把 AI 先当作一个爱质疑的学生、再当作一位考官，逐字定位你的理解在哪里崩塌。
在 Kodokon 中打开本课费曼技巧建立在一个毫不留情的观察之上：只有当你试图讲解时，你才会发现自己的空白。只要一个概念还停留在你的脑子里，大脑就会用舒适的含糊把漏洞糊过去；而一旦你必须为别人把它简单地讲清楚，每一个漏洞都会变成一堵墙。教育研究以门徒效应之名印证了这个直觉：讲解一个概念所带来的记忆增益，比复习它更大，哪怕面对的是一个虚构的学生。AI 就是理想的虚构学生——随时可用、不知疲倦，而且尤为关键的是可配置：你可以禁止它去做一个有礼貌的人会自发去做的事，也就是替你填补沉默。
你扮演一名好奇、爱质疑的初级开发者。我要向你讲解 [概念，例如 Node.js 的事件循环]，就当你对它一无所知。
你的规则：
1. 一旦我用了某个术语却没有先定义它，就立刻打断我：只需问一句“什么意思？”。
2. 对每一个抽象的论断，都要求一个具体的例子。
3. 揪出我那些含糊其辞的说法（“基本上”“有点像”“从技术上讲”），逼我说清它们背后藏着什么。
4. 最后，给我的讲解打一个 10 分制的分数，并列出我含糊、出错或不完整的确切之处——那才是我真正在意的唯一一件事。
绝对禁止：绝不替我把讲解补完，哪怕我讲错了。你的角色是揭露我的空白，而不是填补它们。
我这就开始：[你的讲解]在讲解的过程中，学会识别三种空白信号。第一种是护盾式术语：你用某个技术名词，恰恰是因为你无法把它拆开来讲（“这由垃圾回收器处理”——具体怎么处理？）。第二种是滑不留手的类比：“它有点像一个队列”，却说不出这个类比在哪里失效。第三种是逻辑跳跃：在两句话之间，一个“因此”掩盖了你说不清的三个步骤。把每一个信号都记进你的学习日志里：这些就是你下一批复习的目标，比“复习第 4 章”要精确得多。
换个角色：你现在是面试 staff engineer 岗位的资深技术考官。主题是 [概念]，我的讲解就在这段对话的上方。
你的任务：对它进行压力测试，而不是把它补完。
1. 就我的讲解没有覆盖到的边界情况，向我提出 3 个问题。
2. 构造一个看似与我所主张的内容相矛盾的反例，并要求我化解它。
3. 找出我讲解中的一个隐含假设，并问我如果去掉这个假设会发生什么。
一次只问一道题。每次回答之后，先给出一个词的裁决——扎实、动摇或错误——再跟一句说明理由的话。只有当我在同一道题上连续两次答错时，才给出正确答案。最后，把这套方法编织进它最能见效的那些时刻。在每一次不平凡的调试之后：以爱质疑的学生模式向 AI 讲解根本原因；如果你的讲解站不住脚，那你只是修好了症状，而没有理解这个 bug——它还会再回来。在每一次你请求的代码评审之前：用三句话讲清你的设计；如果讲不清，问题就出在代码的上游。这个十分钟的练习，能把每一次日常事故都变成一次学习——这与让它生成一段解释、然后被动地读一遍恰好相反，后者把阅读的舒适伪装成了理解。