面向「Java 企业级全栈学习路线」仓库的学习者。回答一个问题：AI 时代，怎么学才专业、高效、且真正长在自己身上。 仓库唯一的方法论文档（学习排期与节奏见 docs/学习时间规划）。
AI 出现后，学习的第一性变化是：「获取答案」的成本趋近于零，「形成判断」的成本反而更贵。
- 前端转 Java 的你，最不缺的是「查资料的能力」——缺的是肌肉记忆、直觉、排错本能，这些只能长在自己脑子里
- 所以 AI 协助式学习的核心原则只有一条：凡是不经过你大脑的处理，都是无效学习。AI 给的代码、答案、解释，只有被你「复述过、改写过、踩过坑」才属于你
一句话自检：你在驾驶座，AI 在副驾。它递地图、提醒路况，但方向盘在你手里——一旦你让 AI 代写作业、代做项目，学习就已经结束了。
认知科学有三个反复被验证的结论（术语首现即解释）：
| 原理 | 白话 | 对应到本仓库 |
|---|---|---|
| 主动回忆（Active Recall） | 「读一遍」的留存率远低于「合上书自问一遍」——提取记忆这个动作本身在强化记忆 | 每讲的「本节自检」「思考题」「面试题」就是为此设计的：先自己答，再对文档 |
| 间隔重复（Spaced Repetition） | 遗忘是默认设置；在第 1/3/7/15 天各回顾一次，记忆曲线才被压平 | 学新阶段前，用 10 分钟让 AI 抽查上一阶段的核心概念（见 §3 出题官模式） |
| 刻意练习（Deliberate Practice） | 在「刚好够不着但踮脚能碰到」的难度区练习，而不是重复已会的 | boot-app 实操永远比当前能力难半档：学完概念就落代码，落不动了说明该回头补 |
这三条是本文一切方法的地基——AI 用得对，是把这三条原理的执行成本降到最低；用得错，是把它们全部绕过去。
专业学习者的每天，是一个循环而不是一个列表：
flowchart LR
A["输入<br/>读文档 / 看 AI 讲解"] --> B["处理<br/>追问 / 类比 / 复述"]
B --> C["输出<br/>写代码 / 答题 / 讲给别人"]
C --> D["反馈<br/>AI review / 自检对照"]
D -->|"卡点记录，进入下一轮"| A
三个关键配比（按学习阶段浮动）：
- 输入 ≤ 30%：读文档、看讲解是最低效的环节，够用就停——「看懂了」是最廉价的错觉
- 处理 ≈ 30%：这一环最容易被跳过，却是分水岭——追问、画图、跟已有知识连线（本仓库大量「前端对照」「类比」就是替你搭的桥）
- 输出 ≥ 40%：写代码、答自检、给 AI 讲题。输出会痛，痛说明在学习区
判断一个学习日是否合格，只看输出：今天我写出了什么、讲清了什么、答对了什么。
同样是问 AI，姿势不同，效果差一个数量级。以下六种模式按学习场景选用——每种都给了可直接复制的提问模板。
新手问 AI 的最大问题不是问错，而是问得太浅就停了。一个概念要问透四层：
| 层次 | 问题形态 | 例（以「AQS」为例） |
|---|---|---|
| ① 是什么 | X 是什么？ | AQS 是什么，解决什么问题？ |
| ② 为什么 | 为什么这么设计？换个设计行不行？ | 为什么用队列而不是自旋？全自旋会怎样？ |
| ③ 什么时候用 | 什么场景该用，什么场景是过度设计？ | 我的项目里什么时候才真需要显式用锁？ |
| ④ 如果……会怎样 | 改变条件，预测结果再验证 | 如果等待线程不 park 会发生什么？（先自己预测！） |
关键纪律：第④层先自己写下预测，再让 AI 验证——预测错的那一刻就是学习发生的那一刻。
让 AI 扮演只提问不给答案的导师。提问模板：
我正在学「事务传播行为」（阶段二第 1 讲）。请你扮演苏格拉底式导师：不要直接给我答案，每次只给我一个提示性问题引导我自己推导。我从「REQUIRES_NEW 为什么要另开一条数据库连接」这个问题开始。
适用场景：概念已经读过一遍、需要深化理解时。直接要答案适合第一遍扫盲，苏格拉底适合第二遍吃透。
