打破多对多的低效：AI 作为单一信任界面
我们要探讨的核心问题是：如何利用 AI 优化学习。虽然 AI 是绝佳的辅助工具，但具体落地方法尚不清晰。传统的学习模式存在结构性的低效：学习者与教学渠道（老师、书籍等）之间是多对多的关系。这种结构在两个方向上造成了损耗。首先，一个面向大众的渠道无法针对个体提供最优教学路径。真正的最优教学取决于学习者当前的理解水平，理想状态是“一个老师对应一个学生”，只在理解的边缘发挥作用，避免重复已掌握的内容或教授无法理解的内容。其次，学生从多个渠道学习需要适应不同的风格、符号体系和可靠性标准。在界面之间切换耗费的心力并没有花在学习材料本身上，更深层的代价在于“信任”。大脑对不熟悉的渠道会有保留态度，只有当来源足够熟悉和可靠时，才能轻松消化吸收信息。例如理解毛球定理时，来自知名频道的解释比路人帖子更容易被接受。理想情况下，一个学生应该正好对应一个老师。
针对“单一老师意味着视角单一”的反对意见，我们需要区分信息源与界面。AI 作为“超级老师”，并不减少视角的数量，而是将多元的信息源整合进一个统一的界面。在这个系统中，信任不是靠时间慢慢建立，而是被设计进去的。通过严格的验证和事实核查机制（Sub-agents），我们确保信息正确且系统可靠。这种可靠性降低了认知负荷，使得学习更容易。
面对一个不熟悉的渠道，大脑多少会有些保留……即使解释是一模一样的，我们从熟悉的来源学得更好。
老师并不会减少信息源和视角的数量。而是把它们全部整合起来，通过一个界面交付出来。
系统运行原则：认知努力聚焦于难题
基于上述分析，系统的运行遵循两大核心原则：优化教学与优化心理分配。这并不意味着要消除学习中的困难，相反，我们要把费劲的程度拉到最大。关键在于把所有的认知努力都集中在材料本身上。我们想学难懂的东西，因此“费劲”是必要的，但这股劲儿必须花在理解核心概念上，而不是耗费在琐事规划、寻找资源、核实事实或确定学习顺序等行政性工作上。这些杂务应由系统承担。
具体落地流程分为三个阶段： 1. 探测（测量）：系统通过有梯度的多选题，从宽泛问题开始，利用二分法探寻理解边界，生成一张关于学习者当前水平的详尽图谱。 2. 规划（推演）：系统启动负责验证和事实核查的子 Agent，并将计划以 Mermaid 图表展示。强制生成图表有两个目的：一是让学习者清晰预览路径；二是倒逼 AI 将每一步推演清楚，防止其偷懒糊弄。 3. 教学（执行与反馈）：这是个性化最强的阶段。无论采用何种学习理念，定期的小测验至关重要。其作用有三：一是打破人的自欺心理（误以为懂了）；二是为系统提供持续校准的反馈数据；三是通过应用新知识做练习，帮助新理解牢牢扎根。
我们希望把费劲的程度拉到最大……但必须是费劲在材料本身上，而不是花在琐事规划、找资源上。
人很容易自欺欺人……真正检验自己的理解，对你来说是很重要的反馈。
实战演示：微分形式的 AI 引导式学习
为了验证这套系统，我选择了一个真实案例：从零基础入门微分形式。前端界面使用 Obsidian 关联 Markdown，后端运行在 Pi Agent Harness中。我配置了 Teach Skill、可视化扩展以及两个负责生成和检查 SVG 图解的子 Agent。
学习过程始于摸底阶段。系统通过一系列问题（如线积分、散度、斯托克斯定理等）快速定位我的知识边界。例如，在涉及狭义相对论中电场与磁场变换的问题时，我承认“不知道”，系统随即确认了答案。这一阶段结束后，我对自身理解程度的掌握变得非常详尽。
随后进入规划与教学执行。系统生成了 Mermaid 依赖图，并调用可视化子 Agent生成 SVG 图解。我特别强调“一次只推进一步逻辑”的节奏，避免 AI 像传统聊天机器人那样一股脑倒出所有信息。这种慢节奏使得每一步推导（如引入余向量、楔积的构造）都易于消化，且允许我随时提问。系统还会在关键节点插入小测验（如计算向量作用于一形式），并自动将生成的 LaTeX 公式和 SVG 图像渲染到 Obsidian笔记中。尽管过程中出现过 SVG 生成器报错等小插曲，但整体流程实现了将认知负荷从“管理学习”转移到“理解知识”的目标。这套方法的核心价值在于，它将特定的教学风格（路径规划与逐步推导）固化为了可复用的 AI 系统。
我喜欢把节奏放得很慢，一次只走一步推理……每一步都非常好消化。
这套方法之所以对我这么管用，核心原因并不在于我今天讲的这些，而是在于我上个视频里聊到的教学风格。