先做再懂，可是邊做邊學在 AI 工程師的正職工作上又會很累，加上通勤、生活瑣事，讓自己沒辦法好好睡覺吃飯，該怎麼辦？

立正把行动看成学习过程本身，而不是学完之后的检验环节。他举装桌子的例子：说明书看再久也不会装，动手装一次才会；真正让一项能力进入大脑的，是在做的过程中不断得到信息——哪一步真的难、哪一步只是想象、哪里需要补知识、哪里可以直接试⁠1,2。这也解释了为什么“我还不会”常被误当成“我学不会”：很多能力只是有人早一点知道、晚一点知道，拆到合适颗粒度放进真实任务，陌生名词就变成可掌握的东西⁠1。

先做不等于排斥系统学习。立正提到，本科阶段成体系的学科训练塑造的是学习习惯和研究方法，具体知识大多用不上，但那套探索和思考的方式会留下来⁠3。他判断一个人有没有学习潜力，看的也不是做过什么项目，而是能不能讲清自己从不会到会的过程：一开始错在哪、哪次反馈让方法变了、后来怎么判断自己变强了⁠4。这些细节只能来自做过之后的复盘，光看教程得不到。所以两者的关系更像交替：动手产生具体困惑，系统学习帮你把困惑整理成可迁移的判断，再回到下一次动手去验证。

如果面对的是已有完整知识体系的问题，比如物理，先系统学再动手是合理的；如果是新问题，比如怎么用好生成式 AI，知识本身还在形成，更适合从问题出发、边做边补⁠5。一个可以试的做法：挑一件你目前“还不会”但真实需要交付的小事，先做出来，记录卡住的地方和一次让你改变做法的反馈；做完再针对这些卡点去查系统资料。如果查完资料后你能说清自己原来错在哪，说明这条路径对你有用；如果始终说不清，可能说明任务颗粒度太大，需要先拆小。

立正说，让一项能力真正进入大脑的，是在做的过程中不断得到信息：哪一步真的难，哪一步只是想象，哪里需要补知识，哪里需要直接试，什么方法有效、什么判断必须改⁠1。所以判断颗粒度可以看这一步做完之后，你能不能回答出上面这些问题。如果拆出来的步骤只是“学 RAG”“做过 RAG”这种可以写进简历、打上勾就结束的动作，它给的是一种错误的进步感，勾打上以后反而不用再往下学了⁠2。反过来，如果一步做完，你发现自己卡在某个具体环节，比如切分后检索结果不对、某个数值调不动，这个颗粒度就对了，因为难点暴露出来了。

立正在做视频后期工具时，把流程分成两层：AI 负责执行，人负责判断；编辑手动选出的高光优先于 AI 全文扫描，因为 AI 容易挑戏剧性最强的句子，而编辑关心的是这几段放在一起能不能代表整期内容⁠3,4。文章也不是一把生成，而是先出 brief，brief 站不住就不往下走⁠4。这个分工可以用来校准颗粒度：一步里如果全是执行、没有需要你判断的地方，学不到东西；如果判断太多、执行太少，又拿不到反馈。合适的一步通常包含一个小判断，比如“这段该不该选”“这个结果算不算好”，做完能验证这个判断对不对。

立正提到，课程要教的是形成判断的过程：先做出一个东西，把不同方案放到同一个任务里比较，再换一个条件，比如数据量变大、延迟要求变了，看原来的答案在哪里失效、下一步该加什么⁠5。这可以当作颗粒度的验收标准：做完这一步，如果条件稍微一变你就完全不知道怎么办，说明这一步只让你记住了操作；如果条件变了你能说出原来哪里不成立、该往哪补，说明这一步的颗粒度合适。打字文本纠错这类小任务之所以合适，是因为从建基线、查错误到改指令、比结果，每一步都在逼你回答“这次变化到底有没有帮助”⁠5。