知识唾手可得之后，稀缺的是什么

打开对话，问一句「我们要不要上 MongoDB」。十秒后屏幕上出现文档模型、水平扩展、灵活字段。每一句在入门介绍里都站得住。问的人是一个三人小组，全员只会 SQL，手里是订单和库存，还要事务。他们把这段话存进笔记，开会时说 AI 建议上 MongoDB。答对了公开教材里的题，答错了自己桌上的题。

停下来的原因很具体。答案看起来合理，他们没有能力指出哪一句在自己桌上不成立。懂的人看得见裂缝：灵活字段对强关联的订单是负担，水平扩展是给写爆了的系统准备的，事务是他们丢不起的东西。这些判断不在句子的流畅度里，在提问者自己的约束里。

知识的获取成本已经接近零。判断一段话能不能信、验证它在自己场景里成不成立、下一问该问什么，这三件事没有跟着变便宜。停下来想、代入业务场景、反思三问、费曼输出，这些基本纪律在 怎样学，知识才能过脑子。那一页不涉及 AI。有了 AI 之后多出来的部分从这里开始：它会流畅地说错，也会流畅地说对，两种语气没有差别。

每次拿到回复，在旁边开两列。左列抄它说对了的通用事实。右列只写一句：这一条在我的场景里成立吗，依据是什么。写不出来的那一条，就是你还看不出可疑的地方。把写不出来的那一条，连同人数、技术栈、约束，再丢回去问。

也可以先逼它复述约束。你不给人数、卡点和验收，它只能按教科书的中位读者来答。给了约束，它才有机会答你的题。演示里左边就是不给约束的结果，右边是先把场景说清楚的结果。

这是用下来的经验。它的默认策略是给出对最多人成立的答案。那个答案的正确范围很大，大到能罩住很多场景，也大到罩不住任何一个具体场景的边界。两列对照把听起来对和对我成立拆开，流畅的句子就盖不住裂缝。

会查，是能问出一串字。会用，是能判断这串字哪一句能信，以及下一问该问什么。这两件事看起来挨着，中间隔着一层判断力。

一个常见场面：问完「给我讲讲缓存」，读完 Redis、TTL、击穿，觉得自己懂了。下周列表页慢了，直接上 Redis。慢还在，只是多了一层要运维的东西。缓存知识已经在屏幕上了。缺的是下一问：我的慢，是缓存能修的那种吗。后半句才是会用的入口。

问完之后加三步，都停在自己这边。

提问本身怎么拆，下一页会展开。可以先看 别让它讲，让它考你。这一页只要先养成习惯：答案落地之前，先写出场景和验收。

能问出答案，只证明对话窗开着。能指出答案可疑处，证明你脑子里有对照物。能问出下一问，证明你知道自己缺什么。这三层是我自己用的分界，没有实验数字，体感很清楚：停在第一层的人，笔记很长，决策还是拍脑袋。

从这里往后还有九页，按提问、验证、留下来这条线往下走。第二页把给我讲讲改造成带锚点、场景、出题和预警的提问结构，让它开口之前先搞清楚你要去哪。第三页面对它一本正经说错话，摆出要出处、交叉验证、标注不确定这三道防线。材料太硬读不下去时，第四页让它先画地图、补前置，再逼你回到原文。源码是最难的一类材料，第五页把验证收成可回溯到具体行的读法。

学过的东西容易看顺了就以为会了，第六页把它变成出题机，用主动回忆把知识从脑子里取出来。每次开新对话都从零交代很耗，第七页给它装上自我介绍、项目背景和笔记这些外部记忆。第八页用讲得清、改得动、预测得准三层判据，检查自己是看懂了还是会了。第九页拆开顺畅感、思考外包、收藏即学会这三个感觉良好的坑。第十页把前面的动作按你的目标组装成一门给自己用的课。