近期在学习一些陌生领域时，我无意间摸索出一种与大模型合作的新方式。它未必适合所有人，但在我自己身上效果出奇地好，让"学完一个东西"的扎实感强了很多。我把这种方式叫做造书。
造书的思路很简单：每当需要进入一块新知识或新技能时，不要只满足于零散的阅读、笔记或课程，而是从一开始就带着一个目标——和 AI 一起，把这块知识写成一本小书，或者一份完整的讲义。整个学习的过程就是写书的过程，书成之日，理解也就真正落地了。
这个方法把学习的几个关键环节——搭框架、逐层理解、主动练习、知识输出——拧在了一起，并利用大模型让它们同时推进。下面我把它拆解成四个步骤，加上一些自己实践中的细节和延伸思考。
第一步：以"知识树"搭建骨架#
面对一个几乎完全陌生的领域，最让人泄气的做法往往是找一本经典教材从头硬啃。我现在会先请 AI 帮忙画出一棵"知识树"。
可以这样问：
“我想系统了解气候经济学，请为我生成一棵知识树，按从基础到前沿的逻辑，用层级列表列出所有重要概念及其依赖关系。”
大模型会很快返回一份结构化的领域地图：外部性、碳定价、综合评估模型、气候风险、政策工具……每一个分支下再细分关键点。这一步的好处是，你还没深入细节，就已经对整体地貌有了感觉。后续学到任何一点，都能立刻把它挂回这棵树的相应位置，知识彼此勾连，不再孤立。
你可以让 AI 以树状图、思维导图，或 Mermaid 格式输出，直接保存。这棵"树"，也就是你这本未来之书的目录雏形。
第二步：从前概念出发，逐层深入#
直接撞上陌生术语，是学习受挫的头号原因。第二步的核心，是把新概念嫁接到你已有的认知结构上。
还是以气候经济学为例。如果你对经济学基础有了解，可以请 AI 从"你已经知道的供需与外部性"切入，慢慢引出"碳的社会成本"；如果你更熟悉环境议题，就可以从"2℃ 温控目标"过渡到"排放路径与碳预算"。关键始终是：找到一个让你感到踏实的起点，每一次只迈一小步。
在这个阶段，你可以持续要求 AI 对概念做分层解释：
“请用一个生活中的例子，解释什么是’折现率’在气候变化评估中的争议。”
“现在用偏政策分析的语言再讲一遍。”
“最后，用带公式的严谨方式总结一下。”
这样一层层剥下去，你会发觉陌生概念不再那么吓人。而由浅入深的这些对话，正是未来讲义里最好的"讲解段落"。
第三步：用对话锻造理解，用练习巩固记忆#
听懂了和真正掌握了之间，有一条需要主动跨越的沟壑。第三阶段，就是把大模型当作无限耐心的助教，进行高强度的互动建构。
这一阶段可以做几件很值得的事：
- 辨析易混淆的概念：比如"碳税"和"碳排放权交易"到底差在哪里？让 AI 用多个场景对比，并自己复述，直到能清楚讲给别人听。
- 请求广度拓展：“除了碳税和碳交易，还有哪些政策工具可以推动脱碳？它们各自适合什么情形？“让你的知识树枝叶更丰满。
- 主动要求出题：请 AI 根据当前内容生成由易到难的练习题——选择题、简答、情景分析，甚至是小型数据作业。做，然后让 AI 细讲思路和常见错误。
- 保存优质题目：经过你验证、觉得有价值的好题，可以直接编入书的课后部分，成为将来可复用的自测题库。
你会发现，学习不再是被动阅读，而是一连串对话、追问和生成。每一次深度的提问、每一道认真整理过的习题，最终都会沉淀为书里的章节、边栏、案例和练习。
第四步：并行编书，闭环交付#
这是"造书"方式里最具颠覆性的一步，也是它区别于一般"对话式学习"的关键。
在上面三步进行的同时，你完全可以另开一条生产线。用一些支持命令行或编程环境的 AI 工具——比如 Claude Code、OpenCode、QwenCode 等，让它们执行一项持续任务：把你学习过程中的所有对话、总结、图示和练习题，实时整理成一本结构完整的书或讲义。
怎么做呢？你可以在项目文件夹里维护一套 Markdown 或 LaTeX 书稿，分成若干章节。每当你完成一个知识模块的学习和练习，就可以给出指令：
“根据我们关于碳定价的讨论，更新
chapters/policy/carbon_pricing.md，把概念解释、案例对比、政策评析和两道自测题清晰地组织进去。”
AI 工具会读取已有书稿，补入新内容，并保持风格和术语一致。你甚至可以将书稿推送到 GitHub 仓库，每一次更新都是一次 commit，整本书的演变轨迹一目了然。
这种并行模式最让人着迷的地方在于：当你学完一个领域，手里不是一堆零散的聊天记录，而是一本结构清晰、有案例有习题的半成品书。你只需最后做一轮通读和润色，就可以交付他人，甚至直接发布。学习投入的时间，直接转化成了可复用的知识资产。
为什么"造书"会使学习变得不同#
传统学习里，理解和记录常常是割裂的：听课、读书，过后再整理笔记，大量细节已经挥发。“造书"模式则把输出嵌入到了学习的每一个瞬间——你每理解一个概念，就立即把它转化为书里的一段解释、一个图示或一道习题。
这其实呼应了认知科学中的生成效应和解释性深度错觉：只有当你试着把一件事讲清楚、写明白，才会真正暴露出自己哪里还不懂。而大模型让这个"讲清楚、写明白"的过程变得格外轻量，因为你始终有一个协作者在帮你整理和产出。
此外，这种方式的成果天然可复用。过一段时间想重温这个领域，你不需要再翻找原始资料，只需打开自己参与"写"的那本书，就能迅速回到当初的理解高度。你还可以把这份讲义分享给同事、朋友，甚至作为个人知识品牌的公开作品。
不妨也从小切口试一试#
如果你对这种体验感到好奇，不必一上来就规划一本宏大著作。可以先从一个你一直想弄清楚、但还没有系统梳理过的小主题开始。
比如，“怎样直观理解支持向量机中的核技巧”、“如何给非专业读者讲明白明斯基的金融不稳定假说”，或者"苏轼词中’梦’意象的几种类型”。花半天到一天的时间，试着和 AI 一起，把这块知识写成一份十来页、只给自己看的"小讲义”。当这份小讲义收尾的那一刻，你会感受到一种难得的清晰和踏实——因为你不仅在学，还真正为自己创造了一件可以反复回看、随时增补的私有知识资产。
这就是"造书”：让每一次学习，都成为一次创造。让每一段有深度的对话，都沉淀为可以留存和交付的东西。知识不再像流水划过脑际，而是一砖一瓦，被亲手砌成一座可以随时重返的房屋。
试一试，说不定你会和我一样，再也不想回到那种"学完好像又什么都没学到"的状态里去了。