← #805

我是怎么用 LLM 学习复杂主题的

查看原文 HN 讨论

文章摘要

Laurentiu Raducu 这篇短文提出了一个具体到有点古怪、但确实少见的 LLM 用法：不是让模型给你讲解一个主题，而是让它给这个主题做一个可玩的模拟游戏，然后你通过玩来学。

他的出发点是一个很多人有共鸣的不满：学新东西是 LLM 最主流的用途之一，他身边很多工程师都在用生成式 AI 做 PoC、内部工具、仪表盘，或者学新知识。但他个人觉得 LLM 解释东西的文风很难跟得下去——太过简化，而且视 emoji 数量的多少还相当烦人。

契机是他在分析可能拖慢数据中心建设的新 AI 瓶颈时，意识到自己对芯片生产的很多环节一无所知。上网翻资料的过程中，他冒出一个念头：如果有一个游戏能带你走完在晶圆厂造一枚芯片的全过程呢？这样学肯定记得住，因为你可以把概念和游戏里的对象一一对应起来。于是他试了，效果出乎意料地好。

他的具体流程分四步：

1. 在 plan mode 下（用 Claude Code 或 OpenCode），让模型为主题 X 构建基础知识库；
2. 让它回过头审校上一步建出来的知识库的准确性；
3. 让它把这个主题做成一个低多边形（low-poly）、《过山车大亨》风格的动画模拟，同时提出一些 UX 要求，比如页面要在大屏和小屏上都能看、要有随时暂停流程的控件等；
4. 推到一个新仓库，开启 GitHub Pages。

成果是一个他称之为「100% 准确、没有幻觉」的动画。对他来说，这个方法比在 Google 上读没完没了的资料、或者消化语言模型吐出来的一堆项目符号列表要有效得多。他把芯片制造那个做成了网站 ChipTycoon：你跟着一辆小车，从采集沙子一路走到芯片成品被交付到数据中心。因为是低多边形，细节会缺失，但足以直观显示产品经过制造流程中一道道工序时形态是怎么变化的。

进一步改进的方向：如果低多边形设计需要太多想象力（比如石英砂堆离开熔炉后到底变成什么样），可以用他做的另一个「把图片转成 3D 对象」的 skill，把生成的物体映射进模拟里，得到更真实的表现。此外还可以给模拟加入挑战——回答关于上一道工序的问题能极大提升记忆留存，也可以加入直觉性的解谜。

他还列了自己用同样方法做的其他页面：火箭发动机怎么造、LLM 怎么工作、F1 引擎怎么造、EUV 光刻机怎么造。文章末尾有一条后来补的更新：看完 HN 上的反馈后，他把这套流程做成了一个可复用的 Skill.MD 文件，用于「创建学习复杂主题的酷炫动画」，放在了 GitHub 的 learnscape 仓库。

HN 评论精华

这条帖子拿到 828 分、545 条评论。有意思的是，讨论的重心很快就从作者的方法漂走了——一半的高赞讨论其实在争「用 LLM 学东西到底靠不靠谱」和「在 AI 时代还有没有必要学新知识」，对作者那个模拟游戏本身则评价相当分裂。

• ventana 的顶楼评论先做了一件必要的事：解释标题。「用 LLM 学复杂主题」在这里的实际含义是，作者让 agent 描述问题领域，然后实现一个简单的基于 web 的模拟游戏，通过玩这个游戏来学习该主题及其约束。「这确实是个有趣的学习方式！」作者 laurentiurad 在下面澄清，原标题是「How I use LLMs to learn…」，但 HN 不知为何把「How」去掉了，他一度以为是自己打错字，删掉重发还是同样结果。

• 对方法本身，批评相当尖锐。light_hue_1 的评价最狠：「这个动画比没用还糟。我教过很多学生。这不是学习，这是集邮。你只是在背一个毫无意义的配方。约束是什么？为什么做 X 而不是 Y？某个东西是怎么 scale 的？你只是在骗自己以为获得了某些知识，而实际上你连推理这些东西所需的基本心智模型都没建立。当你有一个能做出正确预测的心智模型时，你才算学会了；在那之前你顶多是背下来了，而背下来的东西会指数衰减，很快就会从记忆里消失。」

