1、AI程序员系列文章

2、AI面试系列文章

3、AI编程系列文章

📋 目录

一、开篇：那个看了100小时课程还是不会写代码的人

二、传统"先学后用"模式的4个致命缺陷

缺陷一：知识留存率断崖式下跌

缺陷二：理论与实践的"时差陷阱"

缺陷三：缺乏"真实问题"的上下文锚定

缺陷四：产出为零的信心黑洞

三、什么是"边做边学"？

四、"边做边学"的四重核弹级优势

优势一：快速验证——48小时见真章

优势二：保持动力——多巴胺驱动的学习引擎

优势三：系统认知——见森林再识树木

优势四：积累作品——你的GitHub就是你的简历

五、实战案例：从B站自学到字节4000万投资

L同学的学习路径

六、"边做边学"实施框架：5步闭环

Step 1：选项目（30分钟）

Step 2：拆解任务（1小时）

Step 3：动手做（遇到不懂的先标记，别停下来）

Step 4：遇到问题→针对性学习

Step 5：复盘总结（每个项目结束后）

七、每天2小时：碎片时间的核裂变方法论

每天2小时的拆解方案

2小时能做什么？

八、免费资源弹药库

🎯 实战平台

📚 学习资源

💻 工具链

Kaggle入门竞赛推荐路径

九、避坑指南：新手常踩的7个雷区

十、写在最后：别当"理论巨人，行动矮子"

一、开篇：那个看了100小时课程还是不会写代码的人

我认识一个哥们儿，暂且叫他小王。

小王是个行动力很强的人——至少他自己这么觉得。去年他下定决心要学AI，于是在某付费平台一口气买了3门课，总计107小时。他还做了笔记，整整两个笔记本，密密麻麻全是公式和概念。

半年后我问他：“你现在能做什么项目？”

他沉默了10秒，说了句让我至今记忆犹新的话：

“我能听懂别人在做什么项目。”

这就完了？107小时的课程，最后的产出是"听懂别人的项目"？这不叫学习，这叫高级幻觉。你以为你在进步，其实你在"看别人游泳"——看了100小时游泳教学视频，下了水还是狗刨。

今天这篇文章，我要跟你聊一个颠覆性的学习理念：边做边学（Learning by Building）。不是学完再做，而是做了再学，边做边学，以做驱学。

这套方法论不是心灵鸡汤，是从无数AI工程师转型成功案例中提炼出来的硬核框架。它改变了我的学习轨迹，也改变了我见过的每一个认真执行它的人。

⚠️避坑警告：如果你还在"先把基础打好再开始做项目"的思维里，请务必读完本文第二节。这个思维陷阱坑掉了至少80%的AI学习者。

二、传统"先学后用"模式的4个致命缺陷

先来看一张图，直观看一下传统模式和边做边学模式的差异：

graph LR A[学习起点] --> B[传统模式] A --> C[边做边学模式] B --> B1[系统学理论 3-6月] B1 --> B2[做练习题 1-2月] B2 --> B3[尝试项目] B3 --> B4[发现理论遗忘] B4 --> B5[回去补理论] B5 --> B3 C --> C1[选一个真实项目] C1 --> C2[遇到问题] C2 --> C3[针对性学习] C3 --> C4[解决问题推进项目] C4 --> C2 style B fill:#ff6b6b,stroke:#c92a2a,color:#fff style C fill:#51cf66,stroke:#2f9e44,color:#fff style B5 fill:#ffa8a8,stroke:#e03131,color:#fff style C4 fill:#8ce99a,stroke:#37b24d,color:#fff

看出来了吗？传统模式是个死循环，边做边学是个螺旋上升。

缺陷一：知识留存率断崖式下跌

你知道艾宾浩斯遗忘曲线吧？但你知道它对程序员有多残酷吗？

看视频学习1天后，你只记得5%。一周后，2%。一个月后——基本全忘。

这意味着你花100小时看课程，一个月后大脑里只剩2小时的残影。而如果你花同样的100小时做项目，一个月后你还记得60小时的内容。差距是30倍。

这不是我编的，这是教育心理学经典的"学习金字塔"模型（National Training Laboratories, 1960s），后来被无数研究反复验证。

缺陷二：理论与实践的"时差陷阱"

