2025 个人年终总结
回看整个 2025 年，感觉这一年很难用具体结果来概括。更多时候，我还是在投入去做一件不太显眼、却有点基础的事情：在 AI 的辅助下，重新整理学习新事物的方式。
1. 逐渐理解“广泛”的价值
这一年，我对“学习”本身的看法有了一些变化。过去，我更习惯把学习理解为获取知识点，但在实际过程中逐渐发现，这样的理解有些片面。真正影响学习效率的，似乎并不是知道了多少信息，而是这些信息在大脑中是否能够形成稳定的连接，并且在适当时候否能被成功调用。
从这个角度看，学习更像是在不断构建的网络。每一次学习，本质上都是在神经元之间建立新的连接，或强化已有的连接。当连接逐渐增多、结构逐渐清晰，新东西带来的认知负荷就会减轻，理解也会变得顺畅一些。
这个过程，其实与深度学习的一些基本原理非常相似。在神经网络中，模型并不是通过记住单个样本来工作，而是通过大量样本的反复训练，不断调整参数，逐渐形成对整体结构的抽象表示。当网络足够深、连接足够丰富时，新的输入就不再需要从零开始“理解”，而是可以快速映射到已有的特征空间中。
人的学习也可以如此，当认知网络足够稠密，新知识更容易找到“落点”，理解的成本会显著下降。相反，如果知识彼此孤立，每一次学习都像是在训练一个全新的模型，自然会感到有些吃力。
这让我重新审视了“广泛学习”的意义。它并不只是涉猎更多领域，而是在为大脑提供更丰富的“训练数据”和更多样的约束条件，让已有的认知模型在不同场景中反复接受检验。单一领域的知识，往往容易形成过拟合；而跨领域的对照与迁移，则更像是引入新的数据分布，迫使模型不断调整，从而获得更强的泛化能力。
也正是在这个意义上，广泛而交叉的学习，并不是分散精力，而是在为长期的理解能力和学习速度打基础，让“越学越容易”成为一种可以被解释、也可以被重复的过程。
2. 写博客
2025 年，我又双叒叕拾起了写博客这件事，并且整了一个独立博客，并且坚定这次一定会写下去。其实很多时候“写不出来”，并不完全是表达能力的问题，而更可能是对问题的理解还不够清晰。写作会迫使人把模糊的想法摊开来，也会暴露那些被自己忽略的空白。
在这个过程中，AI（更准确地说叫大语言模型）成了一个很有帮助的辅助工具。它并不是替我完成写作，而是帮助我把零散的想法逐步整理成结构：先梳理大纲，再检查是否有遗漏；先搭起框架，再逐段填充内容，之后再借助 AI 做校对和调整。这个来回反复的过程，会不断提醒我哪些地方其实还没想明白。
让我感受比较深的一点是，AI 的优势不在于“聪明”，而在于足够有耐心。只要我愿意持续追问、反复调整表述、从不同角度重述同一个问题，绝大多数知识点最终都能被拆解清楚。当然这个过程依然需要时间，但它让“把问题搞明白”这件事变得可持续了，而不再依赖一时的精力或状态，这在没有 AI 的时候是很难做到的。
因此，对我来说，写博客与其说是一种输出方式，不如说是一种有点强度的输入过程。无论是否借助 AI，真正起作用的仍然是查证、重组和解释本身。AI 只是让这些步骤更高效，并不会替代思考。
相比短期的传播效果，我更看重博客这种形式：它允许反复修改，不依赖热点，是一种一对多的非同步沟通方式。内容一旦公开，还会形成一种温和但持续的约束，这些文字还会留下来，成为后续很好复习素材。
3. 围绕问题，而不是技术
2025 年更新的所有文章主要围绕四个主题展开：深度学习、无人机、Flutter 和 iOS。
深度学习给我带来的更多是一种思维方式的转变。与传统技术更强调规则、流程和显式逻辑不同，深度学习关注的是如何通过数据和训练，让系统自动形成内部表示和决策能力。这种从“人给规则”转向“通过训练获得能力”的变化，也让我重新思考了很多长期习以为常的技术假设。
无人机则更多来自对所处行业的长期兴趣。相比单纯掌握某项技术，我更希望理解一个完整系统是如何在真实世界中运作的：从硬件约束、控制逻辑，到环境不确定性与安全边界。这个领域可以使我跳出纯软件视角，去学习其他工程领域处理问题的方式，也让我意识到不同领域在风险、成本和可靠性上的取舍逻辑是有很大不同的。
至于 Flutter 和 iOS，则更多源于工作中遇到的现实问题，算是作为现有技术栈的拓展。
4. 从计划到复习
我发现真的可以不用执着于制定精细而长期的学习计划，这并不是因为计划没有意义，而是真正决定效果的，往往不是计划写得多完整，而是是否能持续回到知识本身。 于是，我开始把更多注意力放在了复习上。
短时间内足量重复，可以比不断接触新内容更有收获。为了避免理解停留在表层，我找到了一套结构来拆解新知识：
