跟着ChatGPT4o学全栈：我看到未来“学习”的模样

作者：袖梨 2026-07-26

阿里妹导读

本文作者用一个GPT4o学习全栈的例子来阐述大模型对学习的影响，以及对于未来学习的思考。

引言

大模型是否会取代人类，以及它将取代哪些工作，这或许是许多人焦虑的问题。对此，众说纷纭，网络上各种观点层出不穷。虽然这些问题对未来的重要性不容忽视，但它们对于当下的我们缺少实际的指导意义。因此，我们不妨暂时将这些问题放在一边，转而关注那些对当前，以及可见的未来都有实际影响的问题。那么，什么是有影响的问题呢？我认为我们应该关注如何运用大模型。这一观点可能会被一些人所不屑。自古以来，我们对‘器’和‘术’的轻视，往往导致我们忽略了工具的重要性。事实上，工具的作用是至关重要的，在没有马镫之前，骑兵的优势并不明显，只是冲锋那一下而已。但是有了马镫之后，骑兵可以在奔劳的时候保持平衡，从而更精准地射箭和使用长矛。这个细微的变化让骑兵在战场上具备了更大的机动性和战术灵活性，极大地提升了他们的战斗力。在今天，我认为大模型在生产力和学习上都会带来深刻的变革，尤其是在学习方面。接下来，我以一个用GPT4o学习全栈的例子来阐述一下大模型对学习的影响，以及对于未来学习的思考。

学习过程

我开始设定一个目标，即期望在一天内搭建一个前端项目，理解其核心代码，并实现一个需求变更。

漫不经心提问=糟糕的回答

首先，我试图向ChatGPT询问一些学习路径。它的回答显得比较机械化，与网上的答案相差不大。实践周期也较长，无法让我满意。

Prompt是决定性的

我意识到，我的Prompt写得有问题，我需要给GPT更明确的背景和要求，所以我重新编写了一版Prompt。

角色：前端技术专家
背景：Java开发工程师，有不错的编程基础，也有一些前端基础，比如HTML，CSS和JavaScript基础
任务：根据上下文中提到的，根据目前的技术水平和学习时间，帮助完善前端学习路径，学习路径如下：1、开启一个Helloworld项目2、学习基础语法3、学习框架React4、项目进化，实现一个待办事项功能
要求：1、Helloworld项目要使用React技术，给出Helloworld的实现步骤，包括环境搭建，使用命令行，以及每个命令的解释2、基础语法要提供ES6的一些基础语法概念，以及这些语法概念的解释3、列举React的一些基础概念，以及这些基本概念的解释4、基于React，给出核心实现代码，以及实现代码的解释

这次GPT的回答结构更清晰，更实用，也更符合预期。

详细的步骤，请参考：

https://chatgpt.com/share/f0b61434-3302-4140-88a9-b64fe8ae986e

先让项目run起来

1.环境安装这一步比较容易出现问题，我们让GPT给出更详细的步骤。非常nice，GPT给出了可执行的步骤~ 同时它也给出了其他可选项（使用nvm安装）如果我们想进一步理解nvm，可以接着追问，这里不再赘述。2. 运行项目首先，按照HelloWorld（GPT答案中提供的案例）创建项目，并确保能够正常启动。然后，将TodoApp的代码复制到HelloWorld项目中，直接执行即可。如遇到编译或执行问题，可直接向GPT提问，GPT通常能解决这类问题。以上过程较为简单，故不再展示。

不熟悉的前端

作为一名后端程序员，入门前端最头疼的有两个方面：首先，各种“乱七八糟”的符号，变量和函数超级多的定义和赋值方式。其次，前端框架（如React）的概念理解，例如什么是生命周期，什么又是状态（state）。没关系??，糟心的事情就让GPT去搞定吧！