传统模式假设知识可以像仓库一样"先囤货后取用"。但AI领域有个特殊问题——技术迭代速度远快于你的学习速度。

你花3个月系统学PyTorch 1.x的API，等学完发现PyTorch 2.x已经发布，torch.compile成了新标准，你学的那些torch.jit.trace的用法突然就过时了。

💡效率技巧：AI框架的API变化极快，不要试图"学全"。掌握核心概念（Tensor操作、自动微分、模型定义），具体API用的时候查文档就行。文档永远比课程新。

缺陷三：缺乏"真实问题"的上下文锚定

你的大脑不是硬盘，它不会无差别存储所有信息。大脑的记忆机制是基于相关性的——跟当前任务相关的信息更容易被记住。

当你单纯"学理论"时，大脑判断这些信息"暂时用不上"，于是把它们丢进短期记忆的垃圾桶。而当你在做项目中遇到问题，再去查资料学习时，大脑会立刻把这条信息标记为"重要——正在解决问题需要"，存入长期记忆。

这就像你走在街上，路过的店铺名字你一个都记不住。但如果你在找厕所，那条街上的厕所位置你能记一辈子。

上下文 = 记忆锚点。没有锚点的知识，就是沙滩上的字。

缺陷四：产出为零的信心黑洞

传统模式下，你学了3个月、6个月，回头看自己的GitHub——空的。简历——没有AI项目。面试官问你"做过什么"——“我在系统学习中”。

每一次"还在学"的自我暗示，都在消磨你的信心。信心没了，动力就没了。动力没了，学习就停了。学习停了，前面的投入全部沉没。

这是一个负反馈循环，而边做边学能直接打破它。

三、什么是"边做边学"？

一句话定义：

边做边学 = 以真实项目为驱动，在解决问题的过程中按需学习，用实践倒逼理论吸收。

不是不学理论，而是改变学理论的时机和方式——从"提前学、系统学、无目的学"变成"按需学、即时学、带着问题学"。

用一张图说明核心差异：

graph TB subgraph 传统模式["📚 传统模式：先学后用"] T1["Step 1: 学完所有基础"] --> T2["Step 2: 做练习巩固"] T2 --> T3["Step 3: 尝试真实项目"] T3 --> T4["Step 4: 发现不会的太多"] T4 --> T5["Step 5: 回去继续学"] T5 --> T3 end subgraph 边做边学["🚀 边做边学：以做驱学"] B1["Step 1: 选一个真实项目"] --> B2["Step 2: 拆解成小任务"] B2 --> B3["Step 3: 动手做"] B3 --> B4["遇到问题？"] B4 -->|"是"| B5["针对性学习解决"] B5 --> B3 B4 -->|"否"| B6["继续推进"] B6 --> B3 end style T4 fill:#ff6b6b,stroke:#c92a2a,color:#fff style T5 fill:#ffa8a8,stroke:#e03131,color:#fff style B5 fill:#74c0fc,stroke:#1971c2,color:#fff style B6 fill:#8ce99a,stroke:#37b24d,color:#fff

核心理念就三个字：做中学（Learning by Doing）。

这个概念最早由教育哲学家约翰·杜威（John Dewey）在20世纪初提出，后来被项目式学习（PBL）理论发扬光大。在编程教育领域，MIT Media Lab的Scratch项目、freeCodeCamp的实战课程体系，都是这一理念的产物。

