Tomodachi Life，一个任天堂旗下的老牌 IP，在 Switch 初代的生命周期里面一直被冻在冰箱里面没被动过。任天堂不动不代表社群当中没有期待，当任天堂宣布新版时，整个玩家社区立刻就炸锅了。哪怕试用版只允许你创建三个人物，人们依然想尽办法绕过机制，想要在正式版发布之前多玩一会，可见大家为这条新闻有多疯狂。

我是这类「哆啦 A 梦」式游戏的重度喜爱者，自然是想也不想地手刀下单。提前两周在亚马逊下单预订，亚马逊很靠谱的在发售日前一天就发货了，确保十六号当天能准时送到我家。

下单之前我早就有心理预期：这个游戏绝对会把我吃得死死的，但是真正玩起来才发现真的被吃得不是一般的死。我昨天下午收到卡带，玩到了半夜，今天早上起床之后接着玩了一整天，要不是我的 switch 没电了，必须要充电，我可能会继续沉迷在这个小世界里。

很长时间没写 React 了，最近因为期末大作业需要做一个报告，我搞得稍微花哨了一点，用 React 做了个 PPT。动画嘛，再配上 Canvas，纯拿 React 写大概率是要吃瘪的，特别是好久不碰手有点生了。于是就想着写个笔记给自己看，也给有需要的朋友留一份的资料。

当然，在这里我要叠个甲，我知道你们前端圈有圣战的传统。尽管本文看起来像是在咬赛博打火机，但实际上我没有要参战的意思，我就是个老老实实写代码的人。你觉得我哪里说得不对，以你为准，我是傻逼，傻逼不在乎，不要在我的地盘上闹。

这篇文章是「教育的下一步」的续作，也是对它的一次深化。如果你还没有读过前作，我鼓励你先去读完再回来。

我在上一篇文章里讨论了教育的螺旋结构，那篇文章的核心论点是：学习这件事情没有仅仅停留在知识的堆积的层面，它同时在发展一种更底层的认知技能：一种解决问题的基本能力。知识积累和认知能力的发展以双螺旋的方式相互促进。

但上一篇文章没有回答的问题是：具体是什么样的能力？它从哪里来？在 AI 普及之后，我们要怎么有意识地培养它？

这篇文章尝试斗胆回答这些问题。

2026 年 3 月下半旬，我在博客上部署了一套私有的统计系统。动机很简单：我在用的广告拦截器会把我正在用的那套分析系统 GoatCounter 拦截掉，导致我没有办法在手机上方便地看到博客的流量信息。为了应付这事情，我就自己稍稍改了一个开源版本的统计系统，部署到了 Cloudflare 上，方便我每天睡前躺在床上看一看博客的流量构成。

部署上去的当天晚上，或者是第二天，我立刻就看到了一个非常诡异的流量尖峰。这个流量尖峰会把我博客上面所有的文章全都爬一遍，就跟和尚念经一样，准时准点，从头到尾。而且是一个基于 Chrome 的，能跑 JavaScript 的自动化脚本。

随着 LLM 技术应用的不断发展，Agent Experience（简称 AX），成为了显学，来开始在工程圈流通。Netlify 联合创始人兼 CEO Mathias Biilmann 于 2025 年 1 月在其博客发表 Introducing AX: Why Agent Experience Matters 一文，正式引入这一概念。他将 AX 定位为继 UX（1993 年 Don Norman 在 Apple 任职时提出）与 DX（2011 年 Jeremiah Lee 在 UX Magazine 文章中系统阐述并普及的框架）之后的下一个核心设计维度。AX 专门探讨如何设计产品形态，使 AI Agent 能够可靠地「理解」、自主操作并高效集成到现有的界面和操作系统中。

我们常常以为，研究是一件收集数据的事。只要方法选对了，样本够了，问题问得准，结论就会自然从数据里长出来。好像研究者只需要扮演一个诚实的记录者，把观察到的东西如实呈现，工作就算完成了。

但如果你真的做过研究，你会发现事情从来不是这样的。数据不会自己说话。它只是静静地堆在那里，等着你决定它们之间的关系。你怎么理解它们，它们就怎么呈现自己。同样一堆数字，不同的人拿到手里，可以讲出截然不同的故事。有人看到的是混乱，有人看到的是结构，有人什么都没看到，只是把表格原样贴进了报告。

前些天我在本站发布了一份名为「自己教宣言」的文章。核心教义只有两条，教义零：干我屁事，教义一：我不在乎。在进行内容设计的时候，我对传达能力、力量感、叙事结构做了一些权衡，其关注核心聚焦在立刻可以做的行动上（The Action），而没有花费大量篇幅解释我对其背后的思考。这容易让内容流于肤浅，为健全论述，我便撰写了这篇补丁性质的文章。

整个自己教最容易被误读的是他在鼓励人们变得「冷漠」，它鼓励人们独立于外部环境，不去参与公共事务。这似乎给人套上了一层「道德义务」，你有义务参与公共事务，你有义务关心他人，你有义务向社会做贡献。

但在我看来，这是在倒果为因，并把「人」置于道德的牢笼当中。

编注：出发时在飞机上和旅馆里写的一篇短文，昨天收拾草稿箱的时候看到，觉得可以发，就发了。

2025 年 8 月 15 日，在狸先生事无巨细的帮助下，我离开了北京，离开了中国。现在是北京时间 16 日 深夜十二点零三分，我坐在飞机上，开始撰写这篇文章，以期把这几天的所思所想记录下来，以纪念这一趟令人令我感到五味陈杂的留学之旅。

今天我想聊聊我们这代人对于 AI 的焦虑。

我之前曾经提出过一个观点，一切对于 AI 的焦虑都不来自于 AI，而是某种事物变迁的客观规律。在我看来，这一轮 AI 浪潮中，那种焦虑来自于周遭环境系统性的「液化」。

让我们先来看看周遭的变化。社会现代化在某种程度上具有让事物变得细颗粒度的性质。正如我在过去文章不停念的经：最一开始为了知道某个知识，我们需要读整整一本书，后来我们用 Google 搜索看一篇文章，现在我们连自己搜都不需要了，直接让 LLM 把所有知识都搅碎重新组合成一篇风格标准的内容就好。以前我们要看一部好电影，需要一两个小时，现在小帅小美不到五分钟就刷完了。

今天聊聊用 LLM 做数据分析这破事。

这是一个广泛存在的迷思，你可以把数据扔给 ChatGPT 或者 Claude 酷炫分析，瞬间就觉得自己是个数据科学家了。回归结果、p值、置信区间，你知道的、不知道的东西都能做得出来，而且像模像样。但是，在深入这个话题之前，我想先介绍「第零法则」。

第零法则：如果你不知道自己在做什么，那你就不应该做。

无论是是 LLM 还是自己做分析，只要你不懂正在用的统计方法，就不应该用它。这条规则在 LLM 出现之前就有了，现在反而更重要。