掉报告和 AI 回答，用两三句话向一个没看过材料的人解释。不要一边盯着答案，一边换几个词复述。

如果你只说出“提高了50%”，却讲不清原来是多少、现在是多少，就找到了需要补的地方。

第三步：让 AI 追问一次，回答后再反馈

你可以这样要求：

先别给完整答案。请问我一个检查理解的问题，等我回答后再纠错。如果我卡住，先给一个提示。

AI 可以问：“如果下个月访问人数减半，报名人数一定增加吗？”

你先算：500人×3%=15人。比例提高了，人数仍可能从20降到15。接着还要区分：报告中的两个比例是否来自相同口径？观察到变化，是否足以判断是哪项措施造成的？单凭这两个比例，不能确定原因。

反馈不应只有“很棒，你理解了”。让 AI 指出你哪一步算错、哪个条件漏了、哪句话把相关变化说成了因果。修改后，再脱离答案重讲一次。

第四步：换个场景，保留同一个问题结构

把工作报表换成日常消费：某商品从200元涨到220元，随后再降价10%，会回到200元吗？

先独立算，再核对：220×90%=198。两次变化的基数不同。

这两个例子共享的检查点是“比例是相对于什么计算的”，但问题也有差别：前一个区分比例与人数，后一个检查连续变化的基数。把共同点与差异都说出来，比只说“这两个都是百分比”更有用。

案例比较有相关实验依据。Gentner 等人2003年的谈判学习研究发现，引导学习者比较案例，有助于在新谈判任务中使用所学原则；它不是对所有学科、所有迁移距离的保证。这里将案例比较用于日常学习，是对研究思路的应用。^[3]

第五步：完成一个最小任务

找一段自己确实需要解释的公开数据，独立写出三句话：原来的数值、现在的数值、这项变化能说明与不能说明什么。涉及工作材料时，先按所在机构的规则处理数据，再决定是否交给外部工具。

AI 可以帮你检查算术和表达。你需要亲自决定比较对象、核对原始数据，并保留最终解释。这次练习说明你能处理这个任务，尚不能说明你已掌握所有统计推断。

四、让笔记留下判断依据，而不只是结论

不必换笔记软件。一页纸就能保存下次练习需要的东西：

给重要判断加上四种标记，尤其适合与 AI 一起整理资料：

• 【原文】 材料明确写了什么，并能找到位置。
• 【推断】 根据现有信息作出的解释，仍可能有其他解释。
• 【实验】 自己按什么条件尝试过，观察到了什么。
• 【未知】 现有材料无法回答什么。

例如，“报告给出转化率从2%到3%”可以标为【原文】；“因为新标题更吸引人”若没有进一步证据，只能是【推断】。用假设数据完成计算，属于【实验】中的练习记录，不能写成真实业务验证。

AI 说得顺畅，不能替代来源；自己讲得流利，也不能替代核查。 遇到它补出作者动机、遗漏研究条件或给出打不开的文献，回到原材料确认，查不到就保留未知。

五、过几天再学：从回答问题开始

下一次复习，先不要打开整份笔记。先看问题，独立回答，然后才核对。

可以从这样一个宽松安排开始：次日试着回忆，本周稍后做一道变式，下周再讲给别人听。日期只是便于启动的个人安排。合适间隔会受到材料、熟悉程度和希望保留多久等因素影响；“1、3、7、21天”不是所有知识的科学最优值。¹

复习时，根据缺口采取不同动作：

• 想不起名称，但能解释关系：补术语即可。
• 能背定义，却说不清为什么：回到例子，补上中间推理。
• 原题会做，换个条件就错：比较两个题目的共同结构和不同前提。
• 连问题都看不懂：先补必要概念，再缩小学习目标。

连续答得顺畅，可以把下次练习隔得更远；反复需要提示，就缩短间隔或换一种解释。这个调整方式是执行建议，不是精确的记忆预测模型。

也不必维护一个不断膨胀的复习清单。优先保留近期会用、错误代价较高，或你一直讲不清的几个问题。

六、这套方法怎样用于其他学习场景

不同场景需要不同的“会用”证据。下面是可尝试的练习设计，不是这些活动已被同一项研究验证有效：

动手技能还需要真实环境中的观察与反馈。文字讲得清楚，不保证动作已经熟练；练习一个局部，也不能替代完整任务的检验。

你可以把 AI 用在找材料、解释前置概念、生成练习、检查错误上，同时给自己保留几个时刻：先判断、先作答、先操作，再请求帮助。

七、一段可以直接使用的学习提示词

把实际材料放在下面这段提示词后面。材料很长时，一次选一个章节或一个问题即可。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

请担任我的学习教练。我的目标是：离开材料和你的帮助后，
仍能独立讲清关键内容，并在条件改变时判断怎样应用。

1. 先说明你实际读到了哪些材料。无法访问就明确说，
   不要根据标题补写。区分【原文】【推断】【实验】【未知】。
2. 帮我选一个与实际用途有关、范围足够小的问题。
   先让我说出当前理解；缺少前置知识时，只补必要部分。
3. 每轮只问一个问题，等我回答。先不要给完整答案。
4. 反馈时指出具体错误、推理跳步和遗漏的条件。
   我卡住时先给提示，仍不会再解释；之后让我重新表述。
5. 在我能解释原例后，改变一个条件，或给出第二个案例，
   让我比较共同结构与差异。不要暗示原答案总是适用。
6. 帮我设计一个最小实践。先让我预测结果，再提供帮助。
   结束后记录：做了什么、观察到什么、尚未验证什么。
7. 整理一张学习卡、三个开放问题与目前最明显的理解缺口。
   问题和参考答案分开，便于之后闭卷练习。
8. 评价事实时依据原材料和可核查来源，
   不以我表达流利或与你的措辞相似作为正确标准。

现在先问我：学完这份材料后，我希望在什么场景下用到它？

下一次学习，先选一个问题就够了。读懂后关掉窗口，给自己两分钟讲清楚，再让 AI 提问。今天讲不出的地方，就是下一轮可以具体改进的地方。

如果还希望检查自己怎样判断 AI 答案，可以接着读：AI越来越好用，我们怎样保留自己的判断力？

参考文献