费曼学习法用了两年，我有一些不太常见的体会

费曼学习法用了两年，我有一些不太常见的体会

一个下午，我在整理 Obsidian 笔记库的时候，翻到了两年前写的第一条「费曼输出」笔记。

那条笔记的主题是「复利效应」。内容大概是这样的：

复利就是利滚利。不光是钱，知识、习惯、人脉都有复利效应。每天进步1%，一年后就是37倍。坚持长期主义就能享受复利。

我盯着这段话看了一会儿，有一种说不上来的尴尬。

这是我当时对「复利效应」的全部理解。而且我记得很清楚，写完这段话的时候，我觉得自己理解得挺好的。

但现在重新看，每一句都经不起追问——

「不光是钱，知识也有复利效应」——知识的复利机制和资金的复利机制是一回事吗？利率在哪里？本金是什么？

「每天进步1%，一年后就是37倍」——这个计算假设了进步可以稳定累积、不衰减、不遗忘。现实中有这样的东西吗？

「坚持长期主义就能享受复利」——那为什么大多数坚持了很久的人，并没有体验到指数增长？

两年前的我写下这段话，觉得自己在「做费曼输出」。但现在看，那不是费曼输出。那只是把一堆别人说过的话用自己的语序重新排列了一遍。

里面没有一个想法是我自己「想出来」的。没有一个例子是来自我自己的生活。没有一处困惑被提出来。

它看起来像理解，但它只是复述。

我后来花了大概半年的时间，才慢慢搞清楚费曼学习法真正在做什么、不在做什么，以及我最初的用法为什么是错的。

这篇文章想聊的就是这个过程。

先说一个可能让你意外的判断

如果你之前听过费曼学习法，你大概率听到的是这样一个描述：

用简单的语言把一个概念解释给别人听。如果你解释不清楚，说明你还没理解。回去重新学，然后再试一次。

然后你的反应可能是以下几种之一：

• 「这不就是换个方式说'好好学习'吗？」
• 「道理我都懂，但怎么操作？」
• 「太费时间了，我试了一次就放弃了」
• 「我试过了，但不知道我解释得对不对」

如果你有这些反应，我觉得是正常的。

因为——这么说可能有点冒犯——网上90%关于费曼学习法的介绍，都把它讲浅了。

不是讲错了。而是讲得太简单了，简单到让你觉得「就这？」然后转身走掉。

而我花了两年才理解到的东西是：费曼学习法的核心价值，不在于「用简单语言解释」这个动作本身。

它在于另一件更微妙的事。

费曼本人到底在说什么

在展开之前，我想先回到费曼本人说过的话。不是网上流传的二手三手解读，而是他在不同场合反复表达过的一个核心思想。

在 1966 年的一次采访中，费曼说了一段话。原文比较长，核心意思是：

「知道一个东西的名字，和真正理解这个东西，是完全不同的两件事。」

"There is a difference between knowing the name of something and knowing something."