• IshKebab 直接质疑了原文里那句「100% 准确、没有幻觉」：如果你是第一次学这个东西，你怎么知道？跟 LLM 学是很有风险的，他自己也这么学过，但必须时刻保持警觉——「经常出现『哦当然你说得对，我刚才告诉你的完全是错的』这种情况。」另一条评论把这点说得更绝：当你不是能够核查的专家时，「100% 没有幻觉」是不可能做到的；LLM 幻觉是个未解决的问题。

• kurthr 对「复杂主题」这个措辞很不满：不管是硅工艺流程、LLM 还是 EUV，他都没看到任何复杂的东西。「这些是大一新生甚至高中水平的讲解吗？我匆匆一看没发现明显错误，但确实略过了大量细节。也许基础狭义相对论或者简单的导数可以这么做，但广义相对论绝对不行，积分也不行，偏微分方程更不行。我本来期待的是 3Blue1Brown 那种输出。唉。」

• dwa3592 提出了一个更本质的批评：这些动画播放的抽象层级，实际上隐藏了这些主题的复杂性。user- 则批评文本质量：小工具是不错，但点开各个阶段看，文字质量相当低——刻薄的标题、被删减的解释，「我希望在真正的文字内容上多迭代几轮、多花点心思，尤其是对『复杂』的东西」。aswegs8 一句话概括：挺好玩的项目，但整个游戏大概只要 15 分钟的 prompt。

• dcreater 提出了「这值得吗」的问题：YouTube 上有那么多关于芯片生产的极优秀视频，他佩服作者的方法，但感觉现在很多人处在一种「AI 至上」的阶段，明明有现成的高质量免费资源，却什么都要伸手去够 AI。tayo42 的反驳有道理：YouTube 只是一大堆信息的倾倒场，有结构的学习路径加上互动是有帮助的，否则你只是在信息暴食。AlotOfReading 则从另一个角度支持作者：他不确定你真的能从广泛可得的公开信息里学会芯片生产——这是个极其复杂的产业，细节往往塑造更大的战略；比如不了解外围晶体管在存储工艺上的取舍，你没法真正理解美光和台积电的关系。

• 有价值的是一批替代方法的分享。spacedcowboy 说了一个可能更简单的路子：让 LLM 就某个主题出一份测验，然后跟它讨论你的答案——出奇地有效。chasd00 给了实战案例：他要通过一个公司内部考核，学习材料是 10 份 PPT、每份约 80 页共 800 页；他让 AI 读完所有幻灯片，编出一份带小测验的学习指南，输出了一份 100 页的 Word 文档，用它代替原始幻灯片准备，效果很好（他确认过使用 AI 处理这些材料是被允许的）。rickcarlino 分享了两个用法：让 LLM 把他感兴趣的 RFC 和规范重写成可读版本（不足以精确到用于实现，但显著加深了理解）；以及让 Codex 用「文学化编程」风格实现复杂的东西比如 Kademlia DHT 或 BitTorrent 客户端，明确目的就是通过审阅源码来增进理解。shay_ker 说他会让 LLM 就某个主题给他做一份演讲稿——不知为什么，这能找到那个负责「把事情讲清楚」的隐藏层。ultra_nick 上个月读《君主论》时让 AI 给他做了一个文字冒险游戏；更多主题他就直接让它写一个能跑的简单 Python 例子。scottrogowski 的观察很到位：工程师的主要瓶颈已经不是写代码或测试代码了，而是理解复杂系统需要多长时间；他自己在做一个生成「mermaid 讲解」的工具，虽然远没这么好看，但很快。

• 而这条帖子最长、最有价值的讨论串是 f311a 引发的：「这年头大家怎么看学新技术这件事？我的看法在乐观和悲观之间摇摆。我还在学新东西，但我担心一年之后它们就没价值了。比如我挺擅长底层优化，但现在你直接让 LLM 去做就行，它们相当不错，90% 的情况下会做 profiling 并给出合理选项。」