理解它，吸收它

搞定糟心的符号

对于无法理解的语法const [todos, setTodos] = useState([]);，让我们交给GPT来解释。不先考虑表达式右边的useState，我们看一下左边的部分。GPT只解释了[todos, setTodos]是“解构赋值”。那么，我们进一步追问const是什么。好的，我们现在大概了解了const是用来定义常量的，特别是它的“不可重新赋值”的特性。这是否与Java的final关键字非常相似？让我们让GPT进行一下对比。

难以理解的概念

我们以组件生命周期为例，来看如何利用GPT理解这一概念。被惊艳到了?，GPT用到了”类比“的方式帮助我们理解生命周期的概念。对于自己理解上不太确定的点，同样可以向GPT提问。以上，我们已经基本入门了全栈开发，并且运行了项目。整体来看，我们大概花了2-3个小时，这比预期的一天要快得多。下面，让我们暂时忘记GPT的神奇，回到文章的初衷，重新思考GPT为学习带来的变革。

大模型为学习注入新的可能性

在讨论之前，我们先了解下学习过程

学习是一个复杂而多阶段的过程，每个阶段都有其独特的特点和目标。我们可以将学习过程分为以下几个阶段：

1.接触（Exposure）：学习的起点。首先，我们需要注意新的信息、知识或技能，并对其产生兴趣。

2.收集（Gathering）：系统地广泛地获取更多相关的信息和资源，以便更全面地理解新知识或技能。

3.理解（Understanding）：指将所收集的信息进行消化、分析和综合，以便形成对新知识或技能的全面认识。

4.记忆（Memorization）：涉及将理解的知识或技能存储在长期记忆中，以便将来可以方便地检索和应用。知识的理解程度对记忆的影响非常大。

5.应用（Application）：指将所学的知识或技能在实际情境中加以运用，以解决问题或完成任务。

6.反馈（Feedback）：根据应用的结果和他人的评价，反思和改进学习方法和策略。

失败的学习随处可见

众所周知，学习过程中最耗费精力的是收集资料。寻找资料源、筛选高质量资料、系统化组织资料，这些任务不仅耗时费力，而且结果往往不尽如人意。在理解知识的过程中，我们需要大量的阅读、训练和思考。由于缺乏系统指导，学习者常常感到困惑和迷茫。长周期的学习需要及时反馈。比如，学习一门新的编程语言，从基本语法开始逐步掌握，可能需要一到两个月才能开始实际操作项目。这么长的学习周期可能让我们失去目标感，增加中途放弃的风险，最终可能感到挫败。在学习过程中，缺乏足够的动力、信息过载、容易陷入单调重复、缺乏实践应用场景、反馈时间过长或无法得到反馈等都是障碍。这些问题都可能导致人们放弃学习。因此，我们常常看到失败的学习案例，而成功有效的学习案例则寥寥无几。

大模型让学习更容易成功

通过上述演示，我们可以看到大型模型在各个学习环节中都能提供巨大的帮助，甚至在某些方面产生颠覆性的影响，这些影响能够提高学习成功的几率。在资源收集方面，传统的模式（主要是搜索）需要在许多来源中收集。在此基础上还需要进一步做筛选和判断，这将消耗大量的精力。然而，大模型在资源收集上有两个优势：

高度整合的知识：大模型拥有大量的高质量知识，尤其在编程方面；
按需定制：大模型可以根据个人水平实现定制化的教学课程；

当然，GPT在这里也有一些限制：

知识更新不及时：通用的大模型不会使用未经验证的知识进行训练，虽然如此，但目前大模型的知识水平已经足够应对大部分的学习需求了。
知识缺乏系统化：大型模型就像一只具有优秀记忆力的鹦鹉，它本身并未形成系统化的知识，需要借助prompt（像本文中学习前端的例子）或agent来实现结构化和系统化。