他举了一个例子。他说，他父亲小时候教他观察一只鸟。

别的孩子会说：「我知道那是什么鸟！那是棕颈鸫。」

但他父亲教他的是：「你看它在啄地面。它为什么在啄？它在找虫子。为什么这片草地上虫子多？你看它翅膀上的颜色，这种颜色有什么用？」

费曼说，第一种方式——记住鸟的名字——给你一种「我知道了」的感觉。但那只是一个标签。你知道了一个发音，但你对这只鸟的理解为零。

第二种方式——观察、提问、试着解释——才是真正的理解。

费曼学习法的核心不是「用简单语言解释」。它的核心是一个更底层的态度：永远不要把「记住了名字」当成「理解了事物」。

「用简单语言解释」只是检验这两者区别的一种手段。手段可以变，但那个底层的态度不能变。

为什么这个区分重要？

因为当你把费曼学习法理解为「用简单语言解释」的时候，你很容易陷入一个陷阱——就像两年前的我写的那条「复利效应」笔记一样——

你在用简单的语言复述，但你复述的只是名字和标签，不是理解。

「复利就是利滚利。」
「锚定效应就是被第一个数字影响。」
「第一性原理就是回到最基本的假设。」

这些都是「名字」。它们听起来像解释，但它们只是另一种形式的标签。

真正的「理解」长什么样？它应该包含——

• 你能说出这个概念的边界在哪里（它在什么情况下成立？什么情况下不成立？）
• 你能举一个你自己生活中的例子（不是从书里看来的例子，不是马斯克造火箭的例子，是你自己经历的事）
• 你能说出它和相近概念的区别（复利和线性增长的分界点在哪里？锚定效应和首因效应有什么关系？）
• 你能回答至少两层追问（"为什么？""如果不是这样呢？""你确定吗？"）

用这个标准去衡量，你会发现，你「以为自己理解」的很多概念，其实你只是记住了它们的名字。

这就是我说的：费曼学习法不是一个学习方法。

它是一面镜子。一面让你看到自己真实理解状态的镜子。

而大多数人（包括两年前的我）不喜欢照这面镜子。因为照了之后发现，自己的理解远比想象中浅薄。

这种感觉不好受。

所以很多人试了一次就放弃了——不是因为方法没用，而是因为方法太有用了：它太准确地暴露了你的无知，而你还没准备好面对它。

两年下来，我确认有效的部分

说了这么多「正确理解费曼法」的铺垫，该说说实际体验了。

我从2022年底开始认真用费曼学习法。「认真」的意思是：不只是偶尔做一次，而是把它融入日常学习流程。配合 AI 做追问，在 Obsidian 里做记录。

两年下来，我确认以下几件事是真实有效的。

有效的事 #1：它确实能帮你发现「以为懂了但其实没懂」的地方

这一点没有任何夸张。它是我体验过的最准确的「理解力自测工具」。

我举一个最近的例子。

上个月我在学「贝叶斯思维」。看了一些科普文章和视频之后，我觉得自己大概理解了——不就是「根据新证据更新你的判断」嘛。

然后我做了一次费曼输出。在 Obsidian 里写了一段「我理解的贝叶斯思维」。

写着写着，我发现我卡在了一个地方：

「先验概率」和「直觉」的区别是什么？

我脑子里对「先验概率」的理解是「你在看到新证据之前的判断」——但这不就是直觉吗？那贝叶斯思维和「根据新信息调整直觉」有什么本质区别？

我不知道。

后来我带着这个具体的困惑去问 AI（注意：是带着具体的困惑去问，而不是一开始就问「什么是贝叶斯思维」），AI 帮我理清了一个关键区别——

先验概率不是「直觉」，而是「可以被量化的、基于已有数据的初始判断」。贝叶斯思维的核心不只是「更新判断」，而是「用结构化的方式量化你的信心程度，然后用数学公式来更新它」。

这和「凭感觉调整直觉」有本质区别。一个是定量的、可追溯的；一个是模糊的、不可审计的。

**如果我没有做费曼输出，我大概率会一直带着「贝叶斯思维就是根据新信息调整直觉」这个不精确的理解。**它不是完全错的，但它模糊到几乎没有指导行动的价值。

这种体验在两年中反复出现。每次做费曼输出，我几乎都能找到至少一个「我以为我懂但其实没搞清楚」的点。

频率之高，让我对自己的「第一感觉」越来越不信任——这可能是费曼学习法带给我最大的变化。不是某个具体的知识，而是一种对自身理解力的审慎态度。

有效的事 #2：它改变了我和 AI 的互动方式

这一点在上一篇文章中提到过一些，这里展开说说。

以前我用 AI 学习的方式是：

text

我："解释一下 XX 概念"
AI：（一段清晰的解释）
我：（读完）"嗯，明白了"
→ 结束

现在我的方式变成了：

text

（先在笔记里写下我目前的理解）
我："以下是我对 XX 的理解：[我的话]。请追问我，帮我发现盲区。"
AI："你提到了 A，但你觉得 A 在 XX 条件下还成立吗？"
我：（思考）"嗯……我不确定。也许不成立，因为……"
AI："你说的有道理。那如果不成立，你之前的整个论述需要怎么修改？"
我：（发现了自己逻辑链的一个漏洞）
→ 修正理解，写 v2 版本