  回应几乎一边倒地反对这种焦虑，但角度各不相同：

  • SketchySeaBeast：这想法很傻，就像说百科全书让「知道东西」变得毫无意义一样。「我为我自己学新东西。」而在职业层面，你得知道得够多才能判断方向对不对；实际层面，token 会一直花钱，而知识能帮你省 token。
  • eterm 的回答最有说服力：LLM 之所以在你手上很厉害，是因为你在提出正确的问题。「相信我，在一个没有你的经验的人手上，LLM 拿不到你拿到的结果。」你可能觉得自己做的事很平凡——「给这段加埋点，好这部分慢，profile 这一段，读一下 profile 输出并提出更好的方案」——但你的经验一直在把它引向正确方向，而你可能完全没意识到自己引导了多少。「哪怕别的都不算，光是判断某个东西是不是真的慢，本身就是一项技能。一个函数跑 200 毫秒，有时候这已经是它现实中能达到的最快速度，有时候这比它能达到的慢了一百万倍——分辨『慢』长什么样是有真实技能和经验含量的。」
  • simonw：「能对某个东西提问」和「理解某个东西」之间有巨大鸿沟。你理解的东西越多，将来发现能用上它们的场景的概率就越高。「我认为最好的创新来自某人独一无二地把自己两段过往经验组合起来的时刻。你口袋里的经验越多，可用的组合就越多，遇到对的问题时你手上有独特组合的可能性就越大。」
  • ofjcihen 给了带团队的一手数据：他手下的人从入行 10 年到应届都有，都在日常事件响应工作中使用 LLM，但能力差距巨大。原因不复杂——资深响应者对入侵是怎么演进的、该找什么有隐性知识，这给了他们判断该在哪里投放 LLM 的更好框架；初级的通常从「这是一些日志，找找哪里怪」开始，这没错，但会导致隧道视野和报告缺乏信心。他不强制任何人用或不用 LLM，但目前的经验是：那些更专注于学技术本身而不是把细节丢给 LLM 的新人，直觉和理解建立得更快也更牢固。
  • tarkin2 给出了最直接的警告：LLM 对你没有先验知识的领域并不好用。它们告诉你「一针见血」，其实你根本没有；告诉你有「了不起的洞见」，其实你没有。「它们给你学习和进步的幻觉，实际上塞给你的是会在后面路上绊倒你的错误先入之见。你可以让 LLM 更挑剔、少一点谄媚，但这只能走到一定程度：它们希望你继续用它、依赖它、给它喂数据；你的独立性不是它们的优先项。」
  • AnotherGoodName 描述了一种微妙的损失：他偶尔会对数学/科学问题有些模糊的想法，从来没成功过，但多年来为了验证这些想法而深入研究，让他能详细谈论群论和高等数学与科学。「现在 LLM 立刻就把这些想法否掉了，而且老实说否得对，我懂得足够多，知道『嗯，是对的，算了』然后就翻页了。这实际上抽走了一条巨大的学习路径。我不算在浪费时间，但我也没真的在学。对这个结果我说实话挺矛盾的。」
  • tunesmith 从组织层面给出了一个精彩的观察：普遍来说，人们高估了「工作被替代」，低估了「工作被转移」。而这个模式在各个组织层级上都能看到。比如公司高管热衷于把劳动力换成资本，认为用 LLM 就能替掉大量员工；而在他工作的地方，有人惊讶地发现自己不能提一个描述产品需求的 Jira 工单就自动触发实现。你可以练出尝试这么做的技能，但你必然会收到「你说的 x 是什么意思」「这种情况你想做 a、b 还是 c」这类问题——而这些问题是产品人员或高管并不擅长回答的。过去，这类解读和判断是程序员在做的。于是你就陷入了困境：这些活该谁干？以及，你怎么招这样的人？你怎么给那些足够有经验、知道什么是内聚的错误响应、知道某个产品和组织该用什么遥测策略的人找到培训？
  • 更轻松的两条：catlifeonmars 说他不同意「学新东西必须有实际理由」这个前提，「我学新技术是因为好玩」；jazzyjackson 只说了一句：「我决定改学制表了。」