我们这两年做了[四门课](https://ai-builders.com/)，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](https://www.superlinear.academy/c/share-your-projects/)，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](https://space.ai-builders.com)，但是需要学生才有免费的访问权限。

![AI Builder Space Screenshot](https://yage.ai/images/ai-builder-space-screenshot.jpg)

如果对这门课感兴趣的话，可以看一下[这个链接](https://www.superlinear.academy/c/aa/)。


#### 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。