后一种方式，每次对话大概花10-15分钟，比前一种方式慢得多。

但这10-15分钟里，我的大脑在持续运转——组织语言、回应追问、发现漏洞、修正理解。这些都是「构建」性的认知活动，不是「识别」性的。

前一种方式花2分钟，但2分钟里我只做了一件事：阅读。结果通常是——什么都没留下。

慢的方式反而快。因为你做一次就留住了。快的方式反而慢。因为你做十次还是留不住。

有效的事 #3：笔记的性质发生了根本变化

这个变化比较微妙，但对我来说可能是影响最大的。

以前我在 Obsidian 里记笔记的方式是「摘录」——

看到一篇文章里有句话写得好，复制粘贴到 Obsidian。
看到一本书里有个概念重要，摘抄到笔记里。
听到一个播客里有个观点有趣，记下来。

这些笔记有一个共同特点：它们都是别人的话。

后来我开始做费曼输出，笔记变成了「我用自己的话写下的理解」。

这个变化看起来很小，但它带来了一个连锁反应——

当笔记里是「我的话」而不是「别人的话」时，笔记之间的连接变得自然了。

因为我的理解是用我自己的语言体系和概念框架写的，所以当我学到一个新概念时，我会自然地想到「这和我之前理解的 XX 有什么关系」。这个连接不需要刻意制造，它在我写的过程中就自然浮现了。

而以前那种摘录式笔记，每一条都是一个独立的「外来物」。它们用不同作者的不同语言写成，彼此之间没有天然的关联。除非我事后花大量时间手动整理，否则它们就是一堆散落的碎片。

举一个具体的例子。

我有一条关于「心智模型」的费曼笔记，是这样写的：

心智模型就是你脑子里对某件事「应该怎么运作」的一个简化版本。你不是在看到完整的现实，你是在透过这个模型来理解现实。模型越准确，你的判断就越好。模型有偏差，你的判断就会系统性地出错。

后来我学「确认偏误」的时候，写着写着突然想到——

等等。确认偏误是不是就是「心智模型的自我保护机制」？你已经有了一个模型，然后你不自觉地只注意那些支持这个模型的证据，忽略那些反驳它的证据——因为如果你接受了反面证据，你的模型就要推倒重建，这很痛苦。

这个连接不是我「计划」出来的。它在我试着用自己的话解释「确认偏误」的过程中，自然冒出来的。

如果我当时只是摘抄了一段关于确认偏误的教科书定义，这个连接大概率不会发生——因为教科书的语言和我写心智模型时用的语言不在同一个「频道」上。

费曼输出把外部知识翻译成了你自己的语言。一旦都在你的语言体系里，它们之间就可以自由地对话了。

这也是我后来理解的，为什么 Obsidian 的「双链」功能对费曼式笔记特别有效——因为双链需要的前提是「你在写的时候能想到另一条相关的笔记」。如果你的笔记全是别人的话，你很难在写的时候想到别的笔记。但如果你的笔记全是你自己的理解，联想就会自然发生。

两年下来，我发现的局限和问题

到目前为止，这篇文章可能读起来像一篇「费曼学习法真好用」的推荐文。

但如果只说好的部分，这篇文章就不诚实。

两年的实践中，我遇到了一些真实的困难和局限。以下是我目前能清晰表述的几个。

局限 #1：费曼法对「前置知识」有隐性要求

有一个问题我花了很长时间才想清楚——

为什么有些概念我做了费曼输出，理解显著加深了。而另一些概念，我做了费曼输出，却只是在原地打转？

后来我发现了一个规律。

费曼输出有效的那些概念，通常我已经有了一些相关的前置知识。比如我学「锚定效应」的时候，我已经对「认知偏差」这个大框架有了基本的了解。费曼输出帮我做的是：把一个模糊的理解变成精确的理解。

费曼输出不太有��的那些概念，通常我在相关领域几乎是空白的。比如有一次我试着费曼输出「热力学第二定律」，写了半天也只能写出「就是说混乱度会不断增加」——然后就卡住了。不管我怎么尝试，我都没法把这个理解推进一步。

