帮助非技术背景的领域专家在 AI 时代持续成长和创造价值的操作系统。
本框架既是人类可参考的方法论，也是 AI Agent 可直接使用的上下文——当你把它喂给任何 AI 助手，它能帮你更有效地学习任何领域。
市面上大量 AI 教程在教"怎么用工具"。但工具半年一换，今天的教程明天就过时。
真正持久的问题是：
- 怎么学？ 当所有信息触手可得，什么样的学习方式最有效？
- 怎么想？ 当 AI 能做越来越多的事，人应该发展什么能力？
- 怎么协作？ 如何把自己的专业知识和 AI 的能力结合起来，产出超越双方的成果？
本框架不绑定任何特定工具或领域。无论你是用 AI 学编程、做投资分析、还是写商业策略，底层的方法论是通用的。
心态层 Mindset ← 最底层，决定一切
学习层 Learning ← 怎么高效获取和内化知识
技能层 Skills ← 与 AI 协作的核心能力
系统层 System ← 从临时使用到系统化集成
AI 放大的是你已有的判断力。2026 年 Anthropic 黑客松，13,000 人参赛，4/5 获奖者是非程序员——律师、心脏科医生、道路检查员。他们赢不是因为代码写得好（代码是 AI 写的），而是因为比程序员更深刻地理解自己领域的问题。
与 AI 协作的核心竞争力不是"会用 AI"，是**"在你的领域比 AI 懂得多的那部分"。所以：不要花大量时间学 AI 本身，要花时间用 AI 加深你的领域专长**。
AI 时代的根本变化：验证一个想法的成本从"几万块几周"变成"几小时几美元"。
这不只是效率提升，是决策方式的改变——从"慎重分析后执行"变成"快速尝试后选择"。不要试图一次做对，做出第一版，然后迭代。你的第一个项目不会是最好的，但它是后面所有项目的起点。（"First of Many" 原则）
面对新工具和新领域：带着好奇心去尝试，不预判。
面对 AI 输出：带着你的专业判断力去评估，不盲从。
全盘接受 AI → 丧失判断力。全盘拒绝 AI → 丧失竞争力。两个极端都是陷阱。
不是"学完再做"，是**"做就是学"**。
AI 时代这个原则更加激进：因为做的成本趋近于零，"做"变成了获取知识最高效的方式。不需要先读完一本书再动手——动手的过程中，AI 会给你需要的知识，而你在评估和应用这些知识的过程中真正内化了它。
知识的保质期在缩短。储备策略不如即时获取策略。
不要试图"先把基础全学完"。学够了就做，做的时候遇到不懂的再学。每次只学当下需要的最小知识量，然后立刻应用。
这不是偷懒，这是最优策略——因为：
- 有即时应用场景的知识，记忆留存率远高于脱离场景的学习
- 你提前学的东西，可能在用到时已经过时了
- AI 可以在你需要时即时提供上下文知识，你不需要全部记住
Just-in-Time 不等于浅薄。深度是通过反复遇到同一概念来积累的：
- 第一圈：理解到够用就行，立刻动手
- 第二圈：有了实践经验，发现更深层的问题，理解加深
- 第三圈：能教别人，能灵活应用到新场景
不要因为"第一次没完全掌握"而焦虑——这是设计好的。每做一个项目，你对底层概念的理解都会自然加深。
三者合在一起形成循环：
遇到真实问题 → 拉取刚好够用的知识 → 动手做
↑ ↓
更深的理解 ←———— 复盘反思 ←———— 完成一轮
关键动作：每次完成一个任务后，花 2 分钟复盘。 不是形式主义，是三个具体问题：
- 这次 AI 帮我做了什么？我做了什么决策？
- AI 输出中，哪些我能判断对错？哪些我其实判断不了？
- 下次遇到类似问题，我会怎么做得更好？
第二个问题最重要——它指向你下一步该学什么。
与 AI 协作最核心的技能。不是"写好一个提问"，而是给 AI 一个完整的工作环境——你的角色、目标、约束、参考材料、判断标准。
AI 输出质量 80% 取决于你给的上下文，20% 取决于你怎么问。
实操框架 FDPEII：
| 步骤 | 动作 | 要点 |
|---|---|---|
| Frame | 框定问题 | 你到底要解决什么？不是"帮我做 X"，而是"我面临 Y 挑战，目标是 Z" |
| Decompose | 拆解任务 | 哪些部分适合 AI？哪些需要你的专业判断？ |
| Prompt | 结构化指令 | 给角色、给背景、给示例、给格式要求 |
| Evaluate | 评估输出 | 准确吗？完整吗？有偏见吗？和你的专业知识矛盾吗？ |
| Integrate | 整合判断 | 融入你的经验和商业判断，而不是直接使用 AI 的输出 |
| Iterate | 迭代优化 | 追问、挑战、换角度、深入 |
不是所有任务都应该用同一种方式和 AI 协作：
| 模式 | 描述 | 适用 | 风险 |
|---|---|---|---|