能讲清楚才是真的懂。把刚学的内容讲给 AI，让它挑错：
我给你讲一下我对「三级缓存解决循环依赖」的理解（我尽量用大白话）：……（讲 200 字左右）。请你：①指出我理解里的事实错误；②指出我讲漏的关键点；③用一个我没提到的新角度考考我。
比「让 AI 复述知识点」强一个数量级——AI 复述是它的输出，你复述是你的输出。
本仓库每讲末尾都有「本节自检 / 思考题 / 面试题」，它们不是读完看的，是用来被考的。提问模板：
把「阶段一第 7 讲并发编程」的本节自检 4 条 + 思考题 3 道打乱，一道一道考我：先出题 → 我作答（不许看文档）→ 你逐条评价我的答案并给标准对照 → 最后给出我的得分和薄弱点清单。
间隔重复也用它：隔 3 天 / 7 天让 AI 抽查旧阶段的核心概念（AI 会记住你上次的薄弱点，可要求重点抽查）。
boot-app 实操的正确打开方式：
① 自己写（不许 AI 代写，卡住了看文档而不是看答案）
② 跑通后让 AI review：
「请 review 我这段代码：按阶段二 03 讲的规范（统一响应体/异常处理/参数校验）+
阿里规约（日志占位符/包装类型）挑问题，只指出问题不直接给修正代码」
③ 自己改，改完再让 AI 复查
只指出问题、不给修正代码——修正这步必须自己来，这是肌肉生长的部位。
建一个私人笔记（仓库外或 notes/ 目录），只记两类东西：
- AI 问倒我的问题（答不上来的瞬间，精确定位了知识边界）
- 我预测错的结果（模式一第④层翻车的记录）
每周让 AI 基于卡点日志出一套「错题重考」。卡点日志是专属你个人的、AI 无法替你生成的学习资产。
| 症状 | 表现 | 解药 |
|---|---|---|
| 复制粘贴手不停 | AI 给的代码直接贴进工程，跑通就过 | 每段 AI 代码逐行复述一遍作用（讲不出的行删掉重写）；关键代码合上对话自己重写一遍 |
| 问题越来越笼统 | 「帮我讲讲 Spring」「这章重点是什么」 | 用 §3 模式一的具体到第④层的问题；笼统问题=大脑在偷懒，AI 配合你的偷懒 |
| 自检全跳过 | 学完直接下一讲，自检/思考题从不合上文档答 | 强制流程：下一讲开始前，上一讲自检必须闭卷过（出题官模式代办） |
一个诚实的自问：「如果现在断网一个月，我留下的东西是什么？」——留下的那部分才是学到的。
把 AI 协助式学习装进这个仓库的结构里，一条流走完：
① 学：读 docs/ 当前讲（CLAUDE.md 已约束 AI 的讲解风格：术语首现即解释、类比双段式）
② 问：卡住的点用「四层提问法」问透（先预测再验证）
③ 落：按 10-实战产品蓝图 的映射表，把本讲技术点落进 boot-app（Code Review 模式）
④ 检：讲末的自检/面试题闭卷过一遍（出题官模式），错题进卡点日志
⑤ 复：进入下一阶段前，让 AI 抽查上一阶段（间隔重复）
各文件的角色：docs/ 是教材、实战产品蓝图 是练习册目录、boot-app 是操场、CLAUDE.md 是给 AI 立的规矩、学习时间规划 是日程表、本文是用法说明书。
| 时长 | 环节 | 用什么模式 |
|---|---|---|
| 30 min | 读当前讲 + 追问透 2 个核心概念 | 四层提问法 |
| 40 min | boot-app 落地本次技术点 | Code Review 模式 |
| 20 min | 闭卷过自检 + 思考题 | 出题官模式 |
| 15 min | 讲一个概念给 AI 听 | 费曼模式 |
| 15 min | 卡点日志更新 + 明日计划 | — |
循环比时长重要：宁可每天 1 小时走完五环，不要一天 5 小时只输入。
- 输出为王：一切学习的终点是「你能独立写出、讲出、答出」——AI 的每个回答都要过你的手才算数
- 难度自调：太顺=在舒适区（换个更难的问题）；太挫=退半步（让 AI 给提示而不是答案）——保持在「踮脚够得着」的位置
- 诚实记账：进度只认自检闭卷通过和 boot-app 落地完成，不认「看完了」