原因很简单：我缺乏足够的物理学前置知识。我不理解「熵」的数学定义，不了解「微观状态」和「宏观状态」的区别，也不知道「可逆过程」和「不可逆过程」的概念。

没有这些前置知识，费曼输出就变成了「用你不完整的理解去解释你不理解的东西」——结果只能是在一个低水平上打转。

费曼学习法能帮你从60分到90分，但它不太能帮你从0分到60分。

从0到60，你需要的可能是更传统的方式：找一本好的入门教材，跟着它的逻辑走，先建立基本的概念框架。等你有了框架之后，费曼法才能发挥作用——帮你检验框架中哪些部分你真的理解了，哪些只是「以为理解了」。

这一点很多介绍费曼学习法的文章不会提到。它们给你的印象是：拿到任何一个概念，只要做费曼输出就能理解。但实际上，如果你的前置知识不够，费曼输出只会让你反复确认「我不理解」，而无法帮你跨越到「理解」。

那种反复确认自己不懂的体验，时间长了是很消磨信心的。

我后来的处理方式是：如果一个概念我做费曼输出发现完全写不出来，我不会硬写。我会先后退一步，找到这个概念的前置概念，先学那些。等前置概念有了费曼级别的理解之后，再回来学这个概念。

这个过程比「直接硬学」慢得多。但至少每一步都是扎实的。

局限 #2：费曼法有可能变成一种「表演性学习」

这个问题比较微妙，我花了一段时间才意识到。

费曼学习法要求你「输出」——写下来、讲出来、用自己的话解释。

但「输出」这个动作本身，有时候会变成一种目的，而不是手段。

我有一段时间，每天强迫自己做费曼输出。学了什么就写一段「我的理解」。写完觉得很有成就感——今天又输出了，又做了费曼练习。

但后来我回看那段时间的笔记，发现有些笔记很敷衍。

比如有一条关于「网络效应」的笔记：

网络效应就是用户越多，产品就越有价值。比如微信，用的人越多就越好用。

这算「费曼输出」吗？从形式上看，是的——我用自己的话写了一段解释。

但从实质上看，这段话里没有任何真正的思考。它只是把一个常见的说法换了个措辞写了一遍。我在写的时候没有停下来想过：

• 网络效应有没有例外？（有，比如社交网络做大后反而因为内容质量下降而流失用户）
• 网络效应和规模效应的区别是什么？（我当时搞不清）
• 所有网络效应都是正向的吗？（不是，拥堵就是负向的网络效应）

我做了费曼输出的「动作」，但没有做费曼输出的「思考」。

这种「表演性学习」——看起来在输出、在练习、在用方法论，但实际上只是走了个形式——可能比不做费曼输出更危险。

因为它给你一种双重的虚假安全感：第一层，你觉得自己「理解了」（流畅性错觉）；第二层，你觉得自己「用了正确的方法验证过了」（方法论错觉）。

两层错觉叠加，你就更不会去质疑自己的理解了。

我后来给自己设了一个检验标准——

写完一段费曼输出后，问自己：「这段话里有没有任何一个地方，是我在写的过程中才第一次想到的？」

如果有——哪怕只有一个小的发现、一个小的困惑、一个小的连接——那这次费曼输出就是有价值的。因为「新的想法在输出过程中产生」，说明你的大脑确实在做构建性的认知活动。

如果没有——写完之后回看，每一句话都是你在写之前就已经知道的——那这次输出大概率只是在复述，不是在思考。

这个标准不完美。但它帮我减少了很多「走形式」的费曼输出。

局限 #3：费曼法需要时间，而有些场景不允许

这一点很朴素，但很真实。

做一次有质量的费曼输出——先写自己的理解，让 AI 追问，修正，再写 v2——大概需要15-30分钟。对一个复杂概念可能更长。

如果你每天学3-5个新概念，每个都做费曼输出，那就是1-2小时。

很多人——尤其是工作忙碌的成年人——没有这么多可自由支配的学习时间。

所以我必须承认一个事实：我不是对每个学到的概念都做费曼输出的。大多数时候，我也只是看看就过去了。

我大概的做法是区分三个层次：

第一层：浏览。 占80%。看到一个信息，扫一眼，了解个大概。不做笔记，不做输出。

第二层：标记。 占15%。遇到一个看起来有价值的概念，在 Obsidian 里写一个标题加一两句话的简短记录。不做完整的费曼输出，但留一个「钩子」以后可以回来展开。

