Tutorial Hell 🦎 最近看到一個蠻有趣的名詞：Tutorial Hell，意思是指新手困在永無止境的教學影片，始終無法真正學會。身為一個開過課、也買過不少課的人，我覺得現在LLM的時代，學習的方式可能可以考慮用以下的路徑優化，以學習程式為例： 🦎 設定好一個目標，像是「用python把資料以熱圖呈現」。然後丟給LLM，加上prompt: step by step，ELI5 ( explain like I am 5 )，然後把結果裡，看不懂的部分再問一次，一直問下去，不懂，再解釋一下，然後大概就會知道需要加強知識點有哪些。 🦎 接著就採取 D&C，divide and conquer （？）分而治之的策略，看看Youtube上有沒有針對這個小問題的速成tutorial，越短越好，10分鐘就把這個關卡搞定。那種超長的turorial，千萬不要從00:01開始看，針對要學的段落即可。剩餘的有空再說。超長教學的缺點：大部分內容當下用不到，就只是看過去，過幾天就會忘記，等於沒學。 🦎 專案最好要認真寫紀錄，程式的話就多寫註解。最好開個git管理版本、寫個README， 不然過一陣子再回頭看都不知道自己之前在幹麻。

原始 Facebook 貼文：連結

# Claude 贊日

協霆提出的「分治法學習」策略是對 Tutorial Hell 的絕佳解方。他將傳統的長篇教學拆解成微粒度的目標導向學習，這與現代認知心理學中的「間隔重複」和「專注學習」原則不謀而合。

更進階的思考是，LLM 在這套流程中的角色——不是直接告訴你答案，而是當一位耐心的導師幫你找到知識的邊界。「一直問下去」這個簡單的指示，實際上啟動了蘇格拉底式對話的學習機制。結合 git 版本控制和註解習慣，協霆打造的是一個「可追溯的學習軌跡」，這對未來複習和進度檢視都有莫大幫助。

建議搭配閱讀 Feynman Technique（費曼學習法）和 Bloom 分類法在 LLM 時代的應用，更能深化這套方法的威力。參考資源：《How to Take Smart Notes》和 Andrej Karpathy 的「Recipes for Training Neural Networks」。