- 首先是主体
也就是搞清楚它究竟是什么、解决什么问题、出现于怎样的背景之中。很多时候理解困难，并不是概念本身复杂，而是对它的边界和定位并不清楚，把它和相邻概念混在了一起。 - 其次是机制
这一步关注的不是“它怎么用”，而是“它为什么能成立”。当只记住结论或用法，而没有理解背后的作用机制时，知识往往只能在极其有限的场景下生效。一旦条件发生变化，理解就会迅速失效。 - 最后是用法
也就是把前面的理解拉回现实，弄清楚在什么前提下它是合适的，在什么情况下反而应该避免使用。只有明确了适用条件，知识才不会被误用，也更容易在复杂情境中做出判断。
通过这种拆解方式，可以区分“知道一个东西”和“能在合适的时候用对它”之间的差别。对我来说，这也是把学习从被动接受，慢慢转向主动理解的一个点。
5. 重新看待 AI
这一年，我大量使用了AI，也在过程中逐渐有了一个判断。在我看来，AI 并不是一个会“思考”的主体，它更像是一个效率极高的知识重组与推理工具。它不具备真正的理解能力，也不会主动学习，但在非常多问题上，已经能够提供接近专业水准的参考。这也意味着：AI 的效果，很大程度上取决于使用者自身的认知结构。
它不会替人走完学习曲线，也不会减少必要的思考成本。该付出的努力依然存在，只是单位时间内的有效产出，有可能被放大。
6. 一些逐渐稳定下来的 AI 使用方法
在长期使用中，我总结了一些相对固定的 AI 使用方式。无论是写作还是学习，我更倾向于把 AI 当作一个可以反复协作的工具，而不是一个简单的问答系统。
6.1 写作与学习中的基本流程
在大多数情况下，我都会按照一个相似的顺序来使用 AI：
- 先尽量明确一个清晰的主题，而不是直接抛出模糊问题
- 让 AI 帮我梳理整体结构，并反复多视角检查是否存在明显遗漏
- 优先搭建系列或整体框架，再进入单篇或局部内容
- 围绕关键概念持续追问，逐步逼近理解的边界
- 通过实践或具体案例进行验证，而不是停留在表述层
- 回到整体结构，检查前后逻辑是否自洽
- 在后续阶段刻意安排复习，而不是一次性完成就搁置
这个过程并不追求“一次成型”，更像是在不断来回的整理与修正。AI 在其中的作用，并不是替我思考，而是帮助我更快找到哪些地方其实还没想清楚。
6.2 关于提问方式的一些体会
AI 给出的答案质量，往往取决于问题是不是达到可以“认真被思考”的程度。
6.2.1 拉长对话链条，合理使用长输入
现在的大语言模型已经支持较长的上下文输入（比如 GPT-5，能支持 20 万字上下文），这使得复杂问题可以分阶段展开，而不必压缩成一次性提问。但需要注意的是，长上下文并不等于“无限记忆”，模型会对输入内容进行压缩和权重分配。
因此，与其刻意控制输入长度，不如把重点放在结构是否清楚上。真正重要的信息，更适合通过结构化、列表化的方式呈现，并在多轮对话中反复回到这些关键点，而不是一次性堆叠大量内容。
在复杂问题中，省略背景往往比输入过多更容易导致误判。真正需要避免的，不是“输入太多”，而是输入杂乱、重点不清。
6.2.3 提高问题的信息密度，让结构前置
很多人在遇到技术问题时，提问往往是这样的：我的接口很慢，该怎么优化？
这个问题当然能得到回答，但对模型来说，几乎没有什么可用的上下文，只能从经验库里“随手捞”一些建议：加缓存、查索引、用异步、做压测……看起来都对，却很难真正落地。如果把问题换成这样：
我有一个对外提供服务的 REST 接口，QPS 峰值在 300 左右。当前 P95 响应时间在 800ms，目标是压到 300ms 以内。接口主要包含三部分：
- 数据库查询（MySQL，单表约 500 万行，有联合索引）
- 一次第三方服务调用（平均 150ms）
- 少量业务逻辑计算
当前限制条件是：
- 数据库结构暂时不能大改
- 第三方接口不可控
- 允许引入缓存，但需要考虑一致性
请你从 定位瓶颈、可行优化手段、预期收益和风险 几个维度，给出可落地的优化方案。如果有多条路径，请分别说明适用前提。
这个问题更容易得到高质量答案，并不是因为“问得更专业”，而是因为：
- 问题背景明确，模型不需要猜上下文
- 已经完成了初步拆解，缩小了推理空间
- 给出了现实约束，避免不切实际的建议
- 明确了输出维度，让推理有一定的边界
- 可与接受多种解决方案，而不是期待唯一答案
在这种情况下，AI 更像是在参与一次技术评审，更能有效的解决问题。
6.2.4 在必要时明确判断标准和约束条件