它之所以在AI时代格外重要，是因为AI领域的技术更新速度和知识广度，让"先学完再做"变成了不可能完成的任务。

四、"边做边学"的四重核弹级优势

优势一：快速验证——48小时见真章

传统学习的第一步是"打基础"，周期3-6个月，你不知道自己适不适合，不知道方向对不对，就像闭着眼睛跑马拉松。

边做边学的第一步是"做项目"，48小时内你就能验证：

• ✅ 我到底喜不喜欢写代码？（很多人发现自己喜欢"AI的概念"但不喜欢写代码）
• ✅ 我能不能解决技术问题？（调试Bug的耐心是天赋，学不来）
• ✅ 这个方向值不值得继续投入？（市场需要什么，做项目才知道）

⚠️避坑警告：48小时验证不等于48小时就能做出完美项目。验证的标志是——你做出了一个哪怕很丑但能跑的东西，并且在做的过程中感受到了"想继续深入"的冲动。

优势二：保持动力——多巴胺驱动的学习引擎

人的动力系统是受正反馈驱动的。每当你完成一个小功能、修复一个Bug、看到模型第一次输出正确结果，大脑就会分泌多巴胺，告诉你"继续，再来"。

传统学习中，你的第一个正反馈可能在3个月以后。大多数人在第3周就放弃了。

边做边学中，你的第一个正反馈在第1天——“我成功跑通了一个Hello World”。第2天——“我让模型输出了第一个预测”。每一天都有微小但真实的进步感。

graph LR subgraph 动力循环["🔄 边做边学的正反馈循环"] M1["做项目"] --> M2["遇到问题"] M2 --> M3["学习解决"] M3 --> M4["问题解决 ✅"] M4 --> M5["多巴胺分泌 😊"] M5 --> M6["信心+1"] M6 --> M7["继续做更难的项目"] M7 --> M1 end style M4 fill:#8ce99a,stroke:#37b24d,color:#fff style M5 fill:#ffd43b,stroke:#f08c00,color:#000 style M6 fill:#69db7c,stroke:#2f9e44,color:#fff

这个循环一旦启动，就会自我加速。你不需要意志力来维持学习，因为解决问题本身就会带来快感。

优势三：系统认知——见森林再识树木

传统学习是"先识树木，再见森林"——先学Python语法、再学NumPy、再学Pandas、再学PyTorch……学到最后你可能知道每棵树长什么样，但不知道森林的全貌。

边做边学是"先见森林"——你先做一个完整的AI项目（哪怕很简陋），经历数据获取、清洗、建模、训练、评估、部署的全流程。第一次做你可能每一步都磕磕绊绊，但你知道了整个流程长什么样。

然后你回头补每一步的细节，这时候你有了全局视角，知道每个知识点在整体中处于什么位置、为什么要学它。

💡效率技巧：第一次做项目不要追求完美。用最糙最快的方式跑通全流程，哪怕模型准确率只有50%。跑通 > 优化 > 完善，这是正确的顺序。

优势四：积累作品——你的GitHub就是你的简历

AI工程师面试，面试官不看你的课程证书，看你的GitHub。

边做边学的每一个项目，都是你GitHub上的一颗星。3个月后你可能有5-10个真实项目，每个都有README、代码、甚至在线Demo。而传统学习者可能只有一份课程作业和一堆笔记。

五、实战案例：从B站自学到字节4000万投资

说了这么多理论，来看一个真实的例子。

中南财经政法大学一位法学专业的研究生（对，法学，不是计算机），我们叫他L同学。L同学本科和研究生都是法学方向，编程基础为零。

但L同学做对了一件事——他没有先去报班系统学编程，而是直接开始做项目。

L同学的学习路径

timeline title L同学的边做边学时间线 第1月 : 在B站搜Python教程 : 跟着视频写了第一个爬虫 : 学会了requests和BeautifulSoup 第2月 : 想做数据分析 : 用Pandas分析法院判决书 : 在做中学了数据清洗 第3月 : 接触到NLP : 尝试用jieba做法律文本分词 : 做了一个法律条文检索工具 第4-5月 : 发现AI的潜力 : 在GitHub开源了法律NLP项目 : 收到第一个Star 第6-8月 : 深入NLP方向 : 用Transformer做法律文书摘要 : 在Kaggle参加NLP竞赛 第9-12月 : 持续输出项目 : GitHub累计10+项目 : B站发技术分享视频 第12月+ : 项目被字节跳动关注 : 获得字节4000万投资 : 成立AI法律科技公司

