最近在一个学习社群里刷到一种让我眼前一亮的做法：有人把 Claude 当成面试官，对自己正在学的东西进行一轮又一轮”拷问”。
这不是普通的问答。不是”帮我讲讲 Rust 的所有权”，也不是”总结这篇论文”。而是一种反过来的对话——AI 不是答题的人，你是。
它抛出一个问题，你回答，然后它像 Socratic 对话里的苏格拉底，或者一场真正让候选人头皮发麻的技术面试一样，一层一层地追问下去，直到你回答不上来为止。
社群里管它叫 grill-me（烤我）。
我试了两次，被烤到怀疑人生。也终于意识到，这可能是 AI 时代真正被低估的一种学习方式。
为什么是”烤”，不是”问”
先说清楚，这不是普通的 AI 学习姿势。
我们常见的用法是这样的：
“请用中文解释一下 Redis 的持久化机制，RDB 和 AOF 的区别是什么？”
AI 会吐出一篇结构清晰、甚至可以说是”完美”的回答。你扫一眼，点头，觉得自己懂了。然后三个月后有人问你同样的问题，你一个字也想不起来。
这种学习方式的问题在于，你是被动的。你的大脑在整个过程中几乎没有被激活——就像看一场电影，情节再精彩，你也无法声称自己”理解”了电影。
grill-me 不一样。它的姿态是：
“我要学 Redis 持久化。请你作为一个 Redis 内核的资深工程师，对我进行一场 30 分钟的面试。每次只问一个问题，等我回答之后，你根据我的回答追问、指出漏洞、纠正我的错误。不要一次性告诉我所有答案。”
在这一刻，你从消费者变成了表演者。你必须自己组织语言、调用记忆、做出判断。而每一个你不知道的答案，都会被当场暴露出来——这是最残忍也最有效的反馈。
它为什么有效：三个被科学验证的原理
grill-me 之所以有效，不是因为它新，而是因为它意外地踩中了学习科学里几个被反复验证的原理。
1. 主动回忆（Active Recall）
如果你最近翻过任何一本关于学习方法的科普书，一定会见到这个术语。它的核心发现非常反直觉：
回想信息的过程，比重新阅读信息，对长期记忆的强化效果更好得多。
这个结论来自 Roediger 和 Karpicke 在 2006 年的经典实验。他们让一组人阅读一篇文章，然后分成两组：一组反复阅读，另一组隔一段时间尝试回忆文章内容。一周后测试，回忆组的表现显著优于重复阅读组。
我们日常看文档、读博客、甚至看 AI 生成的总结，本质上都是”重复阅读”。而 grill-me 把整个过程变成了强制的、结构化的主动回忆——你每一次回答，都是一次记忆提取的练习。
2. 间隔错（Desirable Difficulty）
心理学者 Robert Bjork 提出过一个让人不舒服的概念：真正有效的学习，往往伴随着”渴望的难度”。
当你感觉学得很轻松的时候——翻一翻就懂，看一遍就会——你很可能什么都没学会。相反，那种让你眉头紧锁、翻找资料、反复纠结的学习过程，反而在神经层面刻下了更深的痕迹。
为什么？因为大脑在面对困难时，会投入更多的认知资源，形成更复杂的神经连接。就像肌肉一样，只有被真正撕裂过，才能长得更强壮。
grill-me 的每一次追问，本质上都在制造”渴望的难度”。AI 不会因为你答不上来就降低标准——它只会换一种方式再问，直到你真的理解为止。
3. 费曼技巧的极限形态
理查德·费曼的学习方法大家都不陌生：用你能说出的最朴素的语言，把一个概念讲给一个完全不懂的人听。如果你讲不清楚，你就还没真正懂。
但费曼技巧有一个隐含的执行门槛：你得找到一个愿意听你讲的人。而且那个人最好有足够耐心，能追问你”你说的这个到底是什么意思”。
这种机会在现实生活中极其稀缺。但 AI 不一样。它永远有耐心，永远追问，永远在等你给出一个真正站得住脚的解释。
从这个角度看，grill-me 是费曼技巧的自动化、工业化版本——你把那个永远不会嫌烦的”假想学生”，交给了 LLM。
它和”向 AI 提问”的根本不同
很多人会说：我平时也会问 AI 问题啊，这有什么区别？
区别是根本性的，我们可以从下表看清：
| 维度 | 常规提问 | Grill-Me |
|---|---|---|
| 主动方 | AI 在答，你在看 | 你在答，AI 在判 |
| 大脑状态 | 被动接收 | 主动输出 |
| 失败反馈 | 几乎没有 | 即时暴露 |
| 知识留存量 | 很低（三天后忘光） | 较高（被”烤”过的记得牢） |
| 认知负荷 | 轻松，舒服 | 高，但不适 |
| 你学到的 | 一段文本 | 一套能自己讲出来的理解 |
| 适用阶段 | 入门、了解 | 深化、检验、内化 |
这两者不是替代关系，而是互补关系。grill-me 不应该取代你平时的阅读和常规提问——它更像是一场考试，是在你学完之后用来检验和深化自己理解的。
