让LLM给你划重点，是学习效率最低的姿势。

一、把LLM当Socratic考官，不当讲解员

原帖提到的“苏格拉底式提问”确实是好路子，但很多人用偏了——开头就让AI给问题，等于没学。正确的姿势是：先自己读一遍，记下模糊的点，然后丢给它一段提示词，让它针对你标记过的困惑点连环提问。答不上来就回去翻原文，这个过程才是学习。

我会发给你一段论文片段和我读不懂的部分。请扮演一位严格的导师，
只通过提问引导我理清这段逻辑（不要直接给答案），逐步追问直到我
能用大白话复述为止。我答错时不要立刻纠正，先追问为什么我会这样想。

二、让AI换三个角色给你讲同一件事

读Attention那篇论文时，我试过让同一个概念被“一个只会Python的高中生”“一个没学过向量的文科生”“一个正在做推荐系统的工程师”分别讲一遍。三次讲完，你对这个概念的泛化理解才算成型——尤其是第三次，那种“原来这个设计在这里这么用”的跳脱感，是任何总结都给不了的。

三、卡壳定位法

这一条是我自己觉得最有用的。有时候读一整段心里发毛，又说不出哪里不懂。把段落贴给AI，指令是：“帮我找出这句话里最可能让初学者误解的三个隐式假设，分别解释。”它能帮你把“感觉不懂”变成“具体是哪几步推演没接上”，然后你带着具体的问题再去查资料，效率高得多。

我现在的闭环是：论文过第一遍 → 用“卡壳定位”找出真正的断点 → 针对断点让AI扮演不同角色解释 → 最后自己把整篇复述成500字以内的笔记，复述的时候才用AI对照找漏。

接下来两周准备用这套流程重读“Attention is all you need”，顺便把里面的位置编码推导过一遍，目前感觉比裸读扎实多了。学完再回来反馈这套方法经不经得起推敲。