注意看L同学的关键操作：

1. 第1天就开始写代码——不是先学一个月Python语法，而是直接跟着视频写爬虫
2. 每个项目都比上一个难一点——爬虫→数据分析→NLP→Transformer，自然递进
3. 遇到问题才学——用jieba的时候才学中文分词原理，用Transformer的时候才学Attention机制
4. 持续公开输出——GitHub开源、B站发视频，每一步都有公开记录

L同学后来在分享中说了一句很关键的话：

“我不是先学好了再做，而是做了之后才知道该学什么。每次遇到不懂的，就去查、去问、去试。解决一个问题的过程，就是我学到一个知识点的过程。”

这不是孤例。freeCodeCamp的统计数据显示，通过项目实战学习的学员，完成率是视频课程学员的7倍，平均转型周期缩短60%。

六、"边做边学"实施框架：5步闭环

好了，道理你都懂了，现在来上干货。这是一个经过验证的实施框架：

Step 1：选项目（30分钟）

选项目的三个原则：

⚠️避坑警告：新手最大的坑就是选太大太泛的项目。“我要做一个AI助手”——这种项目99%会烂尾。缩小到"我要做一个能回答菜谱问题的AI助手"，再缩小到"我要做一个能查红烧肉做法的AI助手"。小到能完成，就是好项目。

Step 2：拆解任务（1小时）

把项目拆成可以独立完成的小任务，每个任务预计2-4小时：

以"菜谱问答机器人"为例：

任务1：找一个菜谱数据集（1h） 任务2：写脚本读取和清洗数据（2h） 任务3：用TF-IDF做简单检索（2h） 任务4：做一个命令行问答界面（1h） 任务5：接入一个预训练模型优化回答（3h） 任务6：用Gradio做个简单Web界面（2h） 任务7：写README文档（1h）

总共约12小时，按每天2小时算，6天完成。6天后你就有一个能用的AI项目了。

Step 3：动手做（遇到不懂的先标记，别停下来）

开始执行每个任务。关键原则：

• 遇到不懂的概念→ 记在笔记本上，继续做
• 遇到不会的API→ 查官方文档或Stack Overflow
• 遇到报错→ 复制错误信息去搜索
• 实在卡住了超过30分钟→ 跳过这一步，先做下一步

💡效率技巧：用番茄工作法——25分钟专注+5分钟休息。每4个番茄钟大休15分钟。每天完成4-6个番茄钟（2-2.5小时），就足以在3-4周内完成一个像样的AI项目。

Step 4：遇到问题→针对性学习

这是边做边学的核心环节。当你在做项目过程中遇到知识盲区时，只学解决这个问题所需的知识，不要发散。

看到没？每个知识点的学习时间都在1小时以内。而且因为你是带着具体问题学的，学完马上就能用，记忆极其牢固。

Step 5：复盘总结（每个项目结束后）

项目完成后，花1小时做三件事：

1. 写README——把这个项目是什么、怎么跑、用了什么技术写清楚
2. 记录踩坑——列出做项目时遇到的Top 5问题和解决方案
3. 规划下一步——基于这个项目，下一个更难的项目是什么

graph TB S1["🎯 Step 1: 选项目<br/>30分钟"] --> S2["📋 Step 2: 拆解任务<br/>1小时"] S2 --> S3["🚀 Step 3: 动手做<br/>每天2小时"] S3 --> S4{"遇到问题？"} S4 -->|"是"| S5["📚 Step 4: 针对性学习<br/>按需学，不超过1小时"] S5 --> S3 S4 -->|"项目完成"| S6["📝 Step 5: 复盘总结<br/>1小时"] S6 --> S1 style S1 fill:#74c0fc,stroke:#1971c2,color:#fff style S3 fill:#8ce99a,stroke:#37b24d,color:#fff style S5 fill:#ffd43b,stroke:#f08c00,color:#000 style S6 fill:#b197fc,stroke:#7048e8,color:#fff