我们都知道，理解是形成长期记忆的关键，而通过知识的类比和迁移来理解新知识是一种有效的方法。然而，建立类比和迁移这座连接新旧知识的桥梁并不容易。这不仅需要学习者理解新的概念，还需要将这些概念与已有的知识结构相结合，以便在新的情境中使用。如果对新概念理解不足，或者旧知识基础薄弱，就无法建立这种联系。大型模型在我们理解知识的过程中带来了新的启示，它具备非常强的知识类比能力。大模型以Java工程师的角度解释了如何理解React组件生命周期。它通过类比Java类的生命周期来讲解React组件，这个方法非常有效。我相信只有既熟悉前端又熟悉后端的人才能如此解释，而GPT的回答如此自然。同样，当我们尝试用类比（如将state与Java的成员变量进行比较）来理解新知识时，它会给我们提供更丰富的建议，更深入的解释，以及更多样的案例。反馈对于学习的重要性，毋庸再言。在这一阶段，大模型同样展现出强大的能力。

实时反馈：大型模型能够提供即时反馈，让学习者在学习过程中随时了解自己的表现。例如，当我们完成一段代码或者一个功能时，大型模型可以立即进行审查并提供改进建议。这并不止是效率的提升，更重要的是，它可能会引发更深层的变革。

学习是反人性的，人类也并不擅长学习，重要的原因是学习过程充满未知，可预期性差。尽管人类天生好奇，但遗憾的是这种好奇心并不能维持很长时间。聪明的教育者会运用各种技巧来提升学习的可预期性（更明确的奖赏），以尽可能地延长好奇心的持续时间。提升反馈效率不仅表面上会提升效率，同时也会提升学习的可预期性，可能大模型会使学习这件事情不那么反人性。

多样化的案例：大模型能够提供多种多样的案例，甚至我们可以用大模型创造案例；

面向未来

既然模型“全知全能”，我们还要不要学习知识？

答案是肯定的：我们仍然需要学习知识。多年前就有人提出了一个类似的问题：“在现代社会，为什么我们需要记忆呢？我们可以在几秒钟内通过互联网查找到任何需要的事实性信息。”这并不是大数据模型时代特有的问题。我认为，我们仍然需要学习，并应该利用大数据模型来加速学习进程。首先，知识是思考的基础，没有知识就无法谈论分析能力或批判性思维等高级能力。许多人认为思考过程类似于计算器的功能，计算器具有一系列的函数（如加法、乘法等），这些函数可以应用于任何数据。它的数据和函数是完全分开的。因此，一旦学习了新的函数，就可以处理所有的数字。然而，人类的思考方式并非如此，至少对大多数人来说，功能（模型）和数据是无法完全分离的。例如，我们能够批判性地思考欧洲地缘政&治如何导致第二次世界大战，并不意味着我们也能批判性地思考中东当前的局势。再比如，我们知道在使用金字塔模型进行分类时，应确保每个分类之间既无重叠也无遗漏。然而，即使我们在某个领域成功实现了这一点，但在仅仅理解模型的情况下，并不能保证在另一个领域也能做到无重无漏。其次，通过知识的学习，可以提高我们的记忆力。我们把人脑分成工作记忆和长期记忆，工作记忆的空间是有限的，它的上限决定了我们的推理能力。这一点其实也很容易理解，当我们涉足到非常专业的领域时，会遇到大量的专有名词。例如，在营销运营领域，我们会遇到像“招选搭投”、“盘货池”这样的专有名词。这些名词都包含大量的背景知识。如果我们不清楚这些知识，我们根本是无法讨论问题（判断、推理、分析、决策等）的。让我们想象一下，在不熟悉背景知识的情况下，我们如何探讨“直接将盘货池暴露给搭建页面是否合理？”时，首先，我要解释一下什么是盘货池，它是根据特定的商品指标规则圈选的商品集合。然后，我会介绍什么是搭建，在这一通输出之后，估计大家的脑子已经炸了。可是，我们还没有开始讨论真正有意义的内容。发散一下：这种情况是不是跟当今的大模型所遇到的困境非常像？实际上，我们可以通过学习知识来解决这个问题。我们可以将知识压缩成一小块一小块，然后存入长期记忆中。当我们需要时，可以随时调取。例如，当我提到"盘货池"这个概念，我们的脑海中立刻会想到"按指标圈选的商品集合"。而且，我们还可以联想到更多，例如它的存储形式，它在数据流向中的位置等等。我们能联想到的内容完全取决于我们的大脑中存储了多少信息。这样，我们就大大节省了工作记忆空间，从而变相地突破了工作记忆空间的限制。另外，学习知识还能更容易地触发长期记忆，也就是说，学得越多，记忆力越好。由于篇幅原因，我就不再详细说明这一点了。