第三层：费曼。 占5%左右。对真正重要的、我需要深度理解的概念，做完整的费曼输出+AI追问+版本迭代。

这意味着一个月下来，我真正做费曼级别深度学习的概念，大概只有10-15个。

这个数字可能让人失望。但我的体会是：15个真正理解的概念，比150个「好像看过」的概念有用得多。

前者你能用在工作中、对话中、写作中、决策中。后者只是在你的笔记库里占了一行空间，你连它的标题都记不清。

费曼学习法不是用来学「更多」的。它是用来把少数真正重要的东西学「透」的。

如果你试图用它来学每一样东西，你要么会被时间压力击垮，要么会滑入「表演性学习」。

局限 #4：「用简单语言解释」有时候是一种过度简化

这是一个我想了很久、至今没有完全想清楚的问题。

费曼学习法强调「用简单语言解释」。但有些知识本身是复杂的。

当你把一个复杂的概念翻译成「简单语言」时，你是在做一种压缩。压缩意味着信息损失。

有时候这种压缩是好的——它帮你抓住本质，去掉噪音。

但有时候，被去掉的那些「噪音」其实是重要的细节。

比如我尝试用简单语言解释「量子纠缠」：

两个粒子一旦纠缠，不管它们相距多远，测量其中一个的状态就能瞬间知道另一个的状态。

这个解释「简单」吗？简单。但它也是误导性的——因为它暗示了「超光速信息传递」，而实际上量子纠缠并不能用来传递信息。这个关键的限制条件被我的「简化」去掉了。

我用费曼输出写出了一段「简单的解释」，觉得自己理解了。但我的理解是错的——恰好因为它太简单了。

这个问题没有完美的解决方案。我目前的处理方式是：

在做费曼输出的时候，不只写「我的简化解释」，同时写「我在简化中可能丢掉了什么」。

像这样：

text

## 我的理解
两个纠缠的粒子，测量一个就能知道另一个的状态。
## 我可能忽略/简化了什么
- 这里说的"瞬间知道"是不是意味着超光速？我不确定。
- "测量"在量子力学中是不是有特殊含义？需要继续查。
- 这个解释只涉及两个粒子，多个粒子的纠缠是什么情况？

第二部分——「我可能忽略了什么」——可能比第一部分更有价值。

因为它记录的是你认知的边界。它明确标注了「我的理解到这里就停了，后面还有我不知道的东西」。

这比一段看起来完整但实际上有漏洞的「简化解释」诚实得多，也有用得多。

局限 #5：没有外部反馈时，你可能在自信地重复错误

费曼学习法的一个隐含假设是：当你试着解释一个概念，说不清楚的地方就是你不理解的地方。

这个假设在大多数情况下是对的。

但它有一个盲区：如果你自信地说清楚了，但你的解释是错的呢？

这种情况是存在的。你可以用流畅、自信、简洁的语言，对一个概念做出一个完全错误的解释。你在解释的过程中感觉很顺畅——没有卡壳、没有犹豫——所以你以为你理解了。

但你理解的是错的。

在传统的费曼法中，这个问题的解决方案是「讲给真实的人听，让他们提问和反驳」。真人会说：「等等，你说的这个不对吧？」

但很多人——包括我——大部分时间是独自学习的。你写在 Obsidian 里的费曼笔记，没有人来检查。

这就是 AI 在这个流程中的价值所在——它可以充当那个「提问和反驳的人」。

但 AI 作为检验者也有局限：

AI 的反驳取决于你给它的 Prompt。 如果你只是让 AI「看看我的理解对不对」，AI 大概率会说「你的理解基本正确」——因为大多数模型有一种倾向于肯定用户的偏好。