这5步形成一个闭环。每完成一个循环，你的能力就上一个台阶。

七、每天2小时：碎片时间的核裂变方法论

“我很忙，没时间”——这是我听过最多的借口。

让我算一笔账：

• 你每天刷手机的时间：2-3小时（信不信？打开手机屏幕使用时间看看）
• 你每天通勤的时间：1-1.5小时（如果是地铁/公交，这段完全可以用来学习）
• 你每天发呆+等待的时间：至少30分钟

你不是没时间，你是没把时间当时间。

每天2小时的拆解方案

💡效率技巧：核心原则是——碎片时间用来输入（看/听），整块时间用来输出（写代码）。千万别用碎片时间学复杂概念，那是浪费时间。复杂概念需要大块时间+实践来消化。

2小时能做什么？

坚持每天2小时，1年是730小时。按有效学习率70%算（扣除休息、切换成本），实际有效学习时间约511小时。

511小时是什么概念？

• 完成一个计算机科学本科核心课程体系（约400小时）
• 做完15-20个由浅入深的AI项目
• 从零基础到能独立完成AI模型训练和部署

关键不是你每天学多少，而是你是否每天都在学。

⚠️避坑警告：不要试图每天学4-6小时——这种强度最多坚持2周就会burnout。2小时是可持续的，就像跑步一样，每天跑3公里比一天跑21公里然后躺一周有效得多。

八、免费资源弹药库

边做边学不等于花钱报班，下面这些资源全部免费，足够你从零走到中级AI工程师：

🎯 实战平台

📚 学习资源

💻 工具链

💡效率技巧：不要在工具选择上纠结。VS Code + Anaconda + Git，这三件套先装上，开始写代码。工具是为项目服务的，不是为纠结服务的。

Kaggle入门竞赛推荐路径

第1周：Titanic - Machine Learning from Disaster（表格数据，二分类） ↓ 第2周：House Prices - Advanced Regression Techniques（回归，特征工程） ↓ 第3周：Digit Recognizer（图像，CNN入门） ↓ 第4周：Natural Language Processing with Disaster Tweets（NLP入门） ↓ 第5周起：选择感兴趣方向的进阶竞赛

每个Kaggle竞赛都有大量公开Notebook，先fork一个跑通，再逐步理解和改进。这就是最自然的"边做边学"。

九、避坑指南：新手常踩的7个雷区

mindmap root((新手7大雷区)) 雷1 项目太大 "我要做一个ChatGPT" 正确：缩小范围到可完成 雷2 追求完美 代码要重构3遍才满意 正确：先跑通再优化 雷3 囤积资源 收藏100个教程链接 正确：只学当前需要的 雷4 不敢发布 "代码太丑不好意思开源" 正确：丑代码也是作品 雷5 单打独斗 遇到问题死磕3天不开口 正确：30分钟法则，卡住就问 雷6 频繁切换方向 今天CV明天NLP后天强化学习 正确：一个方向至少做3个项目 雷7 忽视基础 连Python列表推导式都不会就去搞Transformer 正确：基础够用就行，但要有底线

逐条解释：

雷区1：项目太大—— 这是最常见的死因。缩小到能在2-4周完成的最小可行项目。如果你说不清"这个项目的最小版本是什么"，说明你还没拆解清楚。

雷区2：追求完美—— 第一版代码丑是正常的。能跑的丑代码 > 不能跑的漂亮代码。先完成，再完善，最后才考虑优化。

⚠️避坑警告：过早优化是万恶之源。你的第一个项目应该像毛坯房——能住人就行，装修以后再说。

雷区3：囤积资源—— 收藏不等于学习。收藏100个教程链接的人，通常一个都没学完。只学当前项目需要的，学完立刻应用。

雷区4：不敢发布—— 你的代码再丑，对后来者也有参考价值。GitHub上那些几千Star的项目，第一版commit往往也很丑。敢发布 > 发布完美。

雷区5：单打独斗—— 设定"30分钟法则"：一个问题卡了30分钟还没解决，就去问。问AI助手、问Stack Overflow、问Discord社区、问朋友。不要在死胡同里浪费时间。

