明显错误容易引起警觉。真正让人放松的，可能是一份写得顺、结构完整，而且大部分内容都正确的答案。
Addy Osmani 本周在 X 发表关于 Agent 工作流与批判性思考的文章。他并不主张少用工具，而是区分把任务交出去，与把判断也一并放弃。
对学生而言，这个问题会在一个很具体的时刻出现：项目已经完成，面试官换了一个条件，你却发现自己只记得工具最后给出的结论。
先写下自己的预期 才能知道哪里被说服了
向 AI 提问之前，可以先留下一段很短的判断：你认为问题可能在哪里，准备采用什么办法，以及最不确定的一点是什么。它不需要正确，也不需要写成报告。
工具回答以后，再比较哪些地方改变了你的看法。是它提供了新的事实，指出了遗漏条件，还是仅仅表达得更流畅？把两者分开，能够帮助你认识自己为什么接受一个结论。
例如，做数据分析练习时，先猜测指标异常可能来自哪几种情况，再让工具提出排查建议。随后回到实际数据检查，而不是把建议顺序直接当成已经确认的原因。
这样的练习不会证明某种长期认知效果，却可以让一次学习过程留下可检查的变化。你知道自己新学到了什么，也更容易发现仍然说不清的部分。
用一次条件变化 检查自己是否真正理解
照着教程完成一个项目，可能只证明你能够沿着已有路径前进。换一份输入、取消一个依赖，或调整一条需求，才更容易暴露理解缺口。
可以为每个学习项目安排一个小变化。重点不是故意制造复杂题目，而是检查原有方案为什么成立：哪些条件改变以后，它就需要调整？
若一变条件就只能让 AI 从头重做，也不必立刻否定自己。先找出不知道的局部，集中补上，再尝试解释。理解可以按问题逐步建立，不需要把整个大型系统同时记在脑中。
面试准备也可以这样做。对一段真实项目经历，除了熟悉的介绍，再练一个没有提前背过的追问。回答中可以承认不确定，并说明自己会怎样确认。
流畅的说明 需要能够回到依据
Agent 给出的解释可能很有条理，但条理本身不是证据。遇到关键结论，仍要能找到数据、文档、代码行为或其他可核对材料。
可以选择项目里最重要的一条判断，追到原始依据。若它来自工具对另一段材料的摘要，就继续检查原材料是否真的支持这个表述。
这种检查不需要平均用力。低影响、易纠正的整理任务可以交给工具更多自主空间；会影响他人、资源或后续决定的部分，则应当更清楚地保留依据。这是工作安排的建议，不是把所有任务都变成同样繁重的审查。
如果发现自己无法解释一条结论，先把它恢复成待验证的问题。继续沿着它作决定，只会让后面的材料看起来越来越完整，却越来越难追溯。
别让学习记录只剩一串完成事项
“读完了”“跑通了”“生成了”，可以记录进度，却不能充分说明掌握程度。还可以记录自己原来哪里想错、工具哪里给错，以及最后依据什么修改。
一个简短的复盘可以只写一件事。比如，你曾以为某个测试通过就足够，后来发现它没有覆盖需求中的关键条件。这种具体变化比给自己打一个熟练度分数更有解释力。
几天后再尝试复述，也能帮助发现哪些内容只是当时眼熟。可以不打开原对话，先讲出目标、方案与限制，再回去补缺口。不要把这种个人练习包装成已经通过正式能力认证。
如果学习时间有限，优先复盘影响最大的决定。没有必要把每一条命令都抄成笔记，让记录本身取代了理解。
给一次学习留出延迟复述
可以选一个已经完成的小练习，当天写下自己的理解，过几天再不看原对话复述。先说目标、主要决定和最不确定的一点，再打开记录比较，而不是要求自己背出所有细节。
如果发现某个理由只记得一句口号，回到依据重新解释。它来自数据、文档还是工具推断？哪些条件一变，理由就不再适用？这些问题能帮助把熟悉感变成更具体的理解。
接着安排一项新输入，观察原方法还能不能使用。若失败，先判断问题是记忆遗漏、条件变化，还是原来就没有理解。不同缺口需要不同的补充，不一定都靠再看一遍教程解决。
这个练习可以保留工具辅助。你仍可请 AI 帮助定位资料或解释局部，但最后要能说明自己依据什么接受解释。目标不是证明完全不用工具，而是让依赖关系可理解。
记录不需要很长。每次保留一个值得修正的判断，就能逐渐积累自己的问题库。不要把完成复述这件事，又简化成一个没有内容的打卡次数。
合理依赖工具 也包括知道何时需要重建理解
现代项目很复杂，要求每个人随时记住全部细节并不现实。更实际的目标，是知道自己的理解覆盖哪里，并能在需要时重新建立足够的局部认识。
这意味着，你可以让 AI 帮助解释陌生模块，但应能检查解释是否对应当前版本。也可以借助工具找材料，但仍要知道自己正在回答什么问题。
在团队和面试中，这种表达很自然：这一部分当时由同伴负责，我理解它与本模块的接口；若要修改内部逻辑，需要先核对哪些内容。清楚的边界，比装作全部掌握更有用。
本周的讨论不是要求学生回到完全不用 AI 的学习方式。它提醒我们给判断留一个位置。工具把答案送得很快，你仍然可以决定，哪些理由值得接受，哪些问题需要继续弄懂。
若复述与原记录不一致，先核查差异来自哪里。有时是记忆错误，有时是后来获得了新条件。校准不是要求自己永远保持原答案，而是知道为什么应该更新判断。
读者常问
这种练习能证明 AI 让人变笨吗
不能。个人复述或一次失败都不是长期因果研究。这里讨论的是学习过程中的校准办法，帮助发现理解缺口。应避免把技术从业者的观察或自己的经历，扩写成对所有用户的普遍认知结论。
需要记住项目全部代码和资料吗
不现实，也不是这里的目标。更重要的是知道自己的理解覆盖哪里，遇到问题时能重建必要的局部认识。能说明需要查什么、怎样核对，往往比假装随时掌握全部细节更有用。
先自己判断 会不会只是多做一遍工作
可以把最初判断写得很短，只针对关键问题。它帮助你比较接受了什么理由，而不是要求独立完成所有任务。低影响的整理可以更多交给工具，重要决定则值得保留足够依据与复查空间。
面试遇到不会的问题 应该立刻让 AI 补答案吗
首先遵守对应面试环节的工具规则。准备阶段可以用工具解释和练习，正式环节是否允许需要明确确认。无论使用什么工具，回答都应让对方理解你知道什么、不知道什么，以及打算怎样确认。
- 关于 Agent 工作流与批判性思考的文章· X / 原始帖文
- Cognitive Surrender 背景文章（2026 年 5 月）· Addy Osmani
结合目标岗位，梳理已有经历、本人贡献和可核查的项目成果，讨论下一步准备重点。