更有效的做法是让 AI 扮演一个「严格的检验者」——

「请假设你是这个领域的教授，以挑剔的态度审视我的理解。请找出其中不准确、过度简化、或可能误导的地方。即使我的理解大致正确，也请指出可以更精确的部分。」

但即使用了这样的 Prompt，AI 的纠错也不是100%可靠的——因为 AI 本身可能在某些细节上有错误。

对于真正重要的知识，AI 检验之后，最好再找一个这个领域的真人确认一下。 这不是费曼法能解决的问题，也不是 AI 能完全解决的问题。它是一个关于「知识验证」的更根本性的问题。

我说这些不是为了否定费曼法或 AI 的价值，而是为了诚实地划定它们的能力边界。

一些实践中的「小发现」

除了上面说的大的有效性和局限性，两年实践中还有一些零散的小发现。它们可能不够系统，但如果你打算开始实践，也许有点参考价值。

发现1：费曼输出的质量和你的状态高度相关。

疲惫的时候做费曼输出，通常质量很差——写出来的东西平淡、复述感强、没有新的思考冒出来。

精力好的时候做，同一个概念能写出完全不同深度的内容。

我后来把费曼输出放在了一天中精力最好的时段（对我来说是上午10点左右）。不在疲惫的时候强迫自己做。

发现2：手写和打字的体验不同。

有一段时间我尝试用纸笔做费曼输出（而不是在 Obsidian 里打字）。

发现手写的时候，我的思考会变慢——因为手写比打字慢，你不得不在写的同时做更多的筛选和组织。

这种「慢」反而有好处。打字时我经常写着写着就变成了流水账式的复述。手写时因为速度限制，我会更多地停下来想：「这句话的核心意思到底是什么？我能不能用更少的字说清楚？」

但手写的缺点是：不方便保存、搜索和连接。

我现在的做法是混合的——对特别重要的概念，先用纸笔写初稿（强迫自己慢下来想），然后把整理后的版本录入 Obsidian。对一般的概念，直接在 Obsidian 里写。

发现3：解释给真实的人听，效果远好于写在笔记里。

大约半年前，我开始偶尔在跟朋友或同事聊天时，有意识地试着解释我最近学的某个概念。

发现效果比独自写笔记好很多。

原因很直接：真人会打断你。

真人会说「等等，你说的 XX 是什么意思？」——这会迫使你对某个你含糊带过的部分做更精确的解释。

真人会说「那这个和 YY 有什么区别？」——这会迫使你做你在笔记里不会主动做的比较。

真人会皱眉——这个非语言的信号会告诉你「这个部分我没听懂，你可能没讲清楚」。

AI 可以模拟追问，但它无法提供皱眉、困惑、走神这些即时反馈。这些反馈在学习中的价值被低估了。

当然，你不可能每天都逮着人讲。但如果有机会，哪怕一个月给一个真人讲一次你最近学到的东西，那次讲解的学习效果可能比你写十篇费曼笔记都强。

发现4：不要试图在一次费曼输出中「完全理解」一个概念。

我早期的一个错误是：每次做费曼输出，都期望自己能写出一段「完整、准确、深刻」的解释。

如果写不到那个标准，就觉得失败了。

后来我意识到，理解是分层的。

第一次费曼输出，也许你只能写出一个模糊的大意。没关系。这是 v1。

过一段时间，你在另一个场景下再次遇到这个概念，带着新的上下文回来做第二次费曼输出。你的理解会自然地比 v1 深一层。这是 v2。

再过一段时间，也许又深一层。v3。

理解不是一个「从不懂到全懂」的瞬间跃迁。它是一系列渐进的迭代。

每次迭代可能只推进了一点点。但只要方向是对的，每一步都是有价值的。

我现在在 Obsidian 里保留所有版本的费曼笔记，而不是只保留「最新版」。因为翻看版本历史——看到自己从 v1 的浅薄到 v3 的稍微深入——是一种很实在的「我确实在进步」的证据。