怎么开始：一个可以直接用的 Prompt
下面这个是我自己反复打磨过、亲测有效的 prompt。你可以根据自己学的内容替换主题：
1 | 我要学习 [主题]。请你扮演一位在这个领域深耕 15 年的资深专家， |
我第一次用的时候，主题是 Postgres 的 MVCC。它问我第一个问题：
“请解释一下，Postgres 中一行数据被更新时，原来的数据去哪了？”
我觉得这问题很简单，答了个”被标记成删除，新版本写一条新的”。
然后它追着问：
“那原来的那行数据，磁盘上是真的消失了，还是占着空间？”
“如果占着空间，是什么机制让它不被查询看到？”
“那这个空间什么时候会真正被回收？autovacuum 的角色是什么？”
“autovacuum 没有及时跑的话，会出现什么问题？你有没有在实际项目中遇到过？”
最后一个问题问得我哑口无言——因为我确实没遇到过，也从来没认真想过 vacuum freeze 这个概念。
那一轮对话下来，我反而比看三天文档学到的还多。
它的局限性：诚实地说说
我不会把这个方法吹成灵丹妙药。它有几个明显的边界。
第一，它依赖 AI 的判断力。 如果 AI 本身对这个话题理解不深——比如非常冷门的领域、最新的学术论文、或者某个极其具体的业务场景——它追问的质量就会大打折扣。在这些问题上，你可能得到一个”看上去很懂”但其实漏洞百出的考官。
第二，它不生产新知识。 grill-me 不会替你”学会”一个你完全陌生的东西。它的强项是检验和深化你已经有一定基础的内容。如果你是零基础，直接开烤大概率会被烤糊——因为你需要一些先验知识才能进行有意义的对话。
第三，它容易让人产生挫败感。 被一个 AI 一遍又一遍地追问，答不上来时，那种感觉并不好受。我第一次用的时候就想关掉窗口。但恰恰是这种”不舒服”，才是它有效的证据。
第四，它的效果高度依赖你的诚实。 如果你在被问到某个概念时，明明不懂却硬要编一个答案糊弄过去，AI 也大概率看不出来。这个方法的成败，最终取决于你自己愿不愿意承认”我不知道”。
它和 AI 时代”学习幻觉”的关系
前面几篇文章里，我一直强调 AI 让我们变得”快”，但可能也变得”浅”。我们越来越习惯于让 AI 替我们思考，越来越满足于”AI 给了答案所以我懂了”的错觉。
grill-me 是对这种错觉最直接的反击。
因为它强制你做那件最困难的事：用你自己的语言，证明你真的懂。
当你被 AI 追问到语塞、翻资料、重新组织思路的那一刻，你实际上经历了一次真正的学习。那个瞬间的”不舒服”，就是你大脑在真实地构建理解的过程。
对创业者的启示
作为一个创业者，我一直在思考一个问题：在一个人人都能用 AI 生成完美代码和文档的时代，什么样的能力才是真正稀缺的？
我的答案是：深度理解的能力。
你能让 AI 写出一个 Postgres 查询优化的方案，但这并不意味着你理解为什么这个方案有效。当线上出现一个诡异的性能问题，当你的 DBA 告诉你”这个索引不能这么加”，当你在技术面试里被候选人反问”你确定吗”——只有真正深度理解过的人，才能做出正确的判断。
grill-me 培养的不是知识量，而是判断力。它让你在自己的知识体系里建立一个又一个”经得起追问的节点”。这些节点，才是你在创业路上做技术决策、带技术团队、判断技术方案优劣时最宝贵的资产。
一个更宏大的隐喻
回到这篇文章的开头。”Grill me”的字面意思是”烤我”。
在美式英语里，grill 除了烤食物，还有一个意思是”盘问”——就像在审讯室里被审讯一样。这两个意思放在一起，恰好构成了这个学习方法的核心隐喻：
学习，本质上就是一种对自己认知的”审讯”。
你不主动去拷问自己知道多少、哪里不懂、哪些理解其实是错的，你就永远停留在”以为自己懂”的舒适区里。
AI 把这个过程自动化了。它让每一个想要深度学习的人，都能拥有一位永远耐心、永远追问、永远不放过漏洞的”审讯官”。
这不是作弊。这是回归学习的本质。
结语
我写这篇文章，是想推荐一个具体可用的学习方法。
但更深层的动机是：在 AI 工具泛滥的 2026 年，我们可能需要重新思考”学习”到底意味着什么。
学习不是消费内容。学习不是让 AI 替你总结。学习是你自己主动地去回忆、去解释、去被追问、去承认无知、去重建理解。
grill-me 只是一个工具。但它指向的方向，恰恰是我们这个时代最容易被忽略的东西。
真正的学习，从来都不舒服。
这篇文章受到了学习社群中”Grill-Me”实践的启发。如果你正在学某个东西，不妨今晚就打开 Claude 或 ChatGPT，让它烤烤你——你会发现，”答不上来”本身，就是一种进步。