在大模型时代，要怎么学习？

前面，花了大量的篇幅在论证，我们要不要学习，接下来，我们阐述一下，应该怎么学习。

与机器赛跑，仅仅靠技能型学习是不够的

模型最擅长的是什么？显然，大型模型在重复型技能学习方面表现出色。无论是对某种模式的判断，还是执行某些套路化的动作，模型都能高效而准确地完成。在这些领域，人类难以与大模型竞争。令人沮丧的是，这些技能我们并不能抛弃，并且他们非常重要。就像篮球运动员必须具备扎实的基本功，才能完成复杂的动作一样，基本技能是我们掌握高级能力的基础。没有这些基本技能，任何高层次的应用和创新都无从谈起。然而，在这个时代，仅仅依赖这些基本技能是不够的。面对“与机器赛跑”的挑战，我们需要培养更高等级的能力，如分析、判断、决策和创新。这些能力能够让我们在与大模型的竞争中脱颖而出。未来也不全是坏事儿，值得高兴的是，在大模型的加持下，技能型学习过程将显著加快，从而提高这一阶段的学习效率。通过高度整合的、定制化的知识，提供多样化的案例，并及时给予学习者反馈，学习者可以更快地掌握基本技能。这不仅节省了大量的时间和精力，同时也使我们能够将更多的资源投入到更高层次的分析、判断和创新中，促进整体学习效果的提升。

要从技能型学习到专家型学习的转变

专家型学习这个概念不太容易定义，首先解释一下什么是专家能力，以帮助大家理解什么是专家型学习。不要误解，此专家非彼专家。首先，专家具备概念框架和分析能力。当专家面对一个问题时，他们首先会运用概念框架来锚定问题的类型。例如，在处理一个需要在多个服务器之间共享数据的系统时，专家首先会锚定这是一个分布式问题，然后再进一步锚定是分布式当中数据一致性的问题，其后才会着手解决数据如何在不同节点之间实现一致。其次，专家能够清晰地识别模式、关系和差异。这一点或许有些抽象。专家不仅能应用概念模型，还能在复杂情境中看清楚各方关系和角色。比如，在设计复杂的软件系统时，专家能识别核心服务和辅助服务，理解它们如何协同工作，并优化接口和数据流。他们能预见扩展系统时的挑战，并提前设计解决方案。再次，专家具备扎实的基础知识，并能够顺畅地提取和运用这些知识。扎实的基础是专家型学习的基石。假设一个人连基本的概念都无法理解，就无法指望他能深入分析和解决问题。那么，什么是专家型学习，或者换句话说，如何通过学习达到专家能力？扎实的基础知识是专家型学习的第一步，这一步是可以通过系统的学习和反复练习来实现的。然而，令人沮丧的是，后续的高级能力——如分析能力、系统化思维、批判性思维、决策和创新等——并不能通过简单的学习获得。这些高级能力需要大量实践来培养，我相信阿里的“借事修人”的理念，但是这首先需要我们“躬身入局”。具体来说，主动承担有挑战性的任务，尝试跨领域学习和应用，迫使自己运用高级能力；持续反思和总结经验，改进策略，不断输出，寻求反馈；这样才有可能将高级能力内化为自己的技能。