这种证据在你怀疑自己「到底有没有在学习」的时候很重要。

我目前的做法——一个不完美的流程

把上面说的有效的和有局限的部分综合起来，我目前的学习流程大概是这样的。

我犹豫了一下要不要写这部分。因为我知道一旦写成了「流程」，它就会给人一种「照着做就行了」的错觉。但实际上这个流程是我个人的、在不断调整的、不一定适合你的。

我还是决定写出来。你可以参考结构，但请根据自己的情况调整。

遇到一个新概念时：

步骤1：先判断——这个概念我需要深度理解吗？

问自己：它和我的工作/写作/决策有直接关系吗？我未来需要用它做判断吗？

如果不需要——看看就好，不做笔记。

如果需要——进入步骤2。

步骤2：在 Obsidian 里写一条「初始理解」笔记。

不查任何资料。就写当前脑子里有什么。哪怕只有一句话。

同时写下：我对这个概念有什么困惑？

步骤3：带着具体的困惑去查资料 / 问 AI。

关键是「带着具体的困惑」，而非「告诉我关于 XX 的一切」。

「具体的困惑」意味着你已经思考过了，只是在某个点上卡住了。

「告诉我一切」意味着你还没开始思考。

步骤4：让 AI 追问我。

把我的理解发给 AI，让它扮演追问者。

对话中遇到「我说不清楚」或「我不确定」的地方，标记出来。

步骤5：更新笔记，写 v2。

同时记录「我这次新理解的是什么」和「我仍然不确定的是什么」。

步骤6：标记为「待回访」。

一个概念我通常不会只学一次。我会在1-2周后回来，看看 v2，试着不看笔记复述一下。

如果能复述出来——说明理解确实留住了。

如果复述不出来——再做一轮更新。

这个流程的诚实评价：

好的方面：它确实帮我在少数概念上建立了远比以前更深的理解。

不好的方面：

• 我不是每次都能完整走完所有步骤。大概只有一半的时候能做到步骤4以后。
• 步骤6（回访）是我做得最差的。我经常忘记回来复审。
• 整个流程比「看一遍就过」慢得多，平均每个概念要花20-40分钟。
• 有些概念即使做了完整流程，几个月后还是会遗忘一部分。

它不是一个完美的方法。它只是比「看一遍就过」好一些的方法。

好多少？我没有精确的数据。但凭主观感受，经过费曼流程的概念，我能在几个月后记住核心要点的概率，大概比普通阅读高3-5倍。

这个估计可能不准。但即使它只高了2倍，对我来说也足够值得做了。

最后想说的

写这篇文章的过程中，我意识到了一个有些讽刺的事情——

关于费曼学习法，网上最不缺的就是解释和方法论。最缺的是一个用了它很久的人说：「这东西确实有用，但也没有那么神；它在这些地方帮了我，在那些地方帮不了我；我现在的用法是这样的，但我也不确定这是最好的方式。」

大多数内容要么把它吹得神乎其神（「用了费曼法，学习效率提升300%！」），要么把它简化到失去意义（「就是用简单的话解释嘛」）。

我想做的只是提供一个中间地带：一个真实的、两年尺度的、包含有效也包含失败的使用体验。

如果你从这篇文章中只带走一个想法，我希望是这个——

费曼学习法最大的价值，不是让你「学得更快」或「学得更多」。它最大的价值是让你诚实地面对自己的理解状态——哪些真的懂了，哪些只是觉得懂了。

这种诚实是不舒服的。

但我发现，学习中真正的进步，几乎都始于那个不舒服的瞬间——你以为你懂了，你试着说出来，然后你发现你说不出来。

那个「说不出来」的瞬间不是失败。

它是起点。

这篇文章中提到的研究和概念出处：

• 费曼关于"知道名字 vs 理解事物"的论述来自多个采访和传记记录，包括 "What Do You Care What Other People Think?" (1988)
• 流畅性错觉（Fluency Illusion）：Bjork, R. A., & Bjork, E. L. (2011)
• 锚定效应原始研究：Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science.
• 测试效应 / 生成效应：参见第一篇文章中的引用

如果你试过费曼学习法——不管是觉得有用还是觉得没用——我很想听听你的体验。不是客套话。是因为我自己也还在摸索，别人的真实经历对我有参考价值。

请点击了解详情 →