我们这两年做了四门课，积累了 2500+ 学员。最近大家在推送里看到了很多学员分享的项目，非常精彩，我也受到了很多启发。但那些真的交付了大家都能用的产品的学员，其实是少数走到终点的人。
我们一直没有机会和大家聊聊另一面：根据我们的观察和访谈，有惊人比例的学员，其实停在了中间的某一步。他们不是说觉得没用或者学不会放弃了，而是就因为种种原因暂停或者终止了学习。
最让我们遗憾的是，这些流失往往不是发生在复杂的算法或逻辑面前，而是发生在一些极其琐碎、与核心能力无关的障碍上。
面对流失，传统的教育直觉是做更多内容——你不懂配置，我写个文档；你不会部署，我录个视频。但教程越写越多，学习路径越来越长，那些琐碎的障碍还在那里。因此我们觉得，AI 时代，我们可能需要一条更本质的路线，真正地解决这个流失问题。
这篇文章想跳出解决方案的讨论，先系统性地梳理一下，学 AI 的人到底卡在哪儿，然后解释我们如何用一种工程化的思路，试图从根本上消灭这些障碍。
流失阶梯：学 AI 的四个关键节点
学员热情耗尽的流失过程就好像一个阶梯。每一阶都有人因为各种原因停下来，而跨过去的人的能力会有质的提升。
第一阶：脑子：我懂了，手：不，你没有
从教学的一开始，我们就发现很多学员看完视频、读完教材，觉得自己懂了，但从来没有把 AI 真正用到自己的生活或工作里。
这是非常可惜的一点。学 AI 更像学游泳或开飞机。就像没有人能通过看视频学会游泳一样，光看教材也是学不会 AI 的。知识点可以靠记忆和理解，但技能必须靠身体去试。必须在真实的场景里摸爬滚打，尤其是在真实的场景里犯错误，才能真正把它内化成自己的能力。脑子觉得懂了和手真的会用之间，有一道巨大的鸿沟。
这就是为什么我们说这一阶是起点：如果一个学员从来没有把 AI 用到一件真实的事情上——哪怕是非常小的事情——那他还没有真正开始学。很多人在这一阶就停住了，他们觉得自己在学，但其实只是在看别人学来获得一种自己在努力的错觉。
第二阶：从玩具项目到真实应用
有一些学员跨过了第一阶，做完了几个教程里的小项目，建立了一点信心。但当他们想做一个真正有用的东西，或者想把它用得稍微规模大一点、自动化一点的时候，发现前面横着一堆琐事：要绑信用卡、注册各种账号、申请 API token、配置开发环境。都是体力活，做完了也没什么成就感，稍微折腾一下就放弃了。
这些琐事的问题在于，它本身对学习目标几乎没有贡献，却消耗了大量的热情和时间。本来准备大干一场，结果两小时过去了还在折腾配置，代码一行没写。因此这种放弃是人之常情。
同时这种挫败感是很致命的。行动力在刚刚萌芽的阶段最脆弱，最需要保护，因为它一旦熄灭就很难再点燃。结果学员刚刚建立起信心，好不容易跨过了第一阶，开始相信自己能做点什么了，又被这些琐碎的配置工作打回原形。所以这些摩擦非常可恨，从教学的角度一定要重视解决。
第三阶：从被动接收到形成自己的判断
有些学员扛过了前两阶，终于把 API 跑通了，开始用 AI 做一些事情，积累了一些经验。但这时候会出现另一个问题：他们的第一手经验没办法规模化。在自己的一亩三分地有一些观点看法，但更多的时候还是被公众号的标题党牵着走。今天这篇说 Claude 代码能力最强，明天那篇说 DeepSeek 性价比碾压，没有自己的第一手经验，只能人云亦云。
这个阶段的本质障碍是：从繁杂的信息中沉淀出自己的见解。真正的学习需要自己做大量的、可规模化的实验，去积累第一手的经验。这不是多试几个模型这么简单，需要在真实的场景里反复对比、反复踩坑。同一个任务用三个模型跑一遍，记录下各自的表现；在不同的 prompt 策略之间来回切换，感受它们的差异。只有这样，才能形成自己的判断力，而不是看到一篇文章就信一篇。
这一阶之所以重要，是因为它触及了学 AI 的本质：学会怎么调 API 离真的做出有用的 AI 产品离得很远。最关键的是去学怎么做取舍、做判断。技术会变，模型会迭代，只有判断力是可以沉淀可以迁移的。没有第一手的经验，永远形不成自己的观点，永远是别人说什么信什么。这种状态下，没法真正用好 AI，因为每一个决策都要依赖别人（甚至是公众号）的结论。