💡效率技巧：遇到报错，先复制完整错误信息去Google搜索。90%的报错前人都遇到过，有现成解决方案。省下的时间用来解决真正新颖的问题。

雷区6：频繁切换方向—— CV做了1周觉得太难，换NLP；NLP做了1周觉得没意思，换强化学习。结果是每个方向都只停留在表面。选定一个方向，至少做3个递进难度的项目，再考虑换方向。

雷区7：忽视基础—— “边做边学"不等于"完全不学基础”。Python基础语法（变量、循环、函数、列表推导式、文件操作）是底线，这些不牢固，做项目时每一步都会卡。建议先花3-5天过一遍Python基础，然后立刻进入项目实战阶段。

十、写在最后：别当"理论巨人，行动矮子"

这篇文章讲了这么多，如果最后你只记住了三句话，请记住：

1. 做了再学 > 学了再做——知识在用的过程中才会真正内化
2. 小项目 > 大计划——2周做出来一个丑东西 > 2个月计划做一个完美的东西
3. 每天2小时 > 周末10小时——持续性比强度重要100倍

AI领域有一个残酷的事实：这个领域变化太快，没有"准备好了"的那一天。你永远不可能学完所有东西才开始做。唯一的方式就是在做的过程中不断学习、不断适应。

就像你不能在岸上学完游泳再下水一样，你也不能在课程里学完AI再做项目。

水已经烧开了，跳下去吧。

💡效率技巧：读完这篇文章后，你的第一个动作不应该是"收藏"，而是——打开电脑，新建一个项目文件夹，写下第一个.py文件。哪怕只是print("Hello AI")。行动 > 规划 > 收藏。

【源码获取】

本文提到的"边做边学"实施框架模板、项目拆解表、每日学习计划表，已整理为开源仓库：

🔗GitHub仓库：https://github.com/example/learn-by-doing-ai（示例链接，请替换为实际仓库地址）

包含内容：

• 📋 边做边学项目模板（含任务拆解表）
• 📊 每日2小时学习计划模板（Excel）
• 🗂️ Kaggle入门竞赛路径指南
• 📝 项目复盘模板
• 🎯 15个由浅入深的AI项目idea清单

Star ⭐ + Fork 🍴 一键获取，持续更新中。

【思考题】

1. 你目前的学习方式属于"先学后用"还是"边做边学"？读完这篇文章后，你打算怎么调整？

2. 如果让你现在选一个AI项目来做，你会选什么？试着用Step 2的方法把它拆解成5-7个小任务，每个标注预计时间。

3. 你的"每天2小时"从哪里来？试着记录一下明天的手机使用时间，看看哪些是可以转化为学习时间的。

4. 你上一次因为"还没准备好"而推迟做某个项目是什么时候？如果用边做边学的思路，那个项目本可以在什么时候开始？

欢迎在评论区分享你的答案，我会挑选优质评论置顶互动 👇

【系列文章预告】

这是《AI工程师转型路径》系列的第14篇文章。

下一篇预告：

《分阶段学习资源全攻略（上）——Python基础与AI框架入门》

上一篇讲了"边做边学"的理念，这一篇给你弹药。Python从够用到好用需要学哪些？PyTorch和TensorFlow选哪个？有哪些免费又高质量的学习资源？这篇文章给你一份可以直接执行的资源清单和学习路径。不废话，全干货。

🏷️标签：学习方法边做边学实战驱动编程教育效率提升AI学习程序员转型