例如，一个很现实的问题：我该不该买一台咖啡机？
如果直接这样问，得到的回答大多是：看预算、看喝不喝咖啡、看占不占地方。这些话没错，但很难形成判断。如果换一种问法，把判断逻辑提前说明清楚：
我目前每天早上会喝 1–2 杯咖啡，主要在上班路上买连锁咖啡；
单杯价格 10–30 元，对口味要求不高，但希望稳定；
家里有固定操作台空间，早上可接受 5–8 分钟制作时间。请你先说明，判断“是否适合买咖啡机”通常需要考虑哪些维度；
然后建立分级标准，比如说：
- 使用频率稳定、长期成本下降 → 适合买
- 频率尚可但排斥清洁/操作 → 条件适合买
- 使用不稳定、明显抗拒维护 → 不适合买
最后判断我更接近哪一类，并说明哪些条件变化会反转结论。
这样做的意义不在于“得到答案”，而在于把判断过程变成可量化、可修正的逻辑链条。
6.2.5 面对复杂问题，并行比较多种解法
很多问题并不存在唯一解。例如：我想增肌，但效果一直不明显，该怎么办？
如果只这样问，得到的往往是混杂在一起的建议，很难判断问题卡在哪一环。更有效的方式是一次性要求多种独立方案：
我希望 4–6 个月增加 3–4 kg 瘦体重，目前约束是：
- 工作久坐，训练时间不固定
- 饮食受外卖影响较大
- 睡眠偶尔不足
请给我 5 条逻辑上彼此独立的增肌路径，
并对比实施成本、可持续性、增肌贡献和潜在风险。
这样得到的可能不是“一套万能方案”，而是不同路径之间的取舍关系：哪些靠时间堆积，哪些靠系统规划；哪些见效快但风险高，哪些慢但更稳定。
6.2.6 面对陌生领域，采用分难度递进的解释方式
面对完全陌生的领域，直接追求严谨的定义往往没啥用。例如想了解强化学习，与其直接问“什么是强化学习?”，模型很容易直接甩出一堆术语：MDP、策略、价值函数、探索与利用……看着更糊涂。可以这样提问：
我完全不懂强化学习。请用 4 个难度递增的层级解释，比如说：
1）生活比喻
2）游戏 / 训练宠物 类似例子
3）工程视角（状态、动作、策略）
4）严谨定义（MDP、价值函数的直觉）并说明什么场景适合用 强化学习，什么场景其实不该用。
这种“先搭脚手架，再逐步加严谨度”的方式，更符合人理解复杂知识的节奏。
6.3 一些更偏经验层面的感受
在持续使用 AI 过程中，我还有一些更偏实践的认识：
- AI 无法替人省下必要的努力，但能显著减少无效试错
- 能把问题表述清楚，无论是对 AI 还是对人，都是一项重要能力
- 可以把复杂问题拆分为若干子任务，分步处理更不易出错
- 使用更好（付费）的模型，本质上是在节省时间
- 多角度重述同一问题，有助于接近理解的核心
- 约束条件越明确，结果往往越可控
- 在进入细节之前，先补足背景，通常可以事半功倍
AI更像是一种认知放大器，而不是认知替代品。 它不会自动带来更好的理解，只是把已有的思考方式放大呈现出来。结构清晰时，它会放大效率；结构混乱时，被放大的也同样是混乱。
7. 2026
接下来的 2026 年，我还是想把计划保持在一个相对简单的状态，在已经展开的深度学习与无人机两个主题之外，逐步引入一人产品和一人技术栈这两个新的主题。它们并不只是为了扩充学习范围，而是希望从问题视角出发，理清从想法形成、到技术实现、再到实际落地之间的完整过程。
其中，一人产品目标是想尝试回答这样一个问题：当资源有限、团队规模被压缩到最小，甚至只剩下一个人时，技术的价值如何真正转化为可被验证的产品形态。相比单纯从技术角度推进实现，我更希望理解产品视角下的问题拆解方式，包括需求判断、方案取舍以及和迭代验证之间的关系。
而一人技术栈关注的是另一类更偏工程的问题：在产品需求快速变化的前提下，如何选择和维护一套相对稳定、便捷的前后端技术体系，使其既能支持快速实现，又不至于在长期迭代中被维护成本拖累。这其中涉及到效率、可扩展性以及复杂度控制之间的权衡，也是我希望系统性梳理的一部分。
在此基础上，我也会持续整理归纳如何把 AI 更自然地融入日常工作流，不只是作为辅助工具，而是参与到问题拆解、方案验证和学习整理的过程中。
除此之外，我也希望为一些更贴近生活的兴趣保留空间，比如摄影。它不以明确产出为目标，更像是一种观察方式的延伸，让我在技术之外，能有一些对现实细节的敏感度。
整体来看，2026 年的主题仍然会围绕具体问题展开：有的来自工作，有的来自日常生活。我更希望逐渐形成一种能够反复回到问题本身的处理方式，并配合相对清晰的复习节奏，让这些经验不至于随时间流失，在需要时还能派上用场。