第四阶：从本机跑起来到部署交付
最后一阶：代码在本地跑起来了，但它停在了 localhost:8000，除了自己没人能用，只能自娱自乐。你跟别人说 AI 很厉害，“我”很厉害，他们都没有感性认识。
部署这件事本身不难，但对于初学者来说，它意味着又一堆新概念——服务器、域名、Docker、CI/CD。每一个都可能卡住，每一个都需要额外的学习成本。很多学员就是在这一步停下来了：东西做出来了，但只有自己能用，没法分享给别人。
这一阶是一个关键转折点，原因不只是技术上的。当一个项目可以被别人访问的那一刻，它就从作业变成了作品。可以分享给朋友，放进简历，甚至让真实用户使用。这个身份的转变，会彻底改变学员对学 AI 这件事的态度——从我在完成练习变成我在创造价值。我们观察到，很多学员的学习热情是在第一次分享自己作品的时候被真正点燃的。在此之前是被动学习，在此之后会变成主动探索。
如何从根本上解决问题
如果我们仔细观察前面讲的四道阶梯，会发现它们本质上都是摩擦问题。对这种问题，传统的解法是给你更多教程，比如教你怎么注册 API，教你怎么配置环境，教你怎么买服务器。每遇到一个坑，就写一篇 tutorial 来教学。结果是教程越来越多，学习路径越来越长，但要做的事情还是那么多，摩擦并没有真正减少。
这也是为什么AI时代教程满天飞的原因。凭心而论这也不是教程作者或者社区的锅，因为传统的教学方式更像是 Content Creation，或者说更像up主。大家一说到教学，只能想到写教材，录视频，做讲座。为了教学去专门 Build 一个平台不说天方夜谭，至少不在大家第一反应上。是个吃力不讨好，技能点也不匹配的事情。
但这是我们想挑战的一个思维定势：如果注册、绑卡、配置这些步骤对学习目标贡献接近于零，那为什么要让它们存在于学习路径上？与其写文档教你怎么绑信用卡，不如让绑信用卡这个步骤彻底消失。在 AI 时代，我们至少有这样一个选择，就是去真的 Build 一个平台，来一把消除这些摩擦，让学生无感地直接跨越这些阶梯，把时间都花在最重要的技能练习上。
这就是我们做 AI Builder Space 的出发点。
AI Builder Space 做了什么
所以我们的思路是：让这些步骤消失。学员注册课程后直接拿到一个可用的接口（API），背后已经接好了 GPT、Claude、Gemini、DeepSeek、Grok 这些主流模型，还有语音识别、图像理解、图像生成、embedding 这些能力。因为这个平台是学员免费使用的，所以也不需要绑信用卡。
这一方面直接让调用各种 AI API 变得特别简单，另一方面也让积累第一手经验很容易。想对比不同模型的表现，只要改一个参数就行。不用重新注册、重新配置。实验的成本被大幅压低了。我们希望用这种方法来鼓励大家多做实验，多换几种模型看有没有改进。打字太累试试语音识别。想要加入RAG，加入网络搜索也可以直接让 AI 加。我们的目标是，让大家的好奇心和行动欲可以被这些易于使用的 API 保护起来，坚持到开花结果的那一天。
另一个我们想鼓励的事情是 Build in Public——把自己做出来的东西分享出去，让别人也能用。
这个最明显的原因是复利效应。一方面，当你把作品分享出去，你会开始收到反馈，开始和别人交换需求、交换想法。这种交流对打磨AI在什么场景有用的产品思维的帮助，比交换 API 怎么调要大得多。另一方面，做完一个东西然后丢掉/自己用实在太可惜了。如果能放进简历，或者让别人真的用起来，这个价值会持续积累。
在此之外，还有一个我们访谈学员之后才意识到的事情：很多人在学 AI 的过程中有一种孤独感。他们一方面怕被时代抛下，觉得 AI 是很重要的事情，这是他们来上课的原因。但另一方面，周围还是有很多人不理解他们在做什么。一个人孤军奋战练习 AI，对好奇心和行动力毕竟是一个挑战。可能一两个月过去，因为周围都没人弄，慢慢也就淡忘了。