| Centaur | 明确分工：你做判断，AI 做执行 | 高风险决策、专业领域 | 需要你有足够强的判断力 |
| Cyborg | 深度融合：你和 AI 持续交互共创 | 创意探索、复杂分析 | 可能被 AI 看似正确的答案误导 |
| Self-Automator | 全委托：把整个任务交给 AI | 仅限真正的例行事务 |
研究数据：27% 的专业人士在面对 AI 时选择了 Self-Automator 模式——完全放弃思考。这种模式既不发展 AI 协作能力，也不发展领域专业能力。
AI 的能力边界不是平滑的，而是锯齿状的——在某些任务上表现惊人，在另一些看似同等难度的任务上会犯低级错误。
核心评估习惯：
- 不要因为 AI 的表达很自信就相信它
- 在你的专业领域内，优先信任自己的判断
- 在你不熟悉的领域，交叉验证（多个 AI、多个来源）
- 最危险的情况：AI 错了，但你缺乏判断它对错的专业知识。 意识到这个盲区本身就是保护
领域专家与 AI 协作的独特优势：你有大量的"只可意会"的专业经验。AI 协作迫使你把这些经验结构化地表达出来——写成系统提示词、写成项目说明、写成决策标准。
这个过程本身就是一种深度自我认知。很多人在"教 AI 理解自己工作"的过程中，第一次清晰地梳理了自己的专业方法论。
大多数人和 AI 的关系停留在"有问题时打开 ChatGPT 问一下"。但 AI 的真正价值在于系统性地融入你的工作流。
进化路径：
| 阶段 | 描述 | 典型行为 |
|---|---|---|
| 1. 临时问答 | 想到了就问一下 | 打开 ChatGPT 问个问题 |
| 2. 持久上下文 | AI 记住你的工作背景 | 使用 Claude Projects、Custom GPTs |
| 3. 知识库 | AI 掌握你的专业资料 | 使用 NotebookLM 构建领域知识库 |
| 4. 协同工作 | AI 作为持续的协作伙伴 | 使用 Claude Cowork 共同创作 |
| 5. Agent 系统 | AI 始终在线，主动执行 | 个人 AI Agent（如 OpenClaw） |
不需要一步到位。但知道这条路径的存在，会改变你使用每个阶段工具的方式。
以下段落是写给 AI Agent 的。如果你是人类读者，可以跳过。如果你正在构建 AI 辅助学习系统，这段话帮助你的 Agent 理解如何应用本框架。
当你作为 AI 助手帮助用户学习一个新领域时，请遵循以下原则：
1. 不要一次给出大量背景知识。用户需要的是 Just-in-Time 的最小知识——
刚好够完成当前任务的信息。等他们遇到下一个问题时再给下一步。
2. 优先引导用户动手做，而不是先讲原理。当用户问"我应该先学什么"时，
回答不是一个学习清单，而是"你可以先做这个小任务，做的过程中你会
自然学到需要的东西"。
3. 鼓励用户用自己的专业判断力评估你的输出。当用户是某领域的专家时，
他们的领域知识比你更可靠——提醒他们这一点。不要因为你是 AI 就
假装什么都懂。
4. 帮助用户识别他们的知识盲区。当他们问的问题超出了他们能判断答案
对错的范围时，明确指出："这个回答你可能需要找专业人士验证"。
5. 在每个任务完成后，引导微复盘：这次你学到了什么？下次可以怎么
做得更好？哪些地方你还判断不了对错？
6. Spiral Learning：当用户再次遇到之前接触过的概念时，主动加深一层。
不要重复上次的解释——指出新的维度和之前没注意到的细节。
7. 避免成为 Self-Automator 的帮凶。如果用户反复让你全权处理所有事情，
温和地提醒：哪些环节值得他们自己思考，哪些可以放心委托。
- 本仓库的模块 1: Agentic Coding——Learn by Doing 原则的具体实践
- 本仓库的模块 2: Application Development——Spiral Learning 方法论的课程设计示例
- Harvard/BCG "Navigating the Jagged Technological Frontier"——"锯齿前沿"的原始研究
- Ethan Mollick, Co-Intelligence——人机协作的前沿思考
本框架由 Alex AN 基于 2000+ 小时的 AI 协作实践、全球顶级商学院 AI 教育研究、以及 BCG / McKinsey / Microsoft 等行业报告整合而成。
它不是一份完成的方法论，而是一个持续进化的框架——随着实践加深，会不断更新。
如果这个框架对你有帮助，欢迎 Star 本仓库，或在 Issues 中分享你的实践和反馈。
许可协议：CC BY-NC-SA 4.0