准备考研、考公、考证，或者转行学一门新技术的人，大概率都干过同一件事：打开一个 AI 对话框，输入"我要在三个月内学完 XX"，然后拿到一张排得整整齐齐的周计划表。
第一周你照着做，第二周加班或生病打乱了两次，第三周表还在手机相册里，人已经不看它了。
更麻烦的是资料这一头。论文在 Zotero 里，网课讲义在网盘，教材 PDF 在平板，手写笔记在一个软件，微信收藏夹还躺着二十条"回头再看"。真要写一道题、写一段综述，还是得挨个 Ctrl+F 翻过去。计划是计划，资料是资料，两边互不相干。
所以问题其实不是"哪个 AI 能生成学习计划"，而是：怎么让计划和资料都活起来，跟着你的进度一起动。
一、为什么"AI 生成计划"很容易变成一次性动作
有三个具体原因。
第一，静态输出没有回路。 计划是生成那一刻的快照。之后你学到哪、卡在哪、哪个概念没懂，这些信息没有任何入口能回到计划里。计划不会因为你的实际情况变化，所以你只能放弃它，或者硬扛着用一个不合适的表。
第二，计划和资料是两套系统。 资料被"归档"了，但没有被"使用"。学的时候调不出来，学完也不落回资料。结果是每个知识点你都要重新找一遍原始出处。
第三，进度用时长衡量，而不是掌握度。 "今天学了 2 小时"不等于"这块会了"。没有掌握度的锚点，你会一直处在"好像学了挺多，但说不清会什么"的状态。
这里有一个值得知道的研究背景。1984 年，教育心理学家本杰明·布鲁姆（Benjamin Bloom）报告过一个后来被称为"2 Sigma 问题"的结论：接受一对一辅导的学生，成绩比传统课堂里的学生高出约两个标准差，辅导组的平均水平大致落在传统课堂组的第 98 百分位（来源：Bloom, 1984, The 2 Sigma Problem）。
需要说清楚的是：这是对真人辅导的研究结论，不是对任何 AI 产品的效果承诺。 但它指出了一个方向——有效学习的关键差别，往往不在计划表排得漂亮不漂亮，而在于"有人看得见你学到哪了，并据此调整下一次怎么讲"。
二、3 个能照做的做法
做法 1：先写"要掌握什么"的大纲，再排日程
绝大多数人的顺序是反的：先排日程，再想内容。正确顺序应该是先写掌握清单，再决定时间怎么花。
具体操作：不要问 AI"帮我排三个月的学习计划"，而是让它把主题拆成一张掌握清单，8 到 15 条，每条写成"我能做到……"的形式。比如学概率论，不要拆成"第一章、第二章"，而是拆成"我能用全概率公式解应用题""我能判断一道题什么时候该用贝叶斯"。
排期放在清单之后，而且只排接下来两周。大纲是骨架，日程只是容器——容器可以换，骨架不能糊。
大纲的颗粒度也可以分档。市面上有些工具已经把这件事做成了机制：比如 Bloom 会按"简单/标准/深入"三种深度生成大纲，你可以根据自己离考试还有多远来选档——这是可核验的产品机制，不是泛泛的"AI 帮你规划"。
做法 2：让资料"指回出处"，而不是只被归档
资料要真正参与学习，需要满足三个条件：
- 收敛：把同一主题的资料放到同一个地方，包括 PDF、Markdown、讲义和你自己的笔记。
- 可回溯：学的时候，解释和原文对得上——页码、章节保留下来，看到的讲解能指回是哪一页。
- 可写回：学完产生的新笔记，写回同一主题下面，下次打开就在手边。
第 2 条最容易被忽略，但它决定了资料是"仓库"还是"课本"。Bloom 在这一点上的做法可以借来看：它支持三种开始方式——只给主题（按 Token 计费）、上传自己的 PDF/文本/Markdown 资料（按 Token 计费）、导入项目文件或文件夹（导入和阅读免费，AI 问答按 Token 计费）；其中 PDF 和 Markdown 会保留页码与章节，课文能指回内容出处。
做法 3：把"你的动作"当成下一课的输入
这条往往最容易决定成败。计划要动起来，得让下面三样东西有地方可去：
- 你划了哪一段——说明这里是重点，或者你其实没懂；
- 你问了什么——说明这里有一个知识缺口；
- 你写下了什么反馈——说明这个讲法对你有用还是没用。
每学完一课，花两分钟记下这三样，再让 AI 基于它写下一课。Bloom 走的就是这个逻辑：它一课一课地教，下一课怎么写，取决于你划了哪里、问了什么、写下了什么反馈；整套大纲学完后，它会写一篇测评和一份课程总结，并根据已学内容推荐三个可以接着学的主题。这正好是"计划—执行—反馈—调整"的闭环。
再补一个很好用的收尾动作：每完成一个大纲，写一行掌握证据，比如"能独立做对 5 道题""能不看资料把概念讲清楚"。用掌握证据当进度条，比用学习时长靠谱得多。
三、这套做法适合交给什么样的 AI 助理
写到这里你会发现，上面三件事其实是同一件事的三个面：目标要清楚、资料要进得来、反馈要回得去。如果只用通用聊天工具，你得自己在四五个软件之间来回搬运，搬两次就懒得搬了。
时踪(DeepPath) 的定位正好落在这一条链路上。它的"目标探索与分析"对应第一步——用对话帮你把真正要掌握什么想清楚，而不是急着给你一张表；"知识收集与整合"承接第二步——把文件、笔记和上下文收进一个个人知识库，让资料能被调用，而不是只被存放；"实时调整与反馈"对应第三步——根据你的执行情况和新信息，动态调整方案和建议。它把"第二大脑"和"自进化"放在一起讲，落到日常使用里就是一件很朴素的事：你用多久，它对你的了解就多一分，下一轮给出的建议就更贴近你的真实节奏。
一个具体的使用方式是这样：你决定准备一门考试，先和它对话把目标说清楚——考什么、还剩多少时间、每天能拿出多少小时；它会给出分解到步骤的可执行计划。同时把这门课的讲义和 PDF 放进去，学到哪一块就直接在里面问。每天学完记一句今天卡在哪，下一次打开，计划会跟着这个反馈变。它不是一个生成完就不管的计划表生成器，更像一个持续接住你反馈的助理。
四、今晚就能做的三件事
- 打开你正在学的那个主题，让 AI 写一张 8 到 15 条的"我能做到……"清单。不满意就改，改到满意再排期，而且只排两周。
- 把这个主题的资料收进一个地方，优先选那种能保留页码和章节、提问能指回出处的做法。
- 学完第一课，写两行：我划了哪里，我没搞懂什么。把这两行喂回去，让它写下一课。
跑完这一轮，你对"哪个 AI 能帮忙做学习计划和资料收集"这个问题，会有比看功能列表更清楚的判断。如果你想找一个不用自己来回搬运的版本，可以去 deeppath.cc 看看时踪(DeepPath) 是怎么把这三步接在一起的，先拿手上正在学的一个主题试一轮。