所以我们很希望大家能把 build 的东西分享出来。这样可以构建一种持续的 immersion。你会发现不是只有你一个人在做这件事，有很多人和你一样有激情去讨论这些东西。我们这门课想做的，不仅是让你学会技术，还想把你领进一个同好的大门。这个社区的价值，可能比教几个技术点更持久。另外，如果你写的 AI 工具可以让周围人用起来的话，也可能可以转化他们的态度，让他们理解持你学 AI。
所以我们做了一件事：让部署变成一个非常简单的 API。写完代码，（用一句话让 Cursor）调一下接口，就有一个真实的 URL 可以分享给朋友。域名是 <你选的名字>.ai-builders.space，免费使用一年。不需要买服务器，不需要学 Docker，不需要配置域名。这些概念可以以后再学，但不应该成为你分享第一个作品的障碍。
最后一块拼图
上面说的这些摩擦——配置、实验、部署——都是我们一开始就预见到的。但 AI Builder Space 上线之后，我们发现还有一个问题是之前没想到的。
有些学员会来问：你这个平台为什么我照着调 API 调不出来？我们一开始以为是文档写得不够清楚，后来逐渐意识到问题出在别的地方：很多人在用 AI 编程助手的时候，没有给够 context。他们不知道要把 API 文档或者openapi.json复制给 AI，不知道这样做会让结果好很多。AI 没有足够的信息，就开始 hallucinate，出来的结果当然不对。
我们当然可以写一个教程去教 context curation。事实上我们的教材里已经有了。但这里有一个更根本的问题：为什么在 AI 时代，我们还要让大家自己把 OpenAPI 文档拷来拷去？这是一个 unknown unknown——大家很难意识到自己需要做这件事。同时这也是一种摩擦。我们不能靠教会大家“一定要把这件高摩擦的事情做好”来解决问题，而应该用平台把这个摩擦直接消除。
所以我们想了一个办法：有没有可能用一种特别容易部署的方式，直接把这个问题解决掉？我们选了 MCP，主要是因为它部署太方便了，Cursor、Claude Code 都支持，跑一行命令就装好。装完之后，学员只需要说"用 AI Builder Space 帮我做一个 xxx"，AI 就自动知道怎么调用、怎么部署。平台的能力、最佳实践、甚至 API key 都已经包装在里面了。上线之后效果比预期的好，开发和部署的体验都简单了很多。
当工具层面的问题解决之后
配置的问题解决了，部署的问题解决了，AI 编程助手也能自动理解平台了。但我们在教学中发现，有一类任务仍然让很多学员卡住：调研。
很多学员的项目都涉及查资料、做总结这类需求。看起来简单，但如果你做过大量实验就会发现：有的模型很勤快，给个调研任务会跑十几轮搜索（比如 GPT、Kimi）；有的模型则懒得搜，直接开始编（比如 Gemini，哪怕你反复强调先搜索）。这个行为很难用 prompt 改变，更像是模型训练时形成的性格。
如果你自己从零开始做一个调研 Agent，光是踩这些坑、调这些参数、设计工作流，就要花掉大量时间。
我们在这个问题上花了很多精力，最后得出的结论是：不要指望一个模型既能搜又能想。所以我们做了一个自己的调研 Agent 叫 Supermind Agent v1。它用了 Multi-Agent Handoff 的架构——调研阶段用擅长工具调用的模型（Grok、Kimi）去搜索、抓取、过滤；思考阶段把整理好的材料交给擅长深度推理的模型（Gemini）做综合和表达。
这个设计背后有一个更一般的原则：用架构去管理模型的不确定性。同一个模型，同一个 prompt，今天和明天的表现可能不一样；同一个任务，GPT 和 Gemini 的行为模式可能完全不同。你改不了模型的性格，prompt 能调整的边界也有限。但你可以设计一个架构，让擅长的模型做擅长的事。
这种思维方式是可迁移的。当你理解了这个原则，你就能把它应用到任何 AI 系统的设计中。而当你用 Supermind Agent 做出一份高质量的调研报告，体验过这种组合使用的效果，你会自然而然地想去理解它背后的设计。
结语：把时间浪费在美好的事物上
我们做了这么多基建工作——统一接口、一键部署、MCP 自动化，并不是为了让 AI 变得容易。恰恰相反，我们是为了让学生能更快地去面对那些真正困难的事情。
什么是真正困难的事情？是如何定义一个从未被解决的问题，是如何设计一个精妙的 Agent 架构来处理模糊性，是如何在看似胡言乱语的模型反馈中捕捉到那一丝逻辑的火花。这些才是 AI 时代的核心竞争力，是那些只有人类大脑才能完成的工作。
至于配置环境、调试端口、申请 token，这些是假困难。它们消耗意志力，给人一种我在努力的错觉，却不增长你的智慧。我们希望 AI Builder Space 是一把利刃，快刀斩乱麻，斩除这些缠绕在学习路径上的荆棘。
所以，不要为了学而学。请尽快跨过那些无谓的技术门槛，去到那个真正需要你思考、判断、创造的地方。毕竟，生命有限，你的好奇心和创造力，应该浪费在那些真正美好的事物上。
FAQ
Q：文章里提到的 AI Builder Space 是什么？哪里可以使用？
这个是我们 AI Architect 这门课程的学生专属的一个教学平台。它的网页在 https://space.ai-builders.com，但是需要学生才有免费的访问权限。
如果对这门课感兴趣的话，可以看一下这个链接。
Q：市面上已经有 OpenRouter、Portkey、LiteLLM 这些统一 API 网关了，AI Builder Space 有什么不同？
功能上确实有重合。OpenRouter 是目前多模态能力最全的网关，支持 LLM、Vision、图像生成、语音识别、Embedding 等，我们的统一 API 网关在这方面和它差不多。
但定位不同。第一，零摩擦起步——你注册课程后自动获得账号和 API key，不需要单独注册、不需要绑信用卡，OpenRouter 需要你自己注册并绑卡。第二，我们提供 MCP Server 来帮助 AI 编程助手理解平台，这是其他网关没有的。第三，统一 API + 一键部署 + MCP 形成从开发到交付的完整闭环，OpenRouter 只解决 API 调用问题，部署还是要你自己搞定。
简单说：OpenRouter 是一个很好的产品，但 AI Builder Space 是一个专门为教学设计的平台。
Q：你们把我举过去了，但那些底层的东西（比如 context curation、部署原理）我并没有学到，这样好吗？
这正是我们有意为之的教学设计。
传统路径是：先学原理 → 再做练习 → 最后做项目。我们的路径是：先做出东西 → 体验到价值 → 再回来理解原理。
为什么后者更有效？
首先，教育最难的不是知识传递，而是激发学习动机。当你已经做出了一个能分享的作品，你才会真正有动力去理解它是怎么工作的。
其次，在你理解原理之前，你已经通过实践建立了直觉，回头学原理时会发现很多东西"原来如此"，而不是"这有什么用"。
第三，一次性学太多东西会让人崩溃，先跳过不必要的复杂性，专注于核心，等你准备好了再回来补课。
当然，这不是说那些底层知识不重要。课程后面会逐步引导你理解 context curation、部署原理、prompt engineering 的深层逻辑。但那是在你已经有了成功体验之后。
Q：你们说要培养 Master Builder，这个和普通的 builder 有什么区别？
低层次的 builder 着眼于具体细节——这个 API 怎么调、那个参数怎么设。Master Builder 从产品和系统的角度思考：不是这个模型怎么用，而是这个问题应该用什么系统来解决；不是怎么写好 prompt，而是这个任务应该怎么分解、怎么编排；不是 AI 能不能做到，而是 AI 做不到的部分，人应该怎么补位。
Supermind Agent 就是一个例子：当单个模型有局限时，用架构来弥补。这种思维方式的转变，才是 AI 时代最持久的竞争力。
我们通过降低摩擦让你快速上手，但最终目标是培养你成为一个能独立设计 AI 系统的 Master Builder。当你理解了为什么这样设计，你就不再需要依赖任何平台——包